流程工業(yè)生產(chǎn)過程中的一些關(guān)鍵變量或指標(biāo)是生產(chǎn)穩(wěn)定、安全運(yùn)行的重要體現(xiàn)�，F(xiàn)場人員需要對某些特別關(guān)注的變量進(jìn)行監(jiān)察,從而實(shí)時控制整個生產(chǎn)過程,最終達(dá)到穩(wěn)定運(yùn)行的目的。但是,在真實(shí)的工業(yè)生產(chǎn)環(huán)境下,一些重要指標(biāo)變量無法實(shí)時監(jiān)測或全面監(jiān)測,使得對生產(chǎn)過程整體的實(shí)時調(diào)控難以實(shí)現(xiàn),因此建立有效的、穩(wěn)定的生產(chǎn)過程變量預(yù)測模型對生產(chǎn)過程變量進(jìn)行實(shí)時預(yù)測顯得尤為關(guān)鍵�；跀�(shù)據(jù)驅(qū)動的方法只需要通過建立工業(yè)過程系統(tǒng)中輸入-輸出變量的關(guān)系模型來達(dá)到預(yù)測的目的,無須關(guān)注生產(chǎn)過程的機(jī)理信息,因此本文針對基于數(shù)據(jù)驅(qū)動的生產(chǎn)過程變量預(yù)測建模中的特征選擇方法和建模方法進(jìn)行了深入的研究,具體研究工作如下:（1）傳統(tǒng)的基于相關(guān)性分析的特征選擇方法在分析變量相關(guān)性時,未考慮變量間的時滯影響,使得分析結(jié)果的準(zhǔn)確度嚴(yán)重降低,導(dǎo)致不能對輸入變量進(jìn)行有效的選擇,這不利于后續(xù)的預(yù)測建模。因此,本文提出了基于交叉相關(guān)性分析的灰色關(guān)聯(lián)分析法,通過基于交叉相關(guān)性的時滯計(jì)算法確定變量間的時滯,再將此作為輸入?yún)?shù)引入至灰色關(guān)聯(lián)分析法中,計(jì)算變量間的相關(guān)聯(lián)度并選出與目標(biāo)變量最為相關(guān)的變量,有效的消除了時滯對于變量相關(guān)性分析的干擾。通過對具體案例和... 

【文章來源】：杭州電子科技大學(xué)浙江省

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.1分層網(wǎng)絡(luò)

?杭州電子科技大學(xué)碩士學(xué)位論文性自回歸）神經(jīng)網(wǎng)絡(luò)便應(yīng)運(yùn)而生。??２．３．１?ＮＡＲＸ神經(jīng)網(wǎng)絡(luò)??ＮＡＲＸ神經(jīng)網(wǎng)絡(luò)稱為帶外部輸入的非線性自回歸的神經(jīng)網(wǎng)絡(luò)，是一種具有“記憶”特的神經(jīng)網(wǎng)絡(luò)。ＮＡＲＸ神經(jīng)網(wǎng)絡(luò)通過輸入變量的延時輸入以及輸出變量的延時反饋接入使得出的當(dāng)前量與歷史值有效的連結(jié)起來，這也正是ＮＡＲＸ神經(jīng)網(wǎng)絡(luò)“記憶”特性的緣由所在而ＮＡＲＸ神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)圖如圖２．２所示。??

的神經(jīng)網(wǎng)絡(luò)。ＮＡＲＸ神經(jīng)網(wǎng)絡(luò)通過輸入變量的延時輸入以及輸出變量的延時反饋接入使得輸??出的當(dāng)前量與歷史值有效的連結(jié)起來，這也正是ＮＡＲＸ神經(jīng)網(wǎng)絡(luò)“記憶”特性的緣由所在。??而ＮＡＲＸ神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)圖如圖２．２所示。??圖２．２?ＮＡＲＸ神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖??ＮＡＲＸ神經(jīng)網(wǎng)絡(luò)模型一般由輸入層、隱藏層、輸出層三個部分組成。輸入層的延時環(huán)節(jié)??是ＮＡＲＸ神經(jīng)網(wǎng)絡(luò)區(qū)別于其他神經(jīng)網(wǎng)絡(luò)的特別之處。其中，輸入延遲比值用１：？表示，而??則表示輸出反饋的延時比值。ｗ是權(quán)值，６為偏移量。其數(shù)學(xué)模型則可用式（２．１）表示：??：Ｋ０?＝?／?Ｗ?－１），外－２），…，外－Ｗ），－１），?－?２），…冰－？））?（２．１）??其中，／表示時間點(diǎn)，《、ｗ分別表示輸入延時比值和輸出反饋延時比值。??由式（２．１）可知，／時刻輸出值冰）取決于＇－１至?xí)r刻的輸入值以及ｆ－１至Ｚ－７７７時刻??的輸出值，涉及到網(wǎng)絡(luò)的過往狀態(tài)和實(shí)時狀態(tài)。其本質(zhì)上是加入輸入延遲和輸出反饋延遲的??ＢＰ神經(jīng)網(wǎng)絡(luò)。??２．３．２?ＬＳＴＭ－ＲＮＮ?模型??在實(shí)際的訓(xùn)練過程中，淺層神經(jīng)網(wǎng)絡(luò)存在很大的局限，一方面是模型學(xué)習(xí)能力的局限，??另一方面是模型的效果十分依賴于所提供的特征。而深度學(xué)習(xí)是在原有的淺層神經(jīng)網(wǎng)絡(luò)的基??礎(chǔ)上發(fā)展和集成而來［５５］。通過對特征的多層變換和非線性映射

