發(fā)布時間：2021-11-21 07:59

　　流程工業(yè)生產(chǎn)過程中的一些關(guān)鍵變量或指標是生產(chǎn)穩(wěn)定、安全運行的重要體現(xiàn)�，F(xiàn)場人員需要對某些特別關(guān)注的變量進行監(jiān)察,從而實時控制整個生產(chǎn)過程,最終達到穩(wěn)定運行的目的。但是,在真實的工業(yè)生產(chǎn)環(huán)境下,一些重要指標變量無法實時監(jiān)測或全面監(jiān)測,使得對生產(chǎn)過程整體的實時調(diào)控難以實現(xiàn),因此建立有效的、穩(wěn)定的生產(chǎn)過程變量預測模型對生產(chǎn)過程變量進行實時預測顯得尤為關(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)系模型來達到預測的目的,無須關(guān)注生產(chǎn)過程的機理信息,因此本文針對基于數(shù)據(jù)驅(qū)動的生產(chǎn)過程變量預測建模中的特征選擇方法和建模方法進行了深入的研究,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)果的準確度嚴重降低,導致不能對輸入變量進行有效的選擇,這不利于后續(xù)的預測建模。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,計算變量間的相關(guān)聯(lián)度并選出與目標變量最為相關(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】：杭州電子科技大學浙江省

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

圖2.1分層網(wǎng)絡

?杭州電子科技大學碩士學位論文性自回歸）神經(jīng)網(wǎng)絡便應運而生。??２．３．１?ＮＡＲＸ神經(jīng)網(wǎng)絡??ＮＡＲＸ神經(jīng)網(wǎng)絡稱為帶外部輸入的非線性自回歸的神經(jīng)網(wǎng)絡，是一種具有“記憶”特的神經(jīng)網(wǎng)絡。ＮＡＲＸ神經(jīng)網(wǎng)絡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“記憶”特性的緣由所在而ＮＡＲＸ神經(jīng)網(wǎng)絡的模型結(jié)構(gòu)圖如圖２．２所示。??

的神經(jīng)網(wǎng)絡。ＮＡＲＸ神經(jīng)網(wǎng)絡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“記憶”特性的緣由所在。??而ＮＡＲＸ神經(jīng)網(wǎng)絡的模型結(jié)構(gòu)圖如圖２．２所示。??圖２．２?ＮＡＲＸ神經(jīng)網(wǎng)絡模型結(jié)構(gòu)圖??ＮＡＲＸ神經(jīng)網(wǎng)絡模型一般由輸入層、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)絡區(qū)別于其他神經(jīng)網(wǎng)絡的特別之處。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，《、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至時刻的輸入值以及ｆ－１至Ｚ－７７７時刻??的輸出值，涉及到網(wǎng)絡的過往狀態(tài)和實時狀態(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。??２．３．２?ＬＳＴＭ－ＲＮＮ?模型??在實際的訓練過程中，淺層神經(jīng)網(wǎng)絡存在很大的局限，一方面是模型學習能力的局限，??另一方面是模型的效果十分依賴于所提供的特征。而深度學習是在原有的淺層神經(jīng)網(wǎng)絡的基??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】：
期刊論文
[1]煤礦綜采工作面瓦斯?jié)舛阮A測模型[J]. 李歡,賈佳,楊秀宇,宋春儒.  工礦自動化. 2018(12)
[2]關(guān)于深度學習的綜述與討論[J]. 胡越,羅東陽,花奎,路海明,張學工.  智能系統(tǒng)學報. 2019(01)
[3]高斯過程回歸模型在河流水溫模擬中的應用[J]. 朱森林,吳時強.  華中科技大學學報(自然科學版). 2018(10)
[4]基于長短期記憶神經(jīng)網(wǎng)絡的火電廠NOx排放預測模型[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,丁進良.  中國工程科學. 2018(04)
[8]基于多維變量篩選-非參數(shù)組合回歸的長期負荷概率預測模型[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測[J]. 李澤龍,楊春節(jié),劉文輝,周恒,李宇軒.  化工學報. 2018(03)
[10]基于NARX神經(jīng)網(wǎng)絡的高爐冶煉過程Si元素的預測與智能控制[J]. 吳濤,吳崇,曹加旺,王一煜,張少杰,朱媛.  當代化工. 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)過程中的應用研究[D]. 夏陸岳.浙江工業(yè)大學 2012
[2]煉焦過程綜合生產(chǎn)目標的智能預測與協(xié)調(diào)優(yōu)化研究[D]. 王偉.中南大學 2011
[3]鋅冶煉除鈷過程建模與智能優(yōu)化方法研究及應用[D]. 朱紅求.中南大學 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 2018
[2]基于深度學習的熱軋產(chǎn)品性能預報研究[D]. 李貝貝.武漢科技大學 2018
[3]基于BP神經(jīng)網(wǎng)絡的IC反應器廢水處理系統(tǒng)預測研究[D]. 唐靜.西南交通大學 2018
[4]基于主成分分析的Laplace變換降維及其應用[D]. 趙亞亞.蘭州大學 2018
[5]基于LSTM深度神經(jīng)網(wǎng)絡的股市時間序列預測精度的影響因素研究[D]. 毛景慧.暨南大學 2017
[6]基于時序分析與支持向量機的水泥熟料f-CaO含量軟測量模型研究[D]. 徐學奎.湖南大學 2017
[7]基于核獨立成分分析的復雜系統(tǒng)故障檢測與分類研究[D]. 楊澤宇.杭州電子科技大學 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 2013
[9]選礦生產(chǎn)指標預測軟件人機交互界面的研發(fā)[D]. 姜波.東北大學 2013
[10]基于操作模式匹配的銅閃速熔煉過程關(guān)鍵工藝指標預測[D]. 夏巨龍.中南大學 2013



本文編號：3509096