隨著工業(yè)化進程的推進和對產品質量要求的提升,工業(yè)生產對關鍵過程變量的監(jiān)控提出了更高的要求。工業(yè)過程大多呈現多變量的復雜動態(tài)特性,傳統(tǒng)的一元時間序列預測方法無法適應實際環(huán)境和應用的需求。多元時間序列預測考慮了多元時間序列的相互關系,對工業(yè)過程時間序列預測具有良好的應用前景。然而,面對復雜工業(yè)過程多元時間序列的非平穩(wěn)、強相關以及噪聲干擾等特性,需要開展新方法的研究,為此,本論文取得了以下主要研究成果:1.針對工業(yè)過程時間序列數據的非平穩(wěn)性問題,提出了一種改進互補集合經驗模態(tài)分解的時間序列多尺度重構方法,首先利用互補集成經驗模態(tài)分解將原始時間序列分解為多個模態(tài)分量,之后利用模糊熵-GK聚類方法將多個模態(tài)分量合并重構,得到趨勢、周期、隨機三部分,降低原始時間序列的復雜度,增強了其可分析性和可預測性。2.面對工業(yè)過程多元時間序列的強相關性和噪聲干擾問題,在傳統(tǒng)長短期記憶神經網絡的基礎上,提出了一種融合棧式降噪自編碼器的多元時間序列預測模型,可以自適應提取多元輸入變量的有用信息,剔除冗余信息,從而提高多元時間序列預測性能。3.將所提方法應用于工業(yè)甲醇精餾過程,對該過程內控制回路的控制性能指標進行預... 

【文章來源】：北京化工大學北京市211工程院校教育部直屬院校

【文章頁數】：84 頁

【學位級別】：碩士

【部分圖文】：

圖２－１改進ＣＥＥＭＤ多尺度重構流程圖??１４??

?第二章基于改進ＣＥＥＭＤ的多尺度時間序列重構方法???實驗中選取觀測點為奧體中心觀測點，提�。保埃埃敖M樣本進行ＣＥＥＭＤ時間序列分??解，分解情況如圖２－２。??１＾??ｚ?〇｜ＡＡＡ＾ＶＶ／＾ＶＡ＾ｖＶ／Ｗ／＼Ａｖｖ＾＾＾ｙｉｖＡ／ＡＡ／＾ＡｌＶＹ＾／Ｖ＾ｖ＾ｖｌ＾＾Ｗｒ＞Ｖ＾ｗＶＷ＾￣ｗＶ＾ｖ＾／＜ｙ＞／Ｗ＾ｗ＾ＡＶＩＶｖ￣ＶＷ＾ｖ＼Ｍ／＾ＡＡ／ｖｖｆＶＶ｜／Ｖｖ＾??１?．１３?＾Ｎ／Ｎ－＾＾／ｓ／Ｘｙ—＾ｆ＼ｒ＼ｒ＾＾＼ｒ＼／＼＾Ｊ＾＼ｊ＼ｌ＼＾Ｊ＼ｒＪ＼／＾＾—????？一＾?、—■—一??ｉ????－?????—?——?一?＿＝｜??〇?．１００?Ｌ???１?一???塞－ｊ§＾????￣￣￣＊？?￣?Ｊ?、？＾．一?？－一￣ｕ￣＂＇＂＇?—??ｌ．＾￣－－ｑ??ｉ?．把－?—?—二＾—一?．?．?．?－＾—－―?—??＞?ａ??ｊ？Ｔ?�。�?ｉ?＇！?：．?．．．?！?：?＾??１００?２００?３００?４０?０?５００?６００?ＴＯＯ?ＢＯＯ?９００?＜０００??Ｓａｍｐｌｅ??圖２－２?ＣＥＥＭＤ模態(tài)分解結果??Ｆｉｇ?２－２?ＣＥＥＭＤ?ｍｏｄａｌ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ?ｒｅｓｕｌｔｓ??可以觀察到分解層數為１２層，且ＩＭＦ分量的波動頻率從上到下依次降低，ＩＭＦ１２??波動頻率較低，已經可以初步反應出原始時間序列的趨勢變化情況。為了進一步的簡??化重構的復雜度，我們先通過計算模糊熵對每個模態(tài)分量進行復雜度估計，選取嵌入??維度為３，相似度

