石化行業(yè)一直是我國支柱行業(yè),著名的化工能源企業(yè)如中國石化、中國石油、中國海油等公司擁有著龐大的固定資產(chǎn)和大量的從業(yè)者,把控著國民經(jīng)濟(jì)的命脈。其生產(chǎn)的各類化工產(chǎn)品大量應(yīng)用于交通、建筑、農(nóng)業(yè)等工業(yè)領(lǐng)域,也出現(xiàn)在人民日常起居的方方面面�；ば袠I(yè)無時(shí)無刻不在促進(jìn)著各行各業(yè)的發(fā)展,也造福于世界人民的生活。但是,一直以來,化工行業(yè)都屬于高風(fēng)險(xiǎn)行業(yè),各類化工事故時(shí)有發(fā)生,而絕大多數(shù)化工事故都與化工裝置密切相關(guān)�；ぱb置的故障或損壞會(huì)直接導(dǎo)致生產(chǎn)受阻,造成項(xiàng)目進(jìn)度延緩和一定的經(jīng)濟(jì)損失。嚴(yán)重時(shí)會(huì)發(fā)生爆炸、起火、或毒氣泄露等重大事故,造成人員傷亡�；ぱb置是生產(chǎn)化工產(chǎn)品過程中應(yīng)用的全部器械、機(jī)件的總稱�；ぱb置的持續(xù)穩(wěn)定運(yùn)行非常重要,它是保障化學(xué)反應(yīng)持續(xù)穩(wěn)定進(jìn)行的必要條件,也是保障人員生命財(cái)產(chǎn)與能源公司資產(chǎn)的關(guān)鍵前提。因此,確�；ぱb置及其設(shè)備平穩(wěn)、安全地運(yùn)作就成為了世界各大化工企業(yè)的首要任務(wù)。各公司都大大加強(qiáng)了防范意識(shí),并對(duì)化工裝置的風(fēng)險(xiǎn)評(píng)估辦法進(jìn)行積極研究。本文以大數(shù)據(jù)分析技術(shù)為核心,構(gòu)建了一套化工裝置平穩(wěn)度實(shí)時(shí)預(yù)測(cè)的模型。該模型首次將spark大數(shù)據(jù)分析技術(shù)成功應(yīng)用于化工裝置穩(wěn)定性監(jiān)測(cè)領(lǐng)域。在這套化...

【文章頁數(shù)】：78 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1. 引言
    1.1 研究背景與意義
        1.1.1 項(xiàng)目研究背景
        1.1.2 項(xiàng)目研究意義
    1.2 研究現(xiàn)狀分析
    1.3 論文內(nèi)容及結(jié)構(gòu)概述
2. 相關(guān)理論基礎(chǔ)
    2.1 Spark大數(shù)據(jù)計(jì)算框架
        2.1.1 RDD概念
        2.1.2 Spark編程模型
        2.1.3 Spark架構(gòu)
        2.1.4 Driver程序在Spark架構(gòu)中的運(yùn)行流程
    2.2 Spark Streaming流式數(shù)據(jù)處理框架
        2.2.1 Spark Streaming與Storm的比較
    2.3 Kafka分布式消息隊(duì)列
        2.3.1 Kafka的整體架構(gòu)
        2.3.2 Kafka的使用場(chǎng)景
    2.4 分布式存儲(chǔ)系統(tǒng)HBASE
        2.4.1 HBase的概念
        2.4.2 HBase存儲(chǔ)機(jī)制
        2.4.3 HBase與RDBMS的比較
    2.5 內(nèi)存數(shù)據(jù)庫REDIS
    2.6 分布式協(xié)調(diào)服務(wù)Zookeeper
        2.6.1 Zookeeper的作用和特點(diǎn)
        2.6.2 Zookeeper的角色及其作用
        2.6.3 Zookeeper工作原理
    2.7 分布式計(jì)算工具集AKKA
        2.7.1 Actor與消息傳遞
        2.7.2 Akka對(duì)Actor模型的發(fā)展
3. 模型訓(xùn)練模塊的設(shè)計(jì)
    3.1 數(shù)據(jù)清洗規(guī)則的設(shè)計(jì)
        3.1.1 初步取數(shù)
        3.1.2 過濾小波動(dòng)數(shù)據(jù)
        3.1.3 數(shù)據(jù)時(shí)間錯(cuò)位處理
        3.1.4 去除目標(biāo)位號(hào)不存在時(shí)間的數(shù)據(jù)
        3.1.5 獲取數(shù)據(jù)量豐富的自變量數(shù)據(jù)
        3.1.6 保證記錄的邏輯有效性
        3.1.7 行轉(zhuǎn)列規(guī)則
    3.2 相關(guān)性分析的實(shí)現(xiàn)
        3.2.1 斯皮爾曼等級(jí)相關(guān)
        3.2.2 相關(guān)性定量分析
    3.3 模型訓(xùn)練過程
    3.4 本章工作小結(jié)
4. 實(shí)時(shí)預(yù)測(cè)模塊的設(shè)計(jì)
    4.1 設(shè)計(jì)思路分析
        4.1.1 kafka的應(yīng)用
        4.1.2 Spark Streaming流式數(shù)據(jù)處理框架
        4.1.3 Redis的應(yīng)用
        4.1.4 Akka的應(yīng)用
        4.1.5 預(yù)測(cè)值的得出和處理
    4.2 本章工作小結(jié)
5. 算法的比較與調(diào)整
    5.1 神經(jīng)網(wǎng)絡(luò)算法的嘗試
    5.2 隨機(jī)森林算法的嘗試
    5.3 其他方法的嘗試
        5.3.1 梯度樹提升算法的嘗試
        5.3.2 改變模型時(shí)差的嘗試
        5.3.3 自相關(guān)位號(hào)的確定
    5.4 本章工作小結(jié)
6. 數(shù)據(jù)展示分析模塊的設(shè)計(jì)
    6.1 模塊功能說明
    6.2 系統(tǒng)功能
        6.2.1 單位字典
        6.2.2 規(guī)則列表
        6.2.3 流程列表
        6.2.4 模型列表
        6.2.5 位號(hào)列表
        6.2.6 設(shè)備列表
        6.2.7 裝置列表
        6.2.8 其他數(shù)據(jù)展示界面
    6.3 數(shù)據(jù)操作功能
        6.3.1 流程指定功能
        6.3.2 位號(hào)預(yù)測(cè)功能
        6.3.3 儀表失征檢測(cè)
        6.3.4 短信發(fā)送設(shè)置
        6.3.5 系統(tǒng)日志記錄
        6.3.6 裝置平穩(wěn)度預(yù)測(cè)
        6.3.7 模型準(zhǔn)確率統(tǒng)計(jì)
    6.4 系統(tǒng)整體架構(gòu)
    6.5 本章工作小結(jié)
參考文獻(xiàn)
作者簡(jiǎn)歷及攻讀碩士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集



本文編號(hào)：3775914