论文部分内容阅读
时间序列预测模型是通过寻找历史数据随时间变化的规律,来预测未来的发展趋势。对它的研究已有很长的历史,发展至今也有很多的预测算法,并在交通运输、金融、市场分析等领域有较多的应用。而在工业上,对工业过程参数进行预测还存在着一些困难,由于工业系统具有非线性、时变性、大滞后、不确定性、变量繁多且相互耦合等特点,传统的预测算法预测效果并不理想,而深度学习的研究与发展,为时间序列预测算法提供了新的研究方向。本文以熔盐炉升温过程为应用背景,通过对循环神经网络(Recurrent Neural Network,RNN)的研究,选择最合适的算法,针对算法的不足与数据自身的特点,进行改进,实现对熔盐炉温度的预测,从而优化工业生产过程。主要的研究内容及成果如下:了解熔盐炉升温过程的工艺原理、控制策略,从而知道温度变化的规律和趋势以及影响温度变化的主要因素;建立数据采集系统,获取与此工艺相关的数据,分析数据特点,根据数据特点,确定预测算法,并为之后的算法改进及网络参数设置提供了依据。对循环神经网络发展过程中具有代表性的3种循环神经网络进行研究,包括每种算法的结构、计算过程、优缺点等,从而选择结构简单预测效果好的基于门循环单元(Gated Recurrent Unit,GRU)的循环神经网络;并对网络配置中会常遇到的激励函数、优化器的选择问题进行研究,为实验部分的参数选择与网络配置打下基础;最后根据数据的大滞后、非线性、阶段性变化等特点,结合自注意力模型与动态学习对GRU算法进行改进,使算法更容易获取具有远距离相关性的特征,并通过实时更新学习训练集,使预测结果更符合当前温度变化的规律。建立改进后的预测模型,基于动态学习的自注意力门循环单元(Self-attention Gated Recurrent Unit Based on Dynamic Learning,SGRUBDL),对熔盐炉温度进行预测,并对比其他几种预测模型,分析预测结果,实验表明本文算法不仅准确度、预测精度有提高,也符合熔盐炉温度动态变化的趋势。