工业大数据时间序列预测方法研究及应用
发布时间：2025-05-07 21:21
随着计算机技术的发展和先进控制系统的应用,现代工业系统设备和结构日趋复杂,工业过程积累了大量的历史数据,这些数据包含过程的运行规律、操作者经验、产品质量和过程出现的问题等丰富的信息。如何在难以建立精确机理模型的情况下,从数据中获取有用信息,为生产过程的控制和决策提供依据,成为研究者和工业界广泛关注的问题。基于工业大数据的时间序列预测,是指利用采集的大量数据预测过程的某些关键性能指标,以便为工业过程监控、模型辨识、故障诊断和预测等提供支持,具有重要的理论意义和应用价值。随着工业过程规模和精细化程度不断提高,采集的大量数据具有复杂特性,包括数据的非完整性、强非线性、多变量的互相关性,以及过程的多模态等特性。工业大数据的这些复杂特性,对现有的数据驱动预测模型提出了挑战。为了解决这一问题,论文在数据驱动框架下,对具有上述复杂特性的工业时间序列预测问题进行研究。论文完成的研究工作主要包括:(1)针对工业大数据中具有强非线性特性的单变量序列,提出一种基于序列分解后特征提取的神经网络构造算法预测模型。利用特征提取算法构造最相关输入后,建立基于构造算法的神经网络模型。由于网络拓扑结构的变化会引起网络性能...
【文章页数】：116 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题研究背景及意义
1.2 工业时间序列数据特点
1.3 时间序列预测的主要方法
1.3.1 时间序列模型
1.3.2 机器学习模型
1.4 时间序列预测的研究现状
1.4.1 时间序列预测的国内外研究现状
1.4.2 工业时间序列预测的国内外研究现状
1.5 论文主要研究工作和章节安排
1.5.1 论文主要研究内容
1.5.2 论文章节安排
第二章 基于分解组合的单变量时间序列预测研究
2.1 引言
2.2 小波变换及主成分分析
2.2.1 小波变换
2.2.2 小波基函数的选取
2.2.3 主成分分析
2.3 神经网络构造方法
2.3.1 网络结构
2.3.2 权值学习算法及其改进
2.3.3 算法实现
2.3.4 算法分析
2.4 基于分解组合的单变量预测模型
2.5 实验分析
2.5.1 数值例子
2.5.2 实例研究
2.5.3 分析与总结
2.6 小结
第三章 基于特征选择的多变量时间序列预测研究
3.1 引言
3.2 k近邻互信息
3.2.1 互信息
3.2.2 k近邻互信息
3.3 基于k近邻互信息的特征选择
3.3.1 参数k的选择
3.3.2 特征选择的步骤
3.4 基于特征选择的RBF多变量时间序列预测算法
3.4.1 RBF神经网络
3.4.2 算法步骤
3.5 实验分析
3.5.1数值仿真实验
3.5.2 工业蒸汽发生器时间序列
3.5.2.1 k值的选择
3.5.2.2 特征选择
3.5.2.3 建立预测模型及结果分析
3.5.2.4 模型验证
3.5.3 分析与总结
3.6 小结
第四章 基于多模态工业时间序列预测研究
4.1 引言
4.2 高斯混合模型及其参数的在线更新
4.2.1 高斯混合模型
4.2.2 参数估计
4.2.3 高斯混合模型在聚类上的应用
4.3 高斯过程回归模型
4.4 高斯过程回归参数优化
4.4.1 粒子群优化算法
4.4.2 DEPSO算法
4.5 基于GMM-IGPR多模态时间序列预测模型
4.6 实验分析
4.6.1数值仿真实验
4.6.2 工业绕线过程时间序列
4.6.2.1 模型选择
4.6.2.2 实验结果
4.6.3 分析与总结
4.7 小结
第五章 带有缺失数据的多变量时间序列预测研究
5.1 引言
5.2 缺失数据
5.2.1 缺失数据的定义
5.2.2 缺失数据产生的原因
5.2.3 缺失数据的分类
5.2.4 缺失数据的常用处理方法分析
5.3 带有缺失数据的时间序列预测模型
5.3.1 基于高斯混合模型的多重填补法缺失值处理
