乙烯生产过程产量预测方法研究及应用
这是一篇关于乙烯生产,产量预测,蛇群优化方法,LSTM神经网络,特征选择的论文, 主要内容为2022年,我国提出大力推动经济发展的方针政策,以提升人民群众的幸福度。石油化工行业作为经济建设和人民生活的基础保障行业,在提升经济发展过程中显得尤为重要。乙烯作为石油化工产品中不可或缺的部分,其产量是衡量一个国家石油化工行业发展水平的重要指标之一。提高乙烯生产效率是中国经济快速发展的重要方式之一,并在国民经济中具有重要地位。因此,为加快国家经济发展,如何实现乙烯产量准确预测并提升乙烯生产效率是我国石油化工产业面对的主要问题。本文基于国内石化行业复杂乙烯生产过程中的投入产出数据,通过剖析乙烯预测的基础理论,对乙烯生产过程产量预测方法进行研究,致力于为石化企业提高乙烯生产效率提供一定的理论基础与现实意义。本文的主要工作如下:(1)针对乙烯生产过程受原料、用水用电和乙烯生产装置参数等多种因素影响而造成的生产数据维度高、生产预测模型精度低的问题,提出了基于Spearman相关性分析结合递归特征消除(RFE)和LightGBM的特征选择方法(SRL)。Spearman相关性分析方法对乙烯数据进行相关性分析,获取特征向量的相关性,进而采用RFE和LightGBM方法对乙烯数据进行重要度计算,获取特征向量的重要度,统计特征向量的相关性和重要度频次并排序,综合计算后获取高维数据中关键特征作为数据特征选择结果。SRL方法有效避免单一特征选择方法可能出现受噪声数据的影响,遗漏重要特征或者未筛选出冗余特征的问题,实现对复杂工业生产中乙烯数据的降维处理,为后续乙烯产量预测研究提供数据支撑。(2)为准确预测复杂乙烯生产过程中乙烯产量,提出了基于蛇群优化算法(SOA)结合长短期记忆神经网络(LSTM)的乙烯产量预测方法,以指导乙烯生产降本增效,减少碳排。为降低LSTM预测模型超参数选择对预测精度的影响,使用SOA寻找LSTM中隐藏层节点数、批量训练数据块大小和训练次数等最优超参数,以均方根误差(RMSE)作为优化目标,SOA根据当前搜索状态和解向量的目标状态自适应调整移动步长,以获取LSTM超参数的全局最优解;进而结合SRL特征选择方法降维处理的乙烯数据,基于所提改进的LSTM方法建立乙烯产量预测模型。相比于反向传播神经网络、极限学习机和LSTM方法,所提方法预测精度分别提升了36.09%、49.26%和33.41%,有效指导了乙烯生产效率的提高,和二氧化碳排放的减少。(3)基于乙烯生产过程数据降维处理和基于SOA优化LSTM预测方法的研究,使用Java和Python作为编程语言,采用Vue、Spring Boot和Flask框架,使用MySQL数据库和Redis缓存数据库,设计开发了B/S架构的乙烯预测原型系统。该系统设计开发了用户信息管理、实验数据管理、预测模型管理和预测分析四个功能模块,实现数据的多维展示,乙烯产量预测,预测结果比对分析等功能,为石化企业工作人员提供了一个操作便捷、功能齐全的生产管理平台。
乙烯生产能效监测与评估系统的设计与实现
这是一篇关于乙烯生产,石油化工,能效评估,Java Web,软件设计的论文, 主要内容为乙烯工业作为石油化工行业的重要基础产业和耗能大户,因其涉及多能源介质和多物料流传递和转化,流程长、工艺原理复杂,成为节能减排工作的重点和难点。作为能源管理的基础,能源利用效率的有效监测与评估十分重要。目前,众多企业仍采用人工统计的方法进行能耗盘点,准确性与时效性很难保证,也无法为生产调度提供在线支持。因此,设计开发乙烯生产过程能效监测与评估系统对于乙烯生产企业提高能源的使用效率,实现节能减排,建立以能效分析为基础的大数据能效管理平台具有重要的实际意义。本文通过分析乙烯生产工艺中的物质流和能量流,设计了面向乙烯生产企业系统级、过程级、设备级的三级乙烯能效评估指标体系,为分析乙烯生产实时能效水平奠定了理论基础。在此基础上,结合企业的具体工艺特点和能效监测与评估的总体要求,完成了乙烯生产过程能效监测与评估系统的功能、结构以及模块的具体设计,并提出了一套采用B/S软件架构的完整系统设计方案;利用SSH、Quartz等Java Web技术进行了系统的开发;解决了系统开发中遭遇的多任务并发、数据震荡处理等诸多技术问题。在系统开发完成后,对整个系统进行了实验室内的调试与测试,以及工业现场的调整与运行,获得了良好的使用效果,并已为企业能效的提高发挥了作用。本文所设计并实现的乙烯生产过程能效监测与评估系统,采用B/S的软件架构,以及MVC的开发模式,为企业生产过程能效检测与评估、节能减排和能效管理提供了完整解决方案,同时也为企业实现向智能制造转型升级创造了条件。
