發(fā)布時間：2021-06-21 19:02

　　在多效蒸發(fā)制鹽過程中,制鹽過程的平穩(wěn)運行至關重要。隨著制鹽過程的持續(xù)進行,許多不穩(wěn)定因素會導致制鹽過程不能平穩(wěn)進行,這些因素可以通過預測制鹽數據的方式提前發(fā)現,因此對多效蒸發(fā)制鹽數據進行預測研究具有重要的意義。在多效蒸發(fā)制鹽過程中,制鹽裝置繁多使得參數之間的影響較為緊密,單個參數對其自身的影響有時延性,因此多效蒸發(fā)制鹽數據具有高維度、高復雜程度和時序性的特點。如將歷史制鹽數據直接用于數據預測,會導致預測模型耗時長且預測效果不佳,因此如何對多效蒸發(fā)制鹽數據進行預測為本文主要研究的問題。針對上述問題,本文根據多效蒸發(fā)制鹽數據的特點,對受限玻爾茲曼機、深度置信網絡和自編碼器進行分析和改進,用于多效蒸發(fā)制鹽數據的特征提取,從而解決制鹽數據高維度和高復雜程度的問題。在此基礎上,結合制鹽數據中包含的時序信息,基于長短期記憶循環(huán)神經網絡提出三種多效蒸發(fā)制鹽數據預測模型,用于解決時序性制鹽數據的預測問題。實驗表明,本文提出的三種預測模型在多效蒸發(fā)制鹽數據上可以得到良好的預測結果。除此以外,本文開發(fā)設計一款多效蒸發(fā)制鹽關鍵數據預測系統,該系統通過可視化界面對多效蒸發(fā)制鹽關鍵數據進行實時顯示,通過實時繪制... 

【文章來源】：淮陰工學院江蘇省

【文章頁數】：54 頁

【學位級別】：碩士

【部分圖文】：

受限玻爾茲曼機結構圖

二分網絡

花勇基于特征提取的多效蒸發(fā)制鹽數據預測研究13圖2-3循環(huán)神經網絡Fig2-3RecurrentneuralnetworkLSTM在其隱層神經元上對長期記憶有專門的設計，使得整個網絡能夠學習到數據之間的長期關聯，其隱層神經元結構如圖2-4所示。在圖2-4中，LSTM的隱層神經元有三種輸入，即t時刻顯層神經元的輸入tv、t-1時刻隱層神經元的輸出t1h和t-1時刻隱層神經元的狀態(tài)參數t1Cell。圖2-4LSTM網絡隱層神經元結構Fig2-4ThehiddenlayerneuronstructureofLSTMnetworkLSTM隱層神經元主要由四個模塊組成，在模塊1中，函數的功能是選擇性忘記t-1時刻隱層神經元輸出t1h和t時刻輸入數據tv中的一些信息，模塊1的輸出如公式(2-8)所示。1([,])tsttssWhvb(2-8)在模塊2中，該模塊的作用是更新信息，選擇性地對t-1時刻隱層神經元的輸出t1h和t時刻輸入數據tv中的信息進行更新，模塊2的輸出如公式(2-9)和(2-10)所示。1([,])tittiiWhvb(2-9)1([,])tCttCCWhvb(2-10)模塊3的作用是根據模塊1和模塊2的輸出，對當前時刻隱層神經元的狀態(tài)進行更新，更新公式如(2-11)所示。

【參考文獻】：
期刊論文
[1]時頻聯合長時循環(huán)神經網絡[J]. 莊連生,呂揚,楊健,李厚強.  計算機研究與發(fā)展. 2019(12)
[2]基于降噪時序深度學習網絡的風電功率短期預測方法[J]. 曹有為,閆雙紅,劉海濤,郭力.  電力系統及其自動化學報. 2020(01)
[3]基于深度自編碼網絡的剛性罐道故障診斷[J]. 包從望,朱廣勇,江偉,劉永志.  中國礦業(yè). 2019(08)
[4]DCS自動化控制系統在制鹽生產中的應用[J]. 楊旭麗,徐煥虎,陸衛(wèi)東.  中國井礦鹽. 2019(03)
[5]防結垢方法的研究與應用[J]. 趙靖,張仂.  鹽科學與化工. 2019(03)
[6]MVR工藝技術在鹽化工領域面臨的機遇與挑戰(zhàn)[J]. 張經緯.  鹽科學與化工. 2018(10)
[7]關于EV301硝蒸發(fā)罐加熱室運行異常的探索[J]. 楊毅,李艷,李波.  中國井礦鹽. 2018(05)
[8]蒸發(fā)制鹽生產中影響鹽粒度的分析[J]. 王寧軍,賈曉華,張永松,李春林.  鹽科學與化工. 2018(09)
[9]EV-302閃發(fā)罐結塊鹽的原因分析及對策[J]. 韓明道,于理想,王啟龍.  鹽科學與化工. 2018(07)
[10]蓬萊鹽化真空制鹽系統結垢及防垢探究[J]. 王勇,莫弘,謝佳俊.  中國井礦鹽. 2017(06)



本文編號：3241230