本文關(guān)鍵詞：基于小波分析的氧化鋁配料過程非平穩(wěn)時(shí)間序列預(yù)測，由筆耕文化傳播整理發(fā)布。

【摘要】：生料漿配料是燒結(jié)法氧化鋁生產(chǎn)的第一道工序,其配制的生料漿指標(biāo)的好壞不僅會(huì)影響整個(gè)工藝流程的堿平衡和水平衡,而且會(huì)關(guān)系到最終產(chǎn)品氧化鋁的質(zhì)量,所以生料漿的配制至關(guān)重要。在實(shí)際的配料過程中,為了降低能耗和提高對原料的利用率,往往會(huì)將后續(xù)脫硅環(huán)節(jié)的硅渣返回到配料工序。然而,硅渣成分含量波動(dòng)很大,檢測結(jié)果嚴(yán)重滯后,致使配比不能及時(shí)、準(zhǔn)確地調(diào)整,生料漿合格率低。因此,研究如何建立有效的硅渣成分預(yù)測模型以實(shí)現(xiàn)實(shí)時(shí)預(yù)測就顯得尤為重要。本文以某氧化鋁廠的生料漿配料過程為背景,主要研究了返料硅渣成分混合預(yù)測模型的搭建、分析及預(yù)測。主要研究工作如下:(1)針對返料硅渣時(shí)間序列的特點(diǎn),綜合采用樣本自相關(guān)、DF和ADF三種檢測方法,判定硅渣成分時(shí)間序列的平穩(wěn)性,分析其短期和長期的變化趨勢和規(guī)律。研究選取最優(yōu)小波函數(shù)及合理的分解層數(shù),進(jìn)行小波多尺度分解。(2)根據(jù)不同尺度上的數(shù)據(jù)特點(diǎn),分別構(gòu)建不同的預(yù)測模型,波動(dòng)性較大的高頻序列采用經(jīng)典ARMA模型,波動(dòng)平緩的高頻采用BP神經(jīng)網(wǎng)絡(luò),而對趨勢性明顯的低頻采用非季節(jié)Holt-winter模型,然后著重對模型參數(shù)進(jìn)行優(yōu)化及進(jìn)行對應(yīng)序列的預(yù)測。(3)將不同頻率的所有預(yù)測結(jié)果進(jìn)行小波重構(gòu),提出一種混合預(yù)測模型結(jié)構(gòu),并將重構(gòu)后的預(yù)測效果與其他預(yù)測方法進(jìn)行比較。預(yù)測和對比結(jié)果表明,基于小波分析的混合預(yù)測模型能夠快速預(yù)測硅渣成分含量,相比其他的方法具有更好的預(yù)測精度,在燒結(jié)法氧化鋁生產(chǎn)過程中有較強(qiáng)的實(shí)用價(jià)值。
【關(guān)鍵詞】：時(shí)間序列 BP神經(jīng)網(wǎng)絡(luò) 混合預(yù)測模型 小波分析 ARMA模型 配料過程
【學(xué)位授予單位】：湖南工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TQ133.1;O174.2
【目錄】：