乙烯生产过程产量预测方法研究及应用
这是一篇关于乙烯生产,产量预测,蛇群优化方法,LSTM神经网络,特征选择的论文, 主要内容为2022年,我国提出大力推动经济发展的方针政策,以提升人民群众的幸福度。石油化工行业作为经济建设和人民生活的基础保障行业,在提升经济发展过程中显得尤为重要。乙烯作为石油化工产品中不可或缺的部分,其产量是衡量一个国家石油化工行业发展水平的重要指标之一。提高乙烯生产效率是中国经济快速发展的重要方式之一,并在国民经济中具有重要地位。因此,为加快国家经济发展,如何实现乙烯产量准确预测并提升乙烯生产效率是我国石油化工产业面对的主要问题。本文基于国内石化行业复杂乙烯生产过程中的投入产出数据,通过剖析乙烯预测的基础理论,对乙烯生产过程产量预测方法进行研究,致力于为石化企业提高乙烯生产效率提供一定的理论基础与现实意义。本文的主要工作如下:(1)针对乙烯生产过程受原料、用水用电和乙烯生产装置参数等多种因素影响而造成的生产数据维度高、生产预测模型精度低的问题,提出了基于Spearman相关性分析结合递归特征消除(RFE)和LightGBM的特征选择方法(SRL)。Spearman相关性分析方法对乙烯数据进行相关性分析,获取特征向量的相关性,进而采用RFE和LightGBM方法对乙烯数据进行重要度计算,获取特征向量的重要度,统计特征向量的相关性和重要度频次并排序,综合计算后获取高维数据中关键特征作为数据特征选择结果。SRL方法有效避免单一特征选择方法可能出现受噪声数据的影响,遗漏重要特征或者未筛选出冗余特征的问题,实现对复杂工业生产中乙烯数据的降维处理,为后续乙烯产量预测研究提供数据支撑。(2)为准确预测复杂乙烯生产过程中乙烯产量,提出了基于蛇群优化算法(SOA)结合长短期记忆神经网络(LSTM)的乙烯产量预测方法,以指导乙烯生产降本增效,减少碳排。为降低LSTM预测模型超参数选择对预测精度的影响,使用SOA寻找LSTM中隐藏层节点数、批量训练数据块大小和训练次数等最优超参数,以均方根误差(RMSE)作为优化目标,SOA根据当前搜索状态和解向量的目标状态自适应调整移动步长,以获取LSTM超参数的全局最优解;进而结合SRL特征选择方法降维处理的乙烯数据,基于所提改进的LSTM方法建立乙烯产量预测模型。相比于反向传播神经网络、极限学习机和LSTM方法,所提方法预测精度分别提升了36.09%、49.26%和33.41%,有效指导了乙烯生产效率的提高,和二氧化碳排放的减少。(3)基于乙烯生产过程数据降维处理和基于SOA优化LSTM预测方法的研究,使用Java和Python作为编程语言,采用Vue、Spring Boot和Flask框架,使用MySQL数据库和Redis缓存数据库,设计开发了B/S架构的乙烯预测原型系统。该系统设计开发了用户信息管理、实验数据管理、预测模型管理和预测分析四个功能模块,实现数据的多维展示,乙烯产量预测,预测结果比对分析等功能,为石化企业工作人员提供了一个操作便捷、功能齐全的生产管理平台。
乙烯生产过程产量预测方法研究及应用
这是一篇关于乙烯生产,产量预测,蛇群优化方法,LSTM神经网络,特征选择的论文, 主要内容为2022年,我国提出大力推动经济发展的方针政策,以提升人民群众的幸福度。石油化工行业作为经济建设和人民生活的基础保障行业,在提升经济发展过程中显得尤为重要。乙烯作为石油化工产品中不可或缺的部分,其产量是衡量一个国家石油化工行业发展水平的重要指标之一。提高乙烯生产效率是中国经济快速发展的重要方式之一,并在国民经济中具有重要地位。因此,为加快国家经济发展,如何实现乙烯产量准确预测并提升乙烯生产效率是我国石油化工产业面对的主要问题。本文基于国内石化行业复杂乙烯生产过程中的投入产出数据,通过剖析乙烯预测的基础理论,对乙烯生产过程产量预测方法进行研究,致力于为石化企业提高乙烯生产效率提供一定的理论基础与现实意义。本文的主要工作如下:(1)针对乙烯生产过程受原料、用水用电和乙烯生产装置参数等多种因素影响而造成的生产数据维度高、生产预测模型精度低的问题,提出了基于Spearman相关性分析结合递归特征消除(RFE)和LightGBM的特征选择方法(SRL)。Spearman相关性分析方法对乙烯数据进行相关性分析,获取特征向量的相关性,进而采用RFE和LightGBM方法对乙烯数据进行重要度计算,获取特征向量的重要度,统计特征向量的相关性和重要度频次并排序,综合计算后获取高维数据中关键特征作为数据特征选择结果。SRL方法有效避免单一特征选择方法可能出现受噪声数据的影响,遗漏重要特征或者未筛选出冗余特征的问题,实现对复杂工业生产中乙烯数据的降维处理,为后续乙烯产量预测研究提供数据支撑。