基于LSTM神经网络的干燥含水量预测研究

在PVC干燥中,产品的含水量受到温度、流量等多个参数的影响,鉴于参数数据之间的非线性以及序列间的相关性,传统的时间序列方法和传统的机器学习算法已经不能对未来干燥产品的含水量进行精确的预测。长短期记忆网络(LSTM)作为一种基于深度学习中的循环神经网络(RNN),它在RNN的基础上增加了输入门、输出门以及遗忘门,可以有效地处理RNN在运行大量数据时可能会带来的数据遗忘等问题,特别适合处理具有时间序列的数据。基于Pytorch深度学习框架构造长短期记忆网络模型,对产品含水量进行预测。结果表明:使用该模型对产品的含水量进行预测,其预测值和真实值的走向非常接近,精准度很高。

基于主成分分析与K近邻分类算法的化工干燥分类模型

PVC的干燥是一个复杂的操作,产品的含水量受到流量、温度等多个参数的影响。为了对化工厂中的PVC干燥产品质量进行实时监测和评价,使用基于数据的模型对过程进行了研究。对于数据中判断出的异常值,使用KNN算法进行填补。根据数据的相关性得到了各参数之间的时间差,以消除干燥流程中时间对参数的影响。采用主成分分析法(PCA)对高维度特征数据进行降维,基于之前研究得到的预测模型,采用K近邻分类算法(KNN)对分类模型进行改进,构造了一个PVC含水量的预测模型。使用实际生产数据检验,证明此模型有良好的预测准确率。

数据相关性分析在干燥器研究中的应用

通过流化床干燥器对固体颗粒进行干燥,从实际生产过程中得到了干燥器运行过程中的监测数据,以此为样本进行了数据分析。使用基本统计方法、相关性分析,分析了各变量之间的关系。应用带时间差的相关性分析算法,对于变量之间变化的时间间隔进行了分析。