您的瀏覽器不支持JavaScript,請開啟后繼續
能源化工裝置運行數據挖掘技術及應用

能源化工裝置運行數據挖掘技術及應用

  • 作者
  • 劉超鋒編著

本書介紹能源化工裝置實際運行數據挖掘技術,包括數據預處理、數據分析、數據建模及模型應用等整個過程的具體內容。基于不同的問題需要考慮不同的解決方案,包括應用中常見的神經網絡方法、支持向量機方法、基因表達式編程方法等挖掘與分析領域的實用技術。本書圍繞具體案例展開原理敘述、最新方法和實用研究手段,既有具體的優化過程闡述,又給出了優化結果,所提供的具體源代碼和計算機...


  • ¥138.00

ISBN: 978-7-122-39057-8

版次: 1

出版時間: 2021-08-01

圖書介紹

ISBN:978-7-122-39057-8

語種:漢文

開本:16

出版時間:2021-08-01

裝幀:平

頁數:277

編輯推薦

本書根據能源化工裝置數據挖掘領域的要求,結合具體問題進行展開,案例式給出了完整研究過程和研究結果。本書對從事能源化工裝置實際運行數據挖掘分析領域研究、開發、生產和管理的科研人員和工程技術人員有所裨益。

作者簡介

劉超鋒,鄭州輕工業大學,副教授,(1)主講《化工設備設計》、《過程裝備計算機輔助設計》、《工程熱力學》、《工程材料》、《過程裝置故障處理技術》;第1指導教師指導2013年、2015年教育部國*級大學生創新訓練項目,指導的本科生申報的有關數據挖掘的項目獲得在西安交通大學承辦的2016年全國大學生過程裝備創新大賽三等獎。 (2)獨著的《過程裝備計算機輔助設計(ISBN978-7-5114-4146-1,中國石化出版社)》于2018年1月獲得中國石油和化學工業聯合會**出版物二等獎; (3)獲得中國國家知識產權局授權的發明專利4項,均為數據挖掘類發明專利。

精彩書摘

本書介紹能源化工裝置實際運行數據挖掘技術,包括數據預處理、數據分析、數據建模及模型應用等整個過程的具體內容。基于不同的問題需要考慮不同的解決方案,包括應用中常見的神經網絡方法、支持向量機方法、基因表達式編程方法等挖掘與分析領域的實用技術。本書圍繞具體案例展開原理敘述、最新方法和實用研究手段,既有具體的優化過程闡述,又給出了優化結果,所提供的具體源代碼和計算機軟件詳細的操作步驟方便讀者參考。 本書內容生動,兼具技術性和前瞻性。書中給出的實例,有助于讀者掌握所學內容,利用運行數據集開展數據挖掘與預測分析,從而解決實際問題。 本書可作為從事能源化工裝置實際運行數據挖掘分析領域的研發、生產和管理人員及工程技術人員的參考書,也可以作為能源科學與工程、化學工程與工藝、自動化、過程裝備與控制工程等專業師生的輔助教材。

目錄

緒論1
0.1參與挖掘的運行數據的選擇1
0.1.1篩除異常數據2
0.1.2輸入變量增減2
0.1.3樣本數量增減3
0.1.4樣本數據的預處理4
0.2數學挖掘模型的性能指標5
0.3數據挖掘典型方法7
0.3.1回歸分析8
0.3.2反向傳播神經網絡8
0.3.3徑向基神經網絡13
0.3.4支持向量機16
0.4數據挖掘模型的應用20

第1章能源化工典型裝置運行數據挖掘22
1.1粉磨裝置23
1.2電站鍋爐23
1.3換熱裝置25
1.3.1空調裝置26
1.3.2板式換熱器29
1.3.3連續螺旋折流板管殼式換熱器29
1.4氣化爐30
1.5裂解爐31
1.6反應裝置32
1.6.1原料利用率的預測32
1.6.2產品質量的預測32
1.6.3產品轉化率的預測35
1.7離心式壓縮機透平35
1.8工藝管道36

第2章基于RBFNN的流化床裝置運行數據挖掘37
2.1傳統的經驗關聯方法存在的問題38
2.2模型優化需要解決的問題39
2.3研究方案40
2.3.1基于人工選擇檢驗樣本41
2.3.2基于隨機選擇檢驗樣本41
2.3.3基于連續冒泡法選擇檢驗樣本41
2.3.4三種技術路線的特點和對比43
2.4流化床內球形大顆粒停留時間預測模型優化43

