發(fā)布時間：2022-04-28 19:33

　　在鋁電解槽長期生產(chǎn)過程中,積累了大量的控制、測量、化驗數(shù)據(jù),通過對這些海量的數(shù)據(jù)進行挖掘分析可以從宏觀角度了解電解槽整體發(fā)展趨勢和槽況的變化及分類,為工藝技術(shù)人員進行電解槽生產(chǎn)管理提供分析依據(jù)。本文主要采用時間序列聚類算法對鋁電解槽歷史生產(chǎn)數(shù)據(jù)進行挖掘分析并可視化展示,包括整體時間序列聚類和時間序列子序列聚類,找出不同電解槽生產(chǎn)之間的相似性和關(guān)聯(lián)性,并對生產(chǎn)狀態(tài)進行異常檢測,從而實現(xiàn)鋁電解槽生產(chǎn)數(shù)據(jù)的多維分析和時間序列聚類分析。1.按照工廠、車間、工區(qū)的層級關(guān)系對大量鋁電解槽的原始生產(chǎn)數(shù)據(jù)進行預處理,包括異常統(tǒng)計、相關(guān)性分析、主成分分析等,并通過多種圖表進行直觀的展示。2.選取DTW（Dynamic Time Warping,動態(tài)時間規(guī)整）算法作為時間序列距離度量,采用層次聚類算法對鋁電解槽時間序列數(shù)據(jù)進行整體時間序列聚類,采用模糊聚類算法進行時間序列子序列聚類并實現(xiàn)異常檢測,最后將聚類結(jié)果進行可視化展示。3.時間序列子序列聚類之前需對時間序列進行分割,本文在傳統(tǒng)的基于特殊點的時間序列分割算法上,提出了一種基于趨勢轉(zhuǎn)折點邊界面積的時間序列分割算法,并與傳統(tǒng)的算法在公共數(shù)據(jù)集上進行了性能... 

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題來源及研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 鋁電解數(shù)據(jù)挖掘研究現(xiàn)狀
        1.2.2 時間序列聚類研究現(xiàn)狀
        1.2.3 時間序列分割算法研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第二章 時間序列聚類算法概述
    2.1 時間序列相似性度量
        2.1.1 歐式距離
        2.1.2 動態(tài)時間規(guī)整
        2.1.3 基于編輯距離的度量方法
    2.2 常用聚類算法
        2.2.1 基于劃分的聚類
        2.2.2 基于層次的聚類
        2.2.3 基于密度的聚類
        2.2.4 基于網(wǎng)格的聚類
        2.2.5 基于模型的聚類
    2.3 本章小結(jié)
第三章 鋁電解槽數(shù)據(jù)預處理及特征分析
    3.1 鋁電解槽數(shù)據(jù)介紹
    3.2 鋁電解槽數(shù)據(jù)分析
        3.2.1 數(shù)據(jù)分布
        3.2.2 數(shù)據(jù)統(tǒng)計
        3.2.3 異常值處理
        3.2.4 數(shù)據(jù)歸一化
    3.3 鋁電解槽特征分析
        3.3.1 相關(guān)性分析
        3.3.2 主成分分析
    3.4 本章小結(jié)
第四章 鋁電解槽整體時間序列聚類
    4.1 聚類特征參數(shù)選取
    4.2 AGNES層次聚類
    4.3 實驗分析及評價指標
    4.4 本章小結(jié)
第五章 鋁電解槽時間序列子序列聚類
    5.1 時間序列分割算法
    5.2 基于趨勢轉(zhuǎn)折點邊界面積的時間序列分割算法
        5.2.1 相關(guān)定義
        5.2.2 算法設(shè)計
        5.2.3 算法比較
    5.3 FCM模糊聚類
        5.3.1 FCM算法簡介
        5.3.2 基于DTW的 FCM聚類中心計算
        5.3.3 基于模糊聚類的異常檢測
    5.4 實驗分析
    5.5 本章小結(jié)
第六章 鋁電解槽時間序列聚類系統(tǒng)設(shè)計及可視化展示
    6.1 系統(tǒng)功能圖
    6.2 開發(fā)環(huán)境
        6.2.1 系統(tǒng)架構(gòu)
        6.2.2 可視化框架
        6.2.3 數(shù)據(jù)存儲
    6.3 數(shù)據(jù)分析可視化
        6.3.1 數(shù)據(jù)分布
        6.3.2 數(shù)據(jù)統(tǒng)計
        6.3.3 數(shù)據(jù)處理
    6.4 特征工程可視化
        6.4.1 相關(guān)性分析
        6.4.2 PCA降維
        6.4.3 序列分割
    6.5 聚類可視化
        6.5.1 鋁電解槽時間序列全序列聚類
        6.5.2 鋁電解槽子序列聚類及異常檢測
    6.6 本章小結(jié)
第七章 總結(jié)和展望
    7.1 研究總結(jié)
    7.2 研究展望
參考文獻
在學期間的研究成果
致謝


【參考文獻】：
期刊論文
[1]鋁電解生產(chǎn)智能優(yōu)化制造研究綜述[J]. 桂衛(wèi)華,岳偉超,謝永芳,張紅亮,陽春華.  自動化學報. 2018(11)
[2]鋁電解關(guān)鍵指標預測方法的研究與應用[J]. 陳勇,周曉鋒,李帥.  計算機工程與應用. 2019(12)
[3]NEUI600kA超大容量鋁電解槽技術(shù)應用與行業(yè)進步[J]. 鄧文強.  世界有色金屬. 2018(08)
[4]鋁電解生產(chǎn)過程中氧化鋁濃度的控制[J]. 王佐邦,李呈明,賀文毅.  有色金屬設(shè)計. 2018(02)
[5]基于聚類分析的鋁電解槽陽極壓降的分類[J]. 吳榮強,李晉宏.  軟件. 2018(03)
[6]基于數(shù)據(jù)的鋁電解槽氧化鋁濃度預測[J]. 崔桂梅,楊海靳,劉丕亮,于凱.  計算機仿真. 2018(02)
[7]時間序列數(shù)據(jù)挖掘中的動態(tài)時間彎曲研究綜述[J]. 李海林,梁葉,王少春.  控制與決策. 2018(08)
[8]大型鋁電解槽技術(shù)升級改造與應用[J]. 胡紅武,曹曦.  輕金屬. 2017(05)
[9]基于槽況分類的鋁電解電流效率預測研究[J]. 崔桂梅,薛法遠,劉丕亮.  計算機仿真. 2017(01)
[10]時間序列數(shù)據(jù)挖掘的相似性度量綜述[J]. 陳海燕,劉晨暉,孫博.  控制與決策. 2017(01)



本文編號：3649394