面向工业生产过程的多元时序数据预测及异常检测方法研究
这是一篇关于工业生产过程,多元时序数据,时序数据预测,多步预测,时序数据异常检测的论文, 主要内容为生产制造业是国民经济的支柱性产业,我国工业生产制造逐渐向数字化转型,工业生产过程中会产生大量时间序列数据,对这些工业时序数据进行分析和挖掘可以有效保障生产安全、促进工业决策、提高生产效能。但是工业时序数据存在维度高、动态性强、噪声干扰多、非平稳的特点,导致现有时序挖掘方法失效。本文聚焦于工业时序数据挖掘中的多元时序预测及异常检测问题研究,旨在通过准确多元时序数据预测方法及有效多元时序数据异常检测方法,及时发现工业生产异常情况。针对现有时序预测方法大多聚焦于时间依赖关系,没有考虑时空依赖关系,导致工业多元时序数据预测误差大的问题,融合图神经网络和Transformer网络建立多元时序时空依赖模型,提出考虑时空依赖关系的多元时序预测方法。在图神经网络层,提出一种考虑影响滞后关系的相关性算法用于构建图结构,作为图神经网络层输入,提升图神经网络对空间依赖关系的聚合能力。在Transformer输入层,针对Transformer模型对时间局部信息不敏感的问题,在计算注意力时引入多核卷积,增强时间序列上下文时间依赖关系。在Transformer解码层,针对多步预测任务下Transformer解码器逐步预测导致的累积误差传播问题,基于生成式推理的堆叠解码器实现多步直接预测。实验表明,本文提出的多元时序预测方法,在工业生产过程两个数据集上,单步预测和多步预测的对称平均绝对百分比误差分别为7.83%、12.17%,预测误差均小于对比多元时序预测方法。针对现有多元时序异常检测方法仅关注时间异常或空间异常,导致在工业异常检测中出现漏报率高的问题,结合本文提出的预测方法,提出一种基于预测和残差阈值的多元时序异常检测方法,以正常模式下多元时序时空依赖关系作为异常评估基础,提取预测残差特征,降低异常检测的漏报率。在数据预处理方面,针对工业时序数据不纯净问题,设计基于谱残差的时序数据清洗方法,降低预测模型拟合异常模式导致的误报。在异常阈值设定方面,基于极值理论自动设定阈值,增强方法兼容性;针对预测残差阈值异常检测方法所存在部分漏报问题,提出一种基于预测和波动相关性的改进方法,提取波动相关性特征,关注异常事件引起的多元时间序列上下文波动变化。融合预测残差特征和波动相关性特征,联合判断工业生产过程中时空异常事件,进一步降低异常检测的漏报率。实验表明,本文提出两种多元时序异常检测方法,在工业生产过程两个数据集上,异常检测效果均高于对比方法,其中基于预测和波动相关性的改进方法,平均误报率为9.29%,平均漏报率为18.93%。基于上述研究方法,设计并实现了工业生产过程异常检测平台,为工业生产监控系统提供异常检测服务。平台实现了数据收集、数据清洗、传感器及执行器关系图构建、数据预测、异常检测功能。平台通过接入“智能烘干机过程监控系统”及“工业设备健康运行管理系统”测试表明,工业生产过程异常检测平台的告警精确率为91.83%、异常查全率为85.71%,验证了平台功能的有效性和实用性。
基于数据挖掘的报表系统的设计与实现
这是一篇关于报表系统,数据仓库,数据挖掘,支持向量机,时序数据预测的论文, 主要内容为近年来,随着数据仓库和数据挖掘技术的快速发展,出于成本和商业数据安全性的考虑,越来越多的商业公司,尤其是大型互联网公司和软件公司开始搭建自己的基于数据仓库的数据运营平台。报表系统是数据仓库三层架构中最上层的系统,同时它也是数据运营平台中最重要的子系统之一。本文在某大型互联网公司无线运营部门的现有数据运营平台的基础之上,对基于数据挖掘的报表系统的设计和实现方面做了一定的研究。 首先,在对现有基于数据仓库的数据运营平台的架构分析之后,利用软件工程中的分析和建模方法对服务于该数据运营平台的报表系统的需求进行了分析,确立了这种基于数据挖掘的报表系统的功能边界。其中,重点讨论了报表系统中对于集成数据挖掘方法的数据预测功能的需求,并对报表中最重要的报表配置对象进行了建模。 然后,根据报表系统的需求分析对报表系统进行了设计。主要工作包括基于MVC三层模型的报表系统的系统架构设计,对两段式报表生成方案的改进,报表配置功能、报表展示功能、数据预测功能、系统管理功能等主要功能的面向对象分析与设计,系统数据库的设计。