5.3.2 基于多重填补和高斯过程回归的时间序列预测模型
5.4 实验分析
5.4.1 风电场数据
5.4.2 特征选择
5.4.3 模型阶次的确定和新数据集的生成
5.4.4 不同缺失值处理方法的对比
5.4.5 不同缺失模式的对比
5.4.6 不同预测模型的对比
5.4.7 分析与总结
5.5 小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
攻读博士学位期间论文成果
致谢
本文编号：4043812
【文章页数】：116 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题研究背景及意义
1.2 工业时间序列数据特点
1.3 时间序列预测的主要方法
1.3.1 时间序列模型
1.3.2 机器学习模型
1.4 时间序列预测的研究现状
1.4.1 时间序列预测的国内外研究现状
1.4.2 工业时间序列预测的国内外研究现状
1.5 论文主要研究工作和章节安排
1.5.1 论文主要研究内容
1.5.2 论文章节安排
第二章 基于分解组合的单变量时间序列预测研究
2.1 引言
2.2 小波变换及主成分分析
2.2.1 小波变换
2.2.2 小波基函数的选取
2.2.3 主成分分析
2.3 神经网络构造方法
2.3.1 网络结构
2.3.2 权值学习算法及其改进
2.3.3 算法实现
2.3.4 算法分析
2.4 基于分解组合的单变量预测模型
2.5 实验分析
2.5.1 数值例子
2.5.2 实例研究
2.5.3 分析与总结
2.6 小结
第三章 基于特征选择的多变量时间序列预测研究
3.1 引言
3.2 k近邻互信息
3.2.1 互信息
3.2.2 k近邻互信息
3.3 基于k近邻互信息的特征选择
3.3.1 参数k的选择
3.3.2 特征选择的步骤
3.4 基于特征选择的RBF多变量时间序列预测算法
3.4.1 RBF神经网络
3.4.2 算法步骤
3.5 实验分析
3.5.1数值仿真实验
3.5.2 工业蒸汽发生器时间序列
3.5.2.1 k值的选择
3.5.2.2 特征选择
3.5.2.3 建立预测模型及结果分析
3.5.2.4 模型验证
3.5.3 分析与总结
3.6 小结
第四章 基于多模态工业时间序列预测研究
4.1 引言
4.2 高斯混合模型及其参数的在线更新
4.2.1 高斯混合模型
4.2.2 参数估计
4.2.3 高斯混合模型在聚类上的应用
4.3 高斯过程回归模型
4.4 高斯过程回归参数优化
4.4.1 粒子群优化算法
4.4.2 DEPSO算法
4.5 基于GMM-IGPR多模态时间序列预测模型
4.6 实验分析
4.6.1数值仿真实验
4.6.2 工业绕线过程时间序列
4.6.2.1 模型选择
4.6.2.2 实验结果
4.6.3 分析与总结
4.7 小结
第五章 带有缺失数据的多变量时间序列预测研究
5.1 引言
5.2 缺失数据
5.2.1 缺失数据的定义
5.2.2 缺失数据产生的原因
5.2.3 缺失数据的分类
5.2.4 缺失数据的常用处理方法分析
5.3 带有缺失数据的时间序列预测模型
5.3.1 基于高斯混合模型的多重填补法缺失值处理
5.3.2 基于多重填补和高斯过程回归的时间序列预测模型
5.4 实验分析
5.4.1 风电场数据
5.4.2 特征选择
5.4.3 模型阶次的确定和新数据集的生成
5.4.4 不同缺失值处理方法的对比
5.4.5 不同缺失模式的对比
5.4.6 不同预测模型的对比
5.4.7 分析与总结
5.5 小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
攻读博士学位期间论文成果
致谢
本文编号：4043812
本文链接：https://www.wllwen.com/kejilunwen/yysx/4043812.html
