模塊化神經(jīng)網(wǎng)絡(luò)及其并行算法的工業(yè)系統(tǒng)預(yù)測(cè).pdf

1、隨著工業(yè)信息化、數(shù)字化的發(fā)展，越來(lái)越多的工廠系統(tǒng)中積累了大量的工業(yè)數(shù)據(jù)。工業(yè)數(shù)據(jù)通常具有數(shù)據(jù)量大、時(shí)間性強(qiáng)、非線性、含噪聲等特點(diǎn)，這使得對(duì)工業(yè)數(shù)據(jù)信息的挖掘十分復(fù)雜。另一方面，工業(yè)數(shù)據(jù)被認(rèn)為是未來(lái)工業(yè)在全球市場(chǎng)競(jìng)爭(zhēng)中的關(guān)鍵，研究人員十分關(guān)注對(duì)工業(yè)大數(shù)據(jù)的搜集和特征分析，從而為生產(chǎn)制造過(guò)程提供戰(zhàn)略支持。例如鋼鐵企業(yè)為了更高效的利用副產(chǎn)煤氣，生產(chǎn)現(xiàn)場(chǎng)的調(diào)度人員大多結(jié)合基于歷史數(shù)據(jù)的煤氣流量預(yù)測(cè)結(jié)果對(duì)系統(tǒng)進(jìn)行定性平衡調(diào)度，這使得預(yù)測(cè)結(jié)果直接影

2、響平衡調(diào)度水平。鑒于工業(yè)能源管理系統(tǒng)中積累的大量的歷史生產(chǎn)數(shù)據(jù)，采用基于數(shù)據(jù)的時(shí)間序列預(yù)測(cè)分析方法對(duì)流程工業(yè)數(shù)據(jù)進(jìn)行預(yù)測(cè)，從而制定能源平衡調(diào)整方案保證工業(yè)生產(chǎn)過(guò)程平穩(wěn)運(yùn)行，是提升企業(yè)的競(jìng)爭(zhēng)力的有效手段。
　　針對(duì)工業(yè)系統(tǒng)數(shù)據(jù)的預(yù)測(cè)問(wèn)題，本文提出一種基于共享儲(chǔ)備池模塊化的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。該方法首先按照神經(jīng)網(wǎng)絡(luò)的狀態(tài)空間分割的原則，采用K均值聚類方法將樣本數(shù)據(jù)分為若干類，再對(duì)數(shù)據(jù)重構(gòu)以建立預(yù)測(cè)模型。在建模過(guò)程中提出一種改進(jìn)的回聲狀態(tài)

3、網(wǎng)絡(luò)，通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行模塊化處理能夠?qū)?wèn)題求解空間分層，相比單一神經(jīng)網(wǎng)絡(luò)具有更好的泛化性能。在網(wǎng)絡(luò)訓(xùn)練過(guò)程中，將其化簡(jiǎn)為多個(gè)小網(wǎng)絡(luò)進(jìn)行并行訓(xùn)練，從而加速模型計(jì)算過(guò)程。同時(shí)，引入大規(guī)模數(shù)據(jù)集提高了模型的預(yù)測(cè)精度，并應(yīng)用MapReduce并行計(jì)算框架加速問(wèn)題求解過(guò)程以保證算法的實(shí)時(shí)特性。
　　為驗(yàn)證本文方法的有效性，分別選取Mackey-Glass標(biāo)準(zhǔn)數(shù)據(jù)集和國(guó)內(nèi)某鋼鐵廠實(shí)際生產(chǎn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，首先與已有的多種相關(guān)方法進(jìn)行關(guān)于預(yù)測(cè)精度