趨近于下降，這也說明隨??著ＣＥＥＭＤ的分解，各個ＩＭＦ分量更加趨近于平穩(wěn)，這也驗證了模糊熵可以用于定??量表述時間序列復雜程度》ＩＭＦ１－ＴＭＦ４波動頻率高，更靠近隨機性分量的聚類中心，??將ＩＭＦ１－ＩＭＦ４合并重構為隨機性分量；ＩＭＦ５－ＩＭＦ６復雜性不高，更靠近周期性分量??聚類中心，故可以將ＩＭＦ５－ＩＭＦ６合并重構為周期性分量；ＩＭＦ７－ＩＭＦ１２變化趨勢明顯，??更靠近趨勢性分量聚類中心，可以將其合并重構為趨勢性分量。最終得到的ＰＭ２．５??隨機性、周期性和趨勢性分量如圖２－４和表２－３所示。??表２－３?ＣＥＥＭＤ最終重構結果??Ｔａｂｌｅ?２－３?ＣＥＥＭＤ?ｆｉｎａｌ?ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ?ｒｅｓｕｌｔｓ??分解方式?趨勢性分量?周期性分量?隨機性分量??ＣＥＥＭＤ?分解?ＩＭＦ７－１ＭＦ１２?ＩＭＦ５－ＩＭＦ６?ＩＭＦ１－ＩＭＦ４??３００，￣重欄座機分量＿＿?３００?ｊ＾?ｑ后酬體??＾?２００?Ｉ?■?２的?ｊ?Ｉ??［：麵觸??？２００??１?＇???１??－３００??１???＾?１???０?２００?４００?６００?８００?１０００?０?２００?４００?６００?８００?１０００??Ｓａｍｐｌｅ?Ｓａｍｐｌｅ??重構后趨勢分Ｍ??１：１?Ａ?Ａ?＾??ｆ?：ｌ／?Ｖ?＾??－５０?＇?＇?１?＇???０?２００?４００?６００?８００?１０００??Ｓａｍｐｌｅ??圖２－４重構后分量情況??Ｆｉｇ?２－４?Ｒｅｃｏｎｓｔｒｕｃｔｅｄ?ｃｏｍｐｏｎｅｎｔ?ｓｉｔｕａｔｉｏｎ??由上圖可知，趨勢性分量變換

【參考文獻】：
期刊論文
[1]改進型LSTM網絡光伏發(fā)電功率預測研究[J]. 葉興,薛家祥.  中國測試. 2019(11)
[2]基于灰色關聯度和ELM的軸承性能退化趨勢預測[J]. 楊超,楊曉霞,李靈飛.  組合機床與自動化加工技術. 2019(11)
[3]淺談甲醇的合成及下游產品[J]. 朱冬梅,張?zhí)m霞.  廣州化工. 2019(20)
[4]爆破振動信號分析中模態(tài)混疊和虛假分量消除的改進方法[J]. 李清,徐文龍,張迪,李娜,馮丹丹.  振動與沖擊. 2019(17)
[5]基于LSTM-Attention網絡的短期風電功率預測[J]. 錢勇生,邵潔,季欣欣,李曉瑞,莫晨,程其玉.  電機與控制應用. 2019(09)
[6]基于PCA-PNN原理的巖爆烈度分級預測方法[J]. 吳順川,張晨曦,成子橋.  煤炭學報. 2019(09)
[7]甲醇合成工藝過程及操作控制的優(yōu)化問題[J]. 倪靜.  中國石油和化工標準與質量. 2019(14)
[8]基于門控循環(huán)單元神經網絡的金融時間序列預測[J]. 張金磊,羅玉玲,付強.  廣西師范大學學報(自然科學版). 2019(02)
[9]時間序列預測技術綜述[J]. 何亞磊,許乾坤.  信息通信. 2018(11)
[10]大數據：數據驅動的過程質量控制與改進新視角[J]. 任明侖,宋月麗.  計算機集成制造系統(tǒng). 2019(11)

博士論文
[1]多元時間序列的分割方法及拐點識別研究[D]. 孫竹斌.大連理工大學 2017
[2]基于機器學習的時間序列預測方法研究與應用[D]. 陳艷華.蘭州大學 2017

碩士論文
[1]基于混合模型的股票趨勢預測方法研究[D]. 吳少聰.哈爾濱工業(yè)大學 2017



本文編號：3639495