隨著全球制造業(yè)數(shù)字化、網(wǎng)絡化、智能化的步伐不斷加快,我國工業(yè)面臨轉型升級的問題。信息技術與傳統(tǒng)工業(yè)的深度融合是第四次工業(yè)革命的主要發(fā)展方向。當代工業(yè)制造過程日趨復雜,主要呈現(xiàn)出如下特點:規(guī)模擴大,加工步驟關系復雜化,工業(yè)制造過程形成了復雜的系統(tǒng);在制造過程中發(fā)生的異常往往會造成巨大的損失。不幸的是,工業(yè)制造過程中即使是高端設備也無法避免運行過程中產(chǎn)生異常問題。與此同時,一些人工干預手段也有可能導致制造過程的異常。由此可見,若能對產(chǎn)品的品質(zhì)或是制造過程中出現(xiàn)的異常及時預測并采取預防措施,這將提高整個生產(chǎn)流程的效率,從而更好的保證產(chǎn)品的質(zhì)量和服務。當前,絕大多數(shù)工業(yè)企業(yè)進行質(zhì)量控制的方法主要還是投入大量的維護費用以保證生產(chǎn)制造過程正常運行。但是,一些工業(yè)企業(yè)已經(jīng)開始探索如何利用機器學習和人工智能的方法,從生產(chǎn)線積累的大量數(shù)據(jù)中進行模式學習,從而能夠提前對工業(yè)制造過程進行質(zhì)量預測,及時發(fā)現(xiàn)工業(yè)制造過程中的問題所在,以保證工業(yè)制造過程可以快速有效地進行。本文將研究焦點放在化工產(chǎn)品的質(zhì)量預測上,具體解決的是工業(yè)大數(shù)據(jù)的時間序列預測問題。本文利用了兩份來源相同（都來自真實化工企業(yè)生產(chǎn)環(huán)境）,但預處... 

【文章頁數(shù)】：55 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 論文研究背景與研究意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 研究問題及解決方案
    1.3 創(chuàng)新點
    1.4 本文架構
第二章 文獻綜述
    2.1 工業(yè)質(zhì)量傳統(tǒng)預測研究綜述
    2.2 工業(yè)質(zhì)量智能化預測研究綜述
    2.3 多變量時間序列預測研究綜述
    2.4 XGBoost和LSTM模型應用研究綜述
    2.5 文獻述評
第三章 理論基礎
    3.1 集成學習
    3.2 XGBoost模型介紹
    3.3 深度學習理論基礎
        3.3.1 深度學習基本概念
        3.3.2 深度學習基本模型
        3.3.3 深度神經(jīng)網(wǎng)絡的缺陷
    3.4 LSTM模型介紹
        3.4.1 RNN循環(huán)神經(jīng)網(wǎng)絡
        3.4.2 LSTM長短期記憶網(wǎng)絡
        3.4.3 長時間序列轉化方案
        3.4.4 LSTM的關鍵參數(shù)及Keras實現(xiàn)
第四章 數(shù)據(jù)介紹、預處理及探索分析
    4.1 化工產(chǎn)品生產(chǎn)過程
    4.2 數(shù)據(jù)介紹
    4.3 數(shù)據(jù)可視化探索分析
第五章 預測模型設計與實驗評估
    5.1 預測模型實現(xiàn)方案設計
    5.2 預測模型評估方案設計
    5.3 實驗仿真及評估
        5.3.1 非固定時間間隔數(shù)據(jù)集建模
        5.3.2 固定時間間隔數(shù)據(jù)集建模
        5.3.3 預測模型整合
第六章 總結和展望
    6.1 總結
    6.2 未來研究展望
參考文獻
攻讀碩士學位期間科研成果
致謝


【參考文獻】：
期刊論文
[1]基于長短期記憶神經(jīng)網(wǎng)絡的火電廠NOx排放預測模型[J]. 楊國田,張濤,王英男,李新利,劉禾.  熱力發(fā)電. 2018(10)
[2]基于異常序列剔除的多變量時間序列結構化預測[J]. 毛文濤,蔣夢雪,李源,張仕光.  自動化學報. 2018(04)
[3]基于AdaBoost的鏈路質(zhì)量預測機制研究[J]. 舒堅,劉滿蘭,鄭巍.  通信學報. 2017(S1)
[4]基于LSTM循環(huán)神經(jīng)網(wǎng)絡的故障時間序列預測[J]. 王鑫,吳際,劉超,楊海燕,杜艷麗,牛文生.  北京航空航天大學學報. 2018(04)
[5]企業(yè)內(nèi)部控制質(zhì)量對上市公司經(jīng)營績效影響研究——基于制造業(yè)上市公司的實證研究[J]. 白默,李海英.  管理世界. 2017(09)
[6]基于隱馬爾科夫模型的滾動軸承性能退化評估[J]. 周建民,郭慧娟,張龍.  華東交通大學學報. 2017(04)
[7]基于關聯(lián)變量時滯分析卷積神經(jīng)網(wǎng)絡的生產(chǎn)過程時間序列預測方法[J]. 張浩,劉振娟,李宏光,楊博,路潔.  化工學報. 2017(09)
[8]深度學習框架下LSTM網(wǎng)絡在短期電力負荷預測中的應用[J]. 陳亮,王震,王剛.  電力信息與通信技術. 2017(05)
[9]基于集成深度學習的時間序列預測模型[J]. 何正義,曾憲華,曲省衛(wèi),吳治龍.  山東大學學報(工學版). 2016(06)
[10]基于ARMA與BP神經(jīng)網(wǎng)絡模型的產(chǎn)品質(zhì)量安全風險預測[J]. 周榮喜,蔡小龍,崔清德,徐步祥.  北京化工大學學報(自然科學版). 2015(06)

博士論文
[1]多工序制造質(zhì)量智能預測建模機理研究及應用[D]. 楊杰.華南理工大學 2011

碩士論文
[1]基于SMT大數(shù)據(jù)的產(chǎn)品質(zhì)量預測方法研究與實現(xiàn)[D]. 馮爾磊.西安電子科技大學 2018
[2]基于集成學習的工業(yè)產(chǎn)品質(zhì)量控制方法研究[D]. 張莉婷.華南理工大學 2018
[3]基于大數(shù)據(jù)分析的螺栓擰緊工藝質(zhì)量評價方法研究[D]. 王磊.山東大學 2018
[4]復雜產(chǎn)品制造過程關鍵質(zhì)量特性識別與最終質(zhì)量水平預測方法研究[D]. 朱才松.合肥工業(yè)大學 2018
[5]閥體產(chǎn)品裝配質(zhì)量狀態(tài)評估與診斷預測方法研究[D]. 薛曉波.溫州大學 2018
[6]中藥生產(chǎn)工藝的智能優(yōu)化研究[D]. 李金昌.浙江大學 2018
[7]基于深度學習的數(shù)據(jù)特征的提取與預測研究[D]. 鐘楠祎.浙江工業(yè)大學 2017
[8]RBF網(wǎng)絡的改進及其在焊膏印刷厚度預測中的應用[D]. 肖長冬.西安電子科技大學 2010



本文編號：3664940