第3章石灰石濕法煙氣脫硫裝置運行數據挖掘49
3.1基于GeneXproTools的基因表達式建模49
3.1.1模型建立過程49
3.1.2模型預測過程59
3.1.3最大遺傳代數的影響61
3.1.4基于正交試驗的模型優化64
3.1.5基于單因素分析及均勻設計的模型優化68
3.1.6基于響應面設計的模型優化70
3.1.7考慮歸一化與解釋變量80
3.2基于高精度模型的預測81
3.3小結84

第4章基于SPSSModeler的臥式螺旋離心機運行數據挖掘85
4.1各影響因素的分析85
4.1.1各影響因素的量綱分析85
4.1.2三個因素構造的量86
4.1.3四個因素構造的量86
4.1.4可能的解釋變量組合86
4.2建模過程87
4.3干污泥量模型優化99
4.4泥餅含水率模型優化107
4.5力矩模型優化109

第5章基于LIBSVM的臥式螺旋離心機運行數據挖掘111
5.1在LIBSVM中的數據挖掘過程111
5.1.1程序設計流程113
5.1.2程序代碼113
5.1.3程序運行結果115
5.2粒子群優化LIBSVM的數據挖掘模型116
5.2.1程序設計流程116
5.2.2程序代碼117
5.2.3程序運行結果120
5.3訓練樣本篩選后的模型優化122

第6章典型分離裝置運行數據挖掘模型125
6.1塔設備125
6.2色譜分離設備129
6.3脫水機130
6.4電滲析設備131
6.5吸附裝置134
6.5.1變壓吸附134
6.5.2移動床逆流選擇性吸附135
6.6萃取裝置136
6.6.1串級萃取136
6.6.2超臨界萃取138
6.6.3微波萃取138
6.7膜分離裝置140
6.7.1微濾140
6.7.2超濾141
6.7.3反滲透142
6.8氣固過濾裝置143

第7章變壓吸附設備運行數據挖掘146
7.1解釋變量組合方案147
7.2訓練樣本方案147
7.3基于SPSSModeler的數據挖掘147
7.3.1解釋變量方案設計147
7.3.2訓練樣本和測試樣本選取方案設計148
7.3.3數據挖掘過程148
7.3.4基于均勻設計的模型優化158
7.3.5基于縮小樣本規模的模型優化160
7.3.6優化后的模型162

第8章反滲透設備的運行數據挖掘163
8.1待挖掘的運行數據163
8.2基于GeneXproTools的模型優化164
8.2.1數據建模的過程164
8.2.2基于均勻設計的模型優化168
8.3基于LIBSVM的模型優化175
8.3.1建模方案設計175
8.3.2模型建立過程176
8.3.3第一段數據建模結果180
8.3.4第二段數據建模結果181

第9章油田原油三相分離器運行數據挖掘183
9.1數據預處理方案183
9.2基于SPSSModeler的數據挖掘模型篩選184
9.2.1建模流程184
9.2.2模型的優化193

第10章干燥典型設備運行數據挖掘模型197
10.1真空脈動干燥裝置197
10.2氣流干燥裝置198
10.3滾筒干燥器199
10.3.1能耗的預測199
10.3.2產品質量的預測200
10.4噴霧干燥器201
10.5流化床干燥器202
10.6旋轉閃蒸干燥器202
10.7旁熱式輻射與對流干燥機203
10.8氣體射流沖擊干燥裝置204
10.9超聲強化熱風干燥裝置206

第11章基于RBFNN的流化床干燥器運行數據挖掘207
11.1生產熱效率預測模型207
11.1.1基于人工選擇檢驗樣本208
11.1.2基于連續冒泡法選擇檢驗樣本209
11.1.3小結212
11.2干燥懸浮液時產品含固率預測模型212
11.2.1基于連續冒泡法選擇檢驗樣本213
11.2.2基于優化后的模型研究含固率215
11.2.3小結220
11.3結果及討論220

第12章流化床干燥器換熱系數關聯數據挖掘222
12.1基于EngaugeDigitizer的曲線數據化222
12.1.1原始曲線圖有效范圍選取222
12.1.2截圖載入223
12.1.3設置橫縱坐標軸223
12.1.4選擇數據點225
12.1.5數據導出225
12.2基于SPSSModeler的SVM建模228
12.3對SVM模型的篩選241
12.3.1不同解釋變量情況下241
12.3.2不同歸一化情況下241
12.3.3分兩段的情況下241
12.3.4分三段的情況下241

第13章卷煙廠烘絲裝置運行數據挖掘242
13.1基于SPSSModeler的SVM建模242
13.2基于均勻試驗的模型篩選257
13.2.1核函數為RBF時257
13.2.2多項式核函數時261
13.3基于人工分區試驗的結果265

參考文獻272

發送電子郵件聯系我們

疯狂春药精油按摩宫泽幸子 <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <文本链> <文本链> <文本链> <文本链> <文本链> <文本链>