其中,报表配置功能设计主要包括配置保存与加载,实时预览,可视化布局等功能的设计；报表展示功能的设计主要是表格生成,图形生成,图表导出等功能的设计；数据预测功能的设计主要是指整合支持向量机算法来处理报表中时序数据预测功能的设计。 在报表系统设计方案的实施过程中,利用JavaEE平台对系统进行了实现,利用HighCharts库进行了报表中图形的实现,利用LIBSVM工具箱的编程接口对基于支持向量机的数据预测功能进行了实现,并使用实际的产品运营数据和指标来验证系统中集成的基于支持向量机算法的数据预测功能的实现效果进行了评估。 最后,从系统功能和性能两个方面对本文设计和实现的报表系统进行了测试方案的设计和实施。通过测试结果可知,该报表系统在功能和性能上都达到了设计目标。目前,该系统已经被中国某大型互联网公司无线运营部门作为主要报表系统在使用,根据用户反馈,系统能够很好的满足用户的需求,有效地支持了相关产品、运营人员的数据分析工作。这也进一步证明了本文所述设计和实现方案的有效性。
粮温时空数据分析预测与可视化系统研究
这是一篇关于时序数据预测,门控循环单元,小波过滤,视觉变量,微服务的论文, 主要内容为在粮食仓储领域中,随着大量传感器的使用,会导致海量环境数据的产生,这些数据是描述粮仓的内部环境信息,对粮食的存储有着至关重要的影响,但如今直接使用深度学习的方法对粮情数据预测,无法有效的处理数据中的稀疏特征,也无法去除数据中的噪声数据,并不能有效的提升预测的精度。同时,粮情数据是海量的,使用单一的图表去描述数据会非常的直白、枯燥,并且针对粮仓的温度异常区域,由于仓内传感器的位置是稀疏的,无法检测到点与点之间的区间温度,特别针对部分区域的温度可能是相对在一个正常的温度区间,但该点与周围温度的变化却相差很大,现有的算法无法捕捉这一有效的信息,从而无法提前对粮仓内部环境进行调整来减少损失。同时针对海量数据的粮情数据和可视化的结果没有一个系统式的集成,这些数据结果大都分散在不同的文件夹中,无法做到高效的数据管理与可视化结果的展示。因此本课题选取传统的二维平面的设计方法,结合颜色理论与视觉变量的分析,在基于时序数据中稀疏特征融合的GRU(Gate Recurrent Unit)预测模型的基础上,对粮食数据进行可视化的展示。通过颜色、静态视觉变量、动态视觉变量等视觉影响因素,结合粮温空间预测以及空间温度变换速率方法,合理搭建出优秀的可视化方案。再基于微服务技术,对数据集和可视化方案进行集成式的管控,实现对粮情监控系统的高效运行的方法。本课题的主要研究工作如下:(1)基于稀疏特征融合的GRU模型和小波过滤降噪技术,研究粮仓存储环境下的时序数据的变化与预测,针对稀疏环境数据特征进行特征生成,采用小波过滤对环境数据进行降噪处理,最后基于训练速度和准确性都较好的GRU模型对数据预测,为之后的可视化提供数据支持。(2)基于时序数据预测的结果上,分析现有的颜色理论,结合视觉变量的分析,利用Hermite插值算法和针对粮温变化的TCR(Temperature Change Rate)算法,对粮仓内部空间温度数据进行预测和粮情的总体信息可视化展示。(3)针对前面的时序数据的预测结果和可视化方案,结合微服务技术对数据集和可视化方案进行集成管理,利用微服务技术的高效性实现粮食仓储信息的集成化管理框架。
粮温时空数据分析预测与可视化系统研究
这是一篇关于时序数据预测,门控循环单元,小波过滤,视觉变量,微服务的论文, 主要内容为在粮食仓储领域中,随着大量传感器的使用,会导致海量环境数据的产生,这些数据是描述粮仓的内部环境信息,对粮食的存储有着至关重要的影响,但如今直接使用深度学习的方法对粮情数据预测,无法有效的处理数据中的稀疏特征,也无法去除数据中的噪声数据,并不能有效的提升预测的精度。同时,粮情数据是海量的,使用单一的图表去描述数据会非常的直白、枯燥,并且针对粮仓的温度异常区域,由于仓内传感器的位置是稀疏的,无法检测到点与点之间的区间温度,特别针对部分区域的温度可能是相对在一个正常的温度区间,但该点与周围温度的变化却相差很大,现有的算法无法捕捉这一有效的信息,从而无法提前对粮仓内部环境进行调整来减少损失。同时针对海量数据的粮情数据和可视化的结果没有一个系统式的集成,这些数据结果大都分散在不同的文件夹中,无法做到高效的数据管理与可视化结果的展示。因此本课题选取传统的二维平面的设计方法,结合颜色理论与视觉变量的分析,在基于时序数据中稀疏特征融合的GRU(Gate Recurrent Unit)预测模型的基础上,对粮食数据进行可视化的展示。