基于时间序列模型的化工设备状态的预测应用研究

摘要

故障预报和预警是20世纪后期才发展起来的一个新兴的研究方向，也是当前预测控制理论研究的热点之一。随着对系统可靠性和安全性要求的进一步提高，人们希望能够在故障对系统的危害显现之前就能够更加准确的预测故障发生的有关信息，由此提出了对故障预报更加严格的要求。目前故障预报研究进展较为缓慢，基于时间序列预测的方法是现有的主要预报方法。本文分析了在时间序列预测领域中应用比较广泛的几种基础的方法，比较了它们在预测中的应用范围和各自的优劣，并在这基础的方法上提出了改进。结合当今预测领域新兴的数据挖掘思想，介绍了国外一种新的预测方法，并将上述预测方法和化工监测诊断系统相结合。本文着眼于预测模型的实际应用，主要工作如下： 1、总结并分析了时间序列预测领域中应用最广泛的自回归-滑动平均模型（ARMA模型），并针对其在定阶中的存在的模糊性和人为判定的情况，本文在实际应用中采用了F检验逐步自动定阶的方法，避免了ARMA模型定阶中所遇到的问题，实现了数据处理、模型定阶和状态预测的实际应用。 2、针对基础的Elman神经网络，本文基于已有的神经网络思想，改进了其网络的内部结构，即在基础的Elman神经网络的承接层增加一个自反馈，增强了Elman神经网络的动态跟踪性能。 3、本文把时间序列序贯学习的思想引入Elman网络的在线建模过程中，实现了网络在线学习，通过时间窗的推移，不断地利用新采集数据对网络进行训练，提高了网络的建模效率和对真实数据的跟踪和拟合能力。 4、针对故障样本数据丰富的情况，借鉴美国辛辛那提大学的IMS（Intelligent Maintenance Systems）中心提出的匹配矩阵的思想，本文介绍了一种基于数据挖掘技术的匹配矩阵预测模型，并将其应用于设备状态的真实数据，取得了良好的预测效果。而且在该匹配矩阵模型的建模过程中融合了ARMA模型，拥有较高的建模效率和反应速度，体现了多种预测方法相互融合的现代预测技术的发展方向。 5、面对目前matlab软件不支持建模函数编译成动态链接库被vc调用的问题，通过重新编写算法和利用其他组织编写的时间序列工具箱等方法，应用vc和matlab混合编程的技术，将论文中提出的预测方法加以实现并应用到化工领域的维修与安全保障完整性管理平台中，并进行仿真实验。仿真结果表明了文章中提出的的预测方法，预测精度和效率能够达到实际应用的要求。

目录

文摘

英文文摘

声明

第一章绪论

1.1课题背景

1.1.1课题来源

1.1.2课题研究的目的和意义

1.2国内外研究现状

1.2.1时间序列预测的基本概念

1.2.2时间序列预测的发展历史

1.2.3时间序列预测的研究现状

1.3本文研究对象及主要贡献

第二章ARMA预测模型算法及其应用

2.1 ARMA模型的基本原理

2.2 ARMA模型的定阶

2.2.1自相关函数

2.2.2偏自相关函数

2.2.3 ARMA模型的定阶原则

2.3.ARMA模型的定阶的步骤

2.4.ARMA模型的定阶原则在应用中的局限性及解决方案

2.5 ARMA模型针对设备状态cv值的预测实例

第三章基于序贯学习的改进型Elman网络预测模型

3.1 Elman人工神经网络预测综述

3.1.1人工神经网络的产生背景

3.1.2人工神经网络的应用与发展历程

3.1.3人工神经网络的基本模型结构

3.1.4人工神经网络的基本特点

3.2人工神经网络做故障预报的特点和优势

3.3 Elman神经网络简介

3.3.1 Elman神经网络基本结构

3.3.2 Elman神经网络的各层介绍

3.3.3 Elman神经网络的数学模型

3.4.1改进的Elman网络所依据的理论基础

3.4.2改进Elman网络的结构图

3.4.3改进型Elman神经网络中各层学习算法

3.4.4 Elman神经网络的具体创建步骤

3.5应用序贯学习思想实现网络的在线预测算法

3.5.1序贯学习的基本思想

3.5.2基于改进型Elman网络的序贯学习算法

3.6 Elman神经网络的波形图预测实例

3.6.1芳烃厂设备波形数据

3.6.2划分数据样本为训练样本、目标样本和测试样本

3.6.3确定模型各层的结构

3.6.4构建改进型Elman预测模型

3.6.5改进型ELMAN网络预测结果

第四章一种基于数据挖掘技术的时间序列预测方法—匹配矩阵

4.1数据挖掘概述

4.1.1数据挖掘定义

4.1.2数据挖掘的功能

4.2数据挖掘技术在时间序列预测中的应用

4.3匹配矩阵预测的原理

4.4匹配矩阵预测模型的应用背景

4.5匹配矩阵模型的原理和建模

4.5.1匹配矩阵概念

4.5.2匹配矩阵分析

4.5.3匹配矩阵预测方法

4.6匹配矩阵实际预测应用及结果

第五章三种预测模型的优缺点对比

5.1三种预测模型各自的特点及比较

5.2 Elman和ARMA的详细比较

5.2.1 Elman和ARMA对CV值序列的预测实例

5.2.2 Elman神经网络和ARMA的优势和不足

第六章VC和MATLAB混合编程实现算法调用

6.1混合编程的背景和需求

6.2Matlab软件做算法研究的特点

6.3 VC++和Matlab混合编程的优势

6.4混合编程的具体实现

第七章结论

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介

附录