石油作為重要的化石能源之一,是國(guó)民經(jīng)濟(jì)的重要支柱。然而我國(guó)在石油能源消耗方面存在著能源消耗量大、能源利用率低的現(xiàn)狀。在國(guó)家發(fā)布的石油“十三五”規(guī)劃以及煉油廠經(jīng)濟(jì)效益、環(huán)境效益的雙重需求下,本文依托國(guó)家自然科學(xué)基金重大項(xiàng)目課題“煉油生產(chǎn)過程全局優(yōu)化運(yùn)行的實(shí)驗(yàn)平臺(tái)與應(yīng)用驗(yàn)證”,結(jié)合渣油加氫裝置的過程數(shù)據(jù)進(jìn)行深度學(xué)習(xí)技術(shù)的工業(yè)應(yīng)用探索,并形成移動(dòng)端的生產(chǎn)監(jiān)控平臺(tái)幫助基層現(xiàn)場(chǎng)工作人員實(shí)時(shí)監(jiān)控生產(chǎn)過程和指標(biāo)。本文以建立渣油加氫過程的新氫流量預(yù)測(cè)模型為目標(biāo),結(jié)合特征篩選、時(shí)序處理等預(yù)處理手段,主要進(jìn)行了如下的研究工作:（1）為準(zhǔn)確預(yù)測(cè)未來一段時(shí)間內(nèi)裝置運(yùn)行所需的新氫流量,本文基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short Term Memory,LSTM）和門控循環(huán)單元網(wǎng)絡(luò)結(jié)構(gòu)（Gated Recurrent Unit,GRU）建立了新氫流量預(yù)測(cè)模型。經(jīng)過數(shù)據(jù)預(yù)處理、特征選擇、建模分析、模型測(cè)試與分析比較后,驗(yàn)證了循環(huán)神經(jīng)網(wǎng)絡(luò)回歸模型在機(jī)理復(fù)雜、大時(shí)滯工業(yè)場(chǎng)景下的優(yōu)越性和有效性。（2）本文建立了具有深層結(jié)構(gòu)的GRU預(yù)測(cè)模型。在相同的參數(shù)條件和數(shù)據(jù)集上,相比淺層結(jié)構(gòu)的GRU預(yù)測(cè)模型,深度GRU預(yù)測(cè)模型... 

【文章來源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

70萬(wàn)噸/年渣油加氫原則流程圖

，，特征的回歸系數(shù)，；Ｉ為正則系數(shù)。系數(shù)Ａ的作用在于控制估計(jì)模型的稀疏程度，其值越??大，得到的估計(jì)模型就越稀疏。同時(shí)，系數(shù)Ａ的數(shù)值同時(shí)會(huì)影響到模型的擬合效果，??應(yīng)當(dāng)結(jié)合實(shí)際數(shù)據(jù)進(jìn)行選擇，這到篩選特征的目的。??２．４建模方法??２．４．１循環(huán)神經(jīng)網(wǎng)絡(luò)??循環(huán)神經(jīng)網(wǎng)絡(luò)（Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，?ＲＮＮ）是一類處理時(shí)序數(shù)據(jù)的神經(jīng)??網(wǎng)絡(luò)模型。時(shí)序數(shù)據(jù)是具有時(shí)序相關(guān)性的數(shù)據(jù)，也就是說，歷史時(shí)刻狀態(tài)的影響具有??持續(xù)性。對(duì)于某個(gè)語(yǔ)句中下一個(gè)單詞文本的預(yù)測(cè)任務(wù)而言，必須要掌握句子本身的語(yǔ)??境，這個(gè)語(yǔ)境就是指上下文環(huán)境，即前面的語(yǔ)句內(nèi)容。循環(huán)神經(jīng)網(wǎng)絡(luò)認(rèn)為每個(gè)時(shí)序樣??本與前面時(shí)刻的樣本存在關(guān)聯(lián)｜５（）］，其隱含層的神經(jīng)元具有反饋機(jī)制，在處理當(dāng)前數(shù)??據(jù)時(shí)會(huì)融合歷史信息，這就實(shí)現(xiàn)了上下文信息的傳遙。正是這種思想使得ＲＮＮ相比??傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型而言，處理時(shí)序數(shù)據(jù)具有天然更優(yōu)秀的表現(xiàn)。??