【參考文獻(xiàn)】：
期刊論文
[1]煤礦綜采工作面瓦斯?jié)舛阮A(yù)測模型[J]. 李歡,賈佳,楊秀宇,宋春儒.  工礦自動化. 2018(12)
[2]關(guān)于深度學(xué)習(xí)的綜述與討論[J]. 胡越,羅東陽,花奎,路海明,張學(xué)工.  智能系統(tǒng)學(xué)報(bào). 2019(01)
[3]高斯過程回歸模型在河流水溫模擬中的應(yīng)用[J]. 朱森林,吳時強(qiáng).  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(10)
[4]基于長短期記憶神經(jīng)網(wǎng)絡(luò)的火電廠NOx排放預(yù)測模型[J]. 楊國田,張濤,王英男,李新利,劉禾.  熱力發(fā)電. 2018(10)
[5]基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的鋼絲繩斷絲定量檢測方法[J]. 劉志懷,秦芳,劉娜,黃祖坤,劉學(xué)斌.  振動與沖擊. 2018(18)
[6]智能工廠綜述[J]. 張泉靈,洪艷萍.  自動化儀表. 2018(08)
[7]流程工業(yè)智能優(yōu)化制造[J]. 柴天佑,丁進(jìn)良.  中國工程科學(xué). 2018(04)
[8]基于多維變量篩選-非參數(shù)組合回歸的長期負(fù)荷概率預(yù)測模型[J]. 彭虹橋,顧潔,宋柄兵,馬睿,時亞軍.  電網(wǎng)技術(shù). 2018(06)
[9]基于LSTM-RNN模型的鐵水硅含量預(yù)測[J]. 李澤龍,楊春節(jié),劉文輝,周恒,李宇軒.  化工學(xué)報(bào). 2018(03)
[10]基于NARX神經(jīng)網(wǎng)絡(luò)的高爐冶煉過程Si元素的預(yù)測與智能控制[J]. 吳濤,吳崇,曹加旺,王一煜,張少杰,朱媛.  當(dāng)代化工. 2017(09)

博士論文
[1]數(shù)據(jù)驅(qū)動技術(shù)及其在聚丙烯生產(chǎn)過程中的應(yīng)用研究[D]. 夏陸岳.浙江工業(yè)大學(xué) 2012
[2]煉焦過程綜合生產(chǎn)目標(biāo)的智能預(yù)測與協(xié)調(diào)優(yōu)化研究[D]. 王偉.中南大學(xué) 2011
[3]鋅冶煉除鈷過程建模與智能優(yōu)化方法研究及應(yīng)用[D]. 朱紅求.中南大學(xué) 2010

碩士論文
[1]工業(yè)過程非線性因果分析研究[D]. 楊雨曦.浙江大學(xué) 2018
[2]基于深度學(xué)習(xí)的熱軋產(chǎn)品性能預(yù)報(bào)研究[D]. 李貝貝.武漢科技大學(xué) 2018
[3]基于BP神經(jīng)網(wǎng)絡(luò)的IC反應(yīng)器廢水處理系統(tǒng)預(yù)測研究[D]. 唐靜.西南交通大學(xué) 2018
[4]基于主成分分析的Laplace變換降維及其應(yīng)用[D]. 趙亞亞.蘭州大學(xué) 2018
[5]基于LSTM深度神經(jīng)網(wǎng)絡(luò)的股市時間序列預(yù)測精度的影響因素研究[D]. 毛景慧.暨南大學(xué) 2017
[6]基于時序分析與支持向量機(jī)的水泥熟料f-CaO含量軟測量模型研究[D]. 徐學(xué)奎.湖南大學(xué) 2017
[7]基于核獨(dú)立成分分析的復(fù)雜系統(tǒng)故障檢測與分類研究[D]. 楊澤宇.杭州電子科技大學(xué) 2017
[8]互信息多元時間序列相關(guān)分析與變量選擇[D]. 劉曉欣.大連理工大學(xué) 2013
[9]選礦生產(chǎn)指標(biāo)預(yù)測軟件人機(jī)交互界面的研發(fā)[D]. 姜波.東北大學(xué) 2013
[10]基于操作模式匹配的銅閃速熔煉過程關(guān)鍵工藝指標(biāo)預(yù)測[D]. 夏巨龍.中南大學(xué) 2013



本文編號：3509096