• 摘要4-5
• ABSTRACT5-9
• 第一章 緒論9-16
• 1.1 研究背景及意義9-11
• 1.2 時(shí)間序列預(yù)測的研究現(xiàn)狀11-13
• 1.3 小波分析方法的應(yīng)用現(xiàn)狀13-14
• 1.4 本文的研究內(nèi)容和結(jié)構(gòu)安排14-16
• 第二章 生料漿配料過程中的時(shí)間序列參數(shù)16-24
• 2.1 配料過程工藝簡介16-21
• 2.2 時(shí)間序列參數(shù)及其特點(diǎn)21-22
• 2.3 時(shí)間序列參數(shù)預(yù)測思想的提出22-23
• 2.4 本章小結(jié)23-24
• 第三章 時(shí)間序列參數(shù)的平穩(wěn)性檢測24-30
• 3.1 時(shí)間序列分析和平穩(wěn)性24-25
• 3.1.1 時(shí)間序列分析24-25
• 3.1.2 時(shí)間序列的平穩(wěn)性25
• 3.2 時(shí)間序列平穩(wěn)性判斷分析及檢測方法25-27
• 3.3 配料過程時(shí)間序列參數(shù)的非平穩(wěn)性檢測27-29
• 3.4 本章小結(jié)29-30
• 第四章 小波分析理論及小波函數(shù)的選取30-40
• 4.1 小波分析理論30-32
• 4.2 小波變換32-34
• 4.2.1 連續(xù)小波變換32-33
• 4.2.2 離散小波變換33-34
• 4.2.3 小波變換的特點(diǎn)34
• 4.3 多分辨分析34-37
• 4.3.1 多分辨概述35-36
• 4.3.2 小波分解與重構(gòu)36-37
• 4.3.3 小波函數(shù)選取的一般原則37
• 4.4 非平穩(wěn)時(shí)間序列預(yù)測的小波函數(shù)選取37-39
• 4.5 本章小結(jié)39-40
• 第五章 非平穩(wěn)時(shí)間序列混合預(yù)測模型及參數(shù)優(yōu)化40-54
• 5.1 混合預(yù)測模型結(jié)構(gòu)40-41
• 5.2 ARMA模型41-44
• 5.2.1 ARMA模型理論概述41-42
• 5.2.2 ARMA模型與參數(shù)優(yōu)化42-43
• 5.2.3 高頻序列的ARMA模型43-44
• 5.3 BP神經(jīng)網(wǎng)絡(luò)44-49
• 5.3.1 BP神經(jīng)網(wǎng)絡(luò)理論概述44-48
• 5.3.2 高頻序列的BP神經(jīng)網(wǎng)絡(luò)模型48-49
• 5.4 HOLT-WINTER非季節(jié)模型49-50
• 5.5 結(jié)果驗(yàn)證與仿真比較50-53
• 5.6 本章小結(jié)53-54
• 第六章 結(jié)論與展望54-56
• 6.1 結(jié)論54-55
• 6.2 展望55-56
• 參考文獻(xiàn)56-60
• 攻讀學(xué)位期間的主要研究成果60-61
• 致謝61

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前9條

1 ;Image denoising using statistical model based on quaternion wavelet domain[J];Computer Aided Drafting,Design and Manufacturing;2012年02期

2 LU Xiao-li;;Analysis and Prediction of Rural Residents’ Living Consumption Growth in Sichuan Province Based on Markov Prediction and ARMA Model[J];Asian Agricultural Research;2012年10期

3 ;Forecasting China′s Stock Market Volatility Using Non-Linear GARCH Models[J];Journal of Systems Science and Systems Engineering;2000年04期

4 ;Empirical Likelihood for AR-ARCH Models Based on LAD Estimation[J];Acta Mathematicae Applicatae Sinica(English Series);2012年02期

5 ;Water quality forecast through application of BP neural network at Yuqiao reservoir[J];Journal of Zhejiang University(Science A:An International Applied Physics & Engineering Journal);2007年09期

6 王鳳碧,黃均才,周明天;Video Watermark Using Multiresolution Wavelet Decomposition[J];Journal of Electronic Science and Technology of China;2005年02期

7 汪新凡;小波基選擇及其優(yōu)化[J];株洲工學(xué)院學(xué)報(bào);2003年05期

8 侯福平;李野;許晶;張紅;;基于ARMA模型的我國“十二五”時(shí)期中成藥工業(yè)產(chǎn)值預(yù)測分析[J];中國新藥雜志;2013年01期

9 李春風(fēng);柳振江;王建平;宓奎峰;劉瑞斌;;我國鋁礦資源現(xiàn)狀分析及可持續(xù)發(fā)展建議[J];中國礦業(yè);2014年08期

  本文關(guān)鍵詞：基于小波分析的氧化鋁配料過程非平穩(wěn)時(shí)間序列預(yù)測，，由筆耕文化傳播整理發(fā)布。

本文編號：371133