(2)为准确预测复杂乙烯生产过程中乙烯产量,提出了基于蛇群优化算法(SOA)结合长短期记忆神经网络(LSTM)的乙烯产量预测方法,以指导乙烯生产降本增效,减少碳排。为降低LSTM预测模型超参数选择对预测精度的影响,使用SOA寻找LSTM中隐藏层节点数、批量训练数据块大小和训练次数等最优超参数,以均方根误差(RMSE)作为优化目标,SOA根据当前搜索状态和解向量的目标状态自适应调整移动步长,以获取LSTM超参数的全局最优解;进而结合SRL特征选择方法降维处理的乙烯数据,基于所提改进的LSTM方法建立乙烯产量预测模型。相比于反向传播神经网络、极限学习机和LSTM方法,所提方法预测精度分别提升了36.09%、49.26%和33.41%,有效指导了乙烯生产效率的提高,和二氧化碳排放的减少。(3)基于乙烯生产过程数据降维处理和基于SOA优化LSTM预测方法的研究,使用Java和Python作为编程语言,采用Vue、Spring Boot和Flask框架,使用MySQL数据库和Redis缓存数据库,设计开发了B/S架构的乙烯预测原型系统。该系统设计开发了用户信息管理、实验数据管理、预测模型管理和预测分析四个功能模块,实现数据的多维展示,乙烯产量预测,预测结果比对分析等功能,为石化企业工作人员提供了一个操作便捷、功能齐全的生产管理平台。
乙烯生产过程产量预测方法研究及应用
这是一篇关于乙烯生产,产量预测,蛇群优化方法,LSTM神经网络,特征选择的论文, 主要内容为2022年,我国提出大力推动经济发展的方针政策,以提升人民群众的幸福度。石油化工行业作为经济建设和人民生活的基础保障行业,在提升经济发展过程中显得尤为重要。乙烯作为石油化工产品中不可或缺的部分,其产量是衡量一个国家石油化工行业发展水平的重要指标之一。提高乙烯生产效率是中国经济快速发展的重要方式之一,并在国民经济中具有重要地位。因此,为加快国家经济发展,如何实现乙烯产量准确预测并提升乙烯生产效率是我国石油化工产业面对的主要问题。本文基于国内石化行业复杂乙烯生产过程中的投入产出数据,通过剖析乙烯预测的基础理论,对乙烯生产过程产量预测方法进行研究,致力于为石化企业提高乙烯生产效率提供一定的理论基础与现实意义。本文的主要工作如下:(1)针对乙烯生产过程受原料、用水用电和乙烯生产装置参数等多种因素影响而造成的生产数据维度高、生产预测模型精度低的问题,提出了基于Spearman相关性分析结合递归特征消除(RFE)和LightGBM的特征选择方法(SRL)。Spearman相关性分析方法对乙烯数据进行相关性分析,获取特征向量的相关性,进而采用RFE和LightGBM方法对乙烯数据进行重要度计算,获取特征向量的重要度,统计特征向量的相关性和重要度频次并排序,综合计算后获取高维数据中关键特征作为数据特征选择结果。SRL方法有效避免单一特征选择方法可能出现受噪声数据的影响,遗漏重要特征或者未筛选出冗余特征的问题,实现对复杂工业生产中乙烯数据的降维处理,为后续乙烯产量预测研究提供数据支撑。(2)为准确预测复杂乙烯生产过程中乙烯产量,提出了基于蛇群优化算法(SOA)结合长短期记忆神经网络(LSTM)的乙烯产量预测方法,以指导乙烯生产降本增效,减少碳排。为降低LSTM预测模型超参数选择对预测精度的影响,使用SOA寻找LSTM中隐藏层节点数、批量训练数据块大小和训练次数等最优超参数,以均方根误差(RMSE)作为优化目标,SOA根据当前搜索状态和解向量的目标状态自适应调整移动步长,以获取LSTM超参数的全局最优解;进而结合SRL特征选择方法降维处理的乙烯数据,基于所提改进的LSTM方法建立乙烯产量预测模型。相比于反向传播神经网络、极限学习机和LSTM方法,所提方法预测精度分别提升了36.09%、49.26%和33.41%,有效指导了乙烯生产效率的提高,和二氧化碳排放的减少。(3)基于乙烯生产过程数据降维处理和基于SOA优化LSTM预测方法的研究,使用Java和Python作为编程语言,采用Vue、Spring Boot和Flask框架,使用MySQL数据库和Redis缓存数据库,设计开发了B/S架构的乙烯预测原型系统。该系统设计开发了用户信息管理、实验数据管理、预测模型管理和预测分析四个功能模块,实现数据的多维展示,乙烯产量预测,预测结果比对分析等功能,为石化企业工作人员提供了一个操作便捷、功能齐全的生产管理平台。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码小屋 ，原文地址：https://bishedaima.com/lunwen/52395.html