Ｏｕｔｐｕｔ?Ｌａｙｅｒ??—?Ｃｆ??圖２－１?ＲＮＮ結(jié)構(gòu)圖??傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖２－１?ＲＮＮ結(jié)構(gòu)圖所示。ＲＮＮ網(wǎng)絡(luò)的基本結(jié)構(gòu)由三個(gè)??部分組成：輸入層、隱含層和輸出層。ＲＮＮ信息傳遞的核心思想體現(xiàn)在其隱藏層結(jié)??１３??

【參考文獻(xiàn)】：
期刊論文
[1]半監(jiān)督學(xué)習(xí)理論及其研究進(jìn)展概述[J]. 屠恩美,楊杰.  上海交通大學(xué)學(xué)報(bào). 2018(10)
[2]基于深度集成支持向量機(jī)的工業(yè)過程軟測(cè)量方法[J]. 馬建,鄧曉剛,王磊.  化工學(xué)報(bào). 2018(03)
[3]基于Python的大規(guī)模復(fù)雜優(yōu)化問題求解平臺(tái)設(shè)計(jì)與應(yīng)用[J]. 韓彪,王潮,高小永,江永亨,黃德先.  計(jì)算機(jī)與應(yīng)用化學(xué). 2018(01)
[4]人工神經(jīng)網(wǎng)絡(luò)在化工過程中的應(yīng)用進(jìn)展[J]. 宋泓陽(yáng),孫曉巖,項(xiàng)曙光.  化工進(jìn)展. 2016(12)
[5]基于Lasso類方法在時(shí)間序列變量選擇中的應(yīng)用[J]. 楊麗娟,馬云艷.  魯東大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(01)
[6]渣油加氫技術(shù)應(yīng)用現(xiàn)狀及發(fā)展前景[J]. 任文坡,李雪靜.  化工進(jìn)展. 2013(05)
[7]數(shù)據(jù)預(yù)處理方法對(duì)模糊C均值聚類的影響[J]. 劉麗輕,丁巧林,張鐵峰,陳健.  電力科學(xué)與工程. 2011(08)
[8]基于支持向量機(jī)的股票價(jià)格預(yù)測(cè)研究[J]. 楊新斌,黃曉娟.  計(jì)算機(jī)仿真. 2010(09)
[9]一種基于時(shí)序誤差補(bǔ)償?shù)膭?dòng)態(tài)軟測(cè)量建模方法[J]. 杜文莉,官振強(qiáng),錢鋒.  化工學(xué)報(bào). 2010(02)
[10]渣油加氫脫硫反應(yīng)動(dòng)力學(xué)物理模型的建立[J]. 馬成國(guó),翁惠新.  化學(xué)世界. 2008(06)

博士論文
[1]工業(yè)過程數(shù)據(jù)隱變量回歸建模及應(yīng)用[D]. 鄭俊華.浙江大學(xué) 2018
[2]基于序列深度學(xué)習(xí)的視頻分析：建模表達(dá)與應(yīng)用[D]. 沈旭.中國(guó)科學(xué)技術(shù)大學(xué) 2017
[3]煉油企業(yè)氫氣系統(tǒng)優(yōu)化研究及應(yīng)用[D]. 焦云強(qiáng).浙江大學(xué) 2013
[4]軟測(cè)量建模方法研究及其工業(yè)應(yīng)用[D]. 傅永峰.浙江大學(xué) 2007

碩士論文
[1]基于LSTM的蠟油加氫裝置動(dòng)態(tài)建模研究與WEB平臺(tái)構(gòu)建[D]. 胡碧霞.浙江大學(xué) 2018
[2]激活函數(shù)導(dǎo)向的RNN算法優(yōu)化[D]. 張堯.浙江大學(xué) 2017
[3]基于LSTM的語(yǔ)義關(guān)系分類研究[D]. 胡新辰.哈爾濱工業(yè)大學(xué) 2015
[4]安慶石化車用汽油、柴油質(zhì)量分析和改進(jìn)實(shí)施研究[D]. 吳心冰.合肥工業(yè)大學(xué) 2014
[5]基于三層結(jié)構(gòu)的系統(tǒng)開發(fā)方法與應(yīng)用研究[D]. 李明.河海大學(xué) 2004



本文編號(hào)：3090855