通过颜色、静态视觉变量、动态视觉变量等视觉影响因素,结合粮温空间预测以及空间温度变换速率方法,合理搭建出优秀的可视化方案。再基于微服务技术,对数据集和可视化方案进行集成式的管控,实现对粮情监控系统的高效运行的方法。本课题的主要研究工作如下:(1)基于稀疏特征融合的GRU模型和小波过滤降噪技术,研究粮仓存储环境下的时序数据的变化与预测,针对稀疏环境数据特征进行特征生成,采用小波过滤对环境数据进行降噪处理,最后基于训练速度和准确性都较好的GRU模型对数据预测,为之后的可视化提供数据支持。(2)基于时序数据预测的结果上,分析现有的颜色理论,结合视觉变量的分析,利用Hermite插值算法和针对粮温变化的TCR(Temperature Change Rate)算法,对粮仓内部空间温度数据进行预测和粮情的总体信息可视化展示。(3)针对前面的时序数据的预测结果和可视化方案,结合微服务技术对数据集和可视化方案进行集成管理,利用微服务技术的高效性实现粮食仓储信息的集成化管理框架。
面向工业生产过程的多元时序数据预测及异常检测方法研究
这是一篇关于工业生产过程,多元时序数据,时序数据预测,多步预测,时序数据异常检测的论文, 主要内容为生产制造业是国民经济的支柱性产业,我国工业生产制造逐渐向数字化转型,工业生产过程中会产生大量时间序列数据,对这些工业时序数据进行分析和挖掘可以有效保障生产安全、促进工业决策、提高生产效能。但是工业时序数据存在维度高、动态性强、噪声干扰多、非平稳的特点,导致现有时序挖掘方法失效。本文聚焦于工业时序数据挖掘中的多元时序预测及异常检测问题研究,旨在通过准确多元时序数据预测方法及有效多元时序数据异常检测方法,及时发现工业生产异常情况。针对现有时序预测方法大多聚焦于时间依赖关系,没有考虑时空依赖关系,导致工业多元时序数据预测误差大的问题,融合图神经网络和Transformer网络建立多元时序时空依赖模型,提出考虑时空依赖关系的多元时序预测方法。在图神经网络层,提出一种考虑影响滞后关系的相关性算法用于构建图结构,作为图神经网络层输入,提升图神经网络对空间依赖关系的聚合能力。在Transformer输入层,针对Transformer模型对时间局部信息不敏感的问题,在计算注意力时引入多核卷积,增强时间序列上下文时间依赖关系。在Transformer解码层,针对多步预测任务下Transformer解码器逐步预测导致的累积误差传播问题,基于生成式推理的堆叠解码器实现多步直接预测。实验表明,本文提出的多元时序预测方法,在工业生产过程两个数据集上,单步预测和多步预测的对称平均绝对百分比误差分别为7.83%、12.17%,预测误差均小于对比多元时序预测方法。针对现有多元时序异常检测方法仅关注时间异常或空间异常,导致在工业异常检测中出现漏报率高的问题,结合本文提出的预测方法,提出一种基于预测和残差阈值的多元时序异常检测方法,以正常模式下多元时序时空依赖关系作为异常评估基础,提取预测残差特征,降低异常检测的漏报率。在数据预处理方面,针对工业时序数据不纯净问题,设计基于谱残差的时序数据清洗方法,降低预测模型拟合异常模式导致的误报。在异常阈值设定方面,基于极值理论自动设定阈值,增强方法兼容性;针对预测残差阈值异常检测方法所存在部分漏报问题,提出一种基于预测和波动相关性的改进方法,提取波动相关性特征,关注异常事件引起的多元时间序列上下文波动变化。融合预测残差特征和波动相关性特征,联合判断工业生产过程中时空异常事件,进一步降低异常检测的漏报率。实验表明,本文提出两种多元时序异常检测方法,在工业生产过程两个数据集上,异常检测效果均高于对比方法,其中基于预测和波动相关性的改进方法,平均误报率为9.29%,平均漏报率为18.93%。基于上述研究方法,设计并实现了工业生产过程异常检测平台,为工业生产监控系统提供异常检测服务。平台实现了数据收集、数据清洗、传感器及执行器关系图构建、数据预测、异常检测功能。平台通过接入“智能烘干机过程监控系统”及“工业设备健康运行管理系统”测试表明,工业生产过程异常检测平台的告警精确率为91.83%、异常查全率为85.71%,验证了平台功能的有效性和实用性。
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：源码客栈网 ，原文地址：https://m.bishedaima.com/lunwen/53847.html
