一种TCN的改进模型及其在短期光伏功率区间预测的应用

为了提高光伏功率预测的精度,提出了一种基于时序卷积网络(temporal convolutional network, TCN)的新型短期光伏功率区间预测模型。首先,采用深度残差收缩网络(deep residual shrinkage network, DRSN)的软阈值和注意力机制来改进TCN的残差模块以增强其对有用特征提取能力,并削弱冗余特征的不利影响;然后,利用樽海鞘群算法(slap swarm algorithm, SSA)对TCN的卷积层的卷积核大小和TCN层数等超参数进行自动寻优,以克服原TCN感受野不足的问题;接着,采用核密度估计(kernel density estimation, KDE)方法对所建改进TCN短期光伏功率预测模型的点预测结果进行误差分析,获得模型预测输出的区间。最后,通过对比仿真实验得到的结果表明,提出的SSA-DRSN-TCN模型的RMSE平均值为0.27,优于LSTM、GRU、CNN-LSTM和TCN等模型;而且,KDE方法能够在80%、90%和95%的置信度下准确描述光伏功率波动区间,验证了所提模型在提高光伏功率预测性能上的有效性。     

基于特征分解的短期电负荷组合预测模型研究北大核心

针对现有模型对于电力数据特征挖掘的不够全面,导致预测精度较低等问题,提出基于特征分解的短期电负荷组合预测模型。先深入挖掘电负荷变化的影响因素,运用小波分解(Wavelet Decomposition, WD)将单一信号分解为多频信号使特征多样化,经过相关度分析进行特征筛选,在分解中引入“影响因子”捕捉影响因素变化,引入“残差”降低分解造成的误差;根据筛选后子序列和残差序列特点分别使用带循环滑窗的时间卷积网络(Time Convolution Network, TCN)和长短时记忆网络(Long Short Term Memory, LSTM)模型预测,并对预测结果分权求和,最终得到组合预测结果。实验结果表明,上述模型有效提高了预测精度,降低了误差;在不同数据集下均表现出良好的优越性,证明了模型具有泛化能力。     

基于Attention-TCN的液化气日订单量预测模型

液化气（LPG）订单量受气温、节假日等外生变量的影响,为实现对不同类型变量的建模,保证预测的准确性与时效性,提出一种基于注意力-时序卷积网络（Attention-TCN）的液化气订单量预测模型。该模型将分类变量通过嵌入转换为低维向量,与数值变量一同作为时序卷积网络（TCN）模型的输入,并添加了通道注意力以提高准确率。基于真实的液化气订单量数据,对长短期记忆（LSTM）网络、TCN与Attention-TCN模型进行了对比,实验结果表明,相较于LSTM模型,Attention-TCN模型所需的训练时间减少了40%以上,预测结果的均方根误差、平均绝对值误差与平均百分比误差分别降低了5.40%、5.46%与4.74%,在所测试的三个模型中表现最佳。所提出的Attention-TCN模型具有训练耗时短、预测精度高、预测时效性好等特点。     

基于迟滞特性图与ResNet的执行器迟滞检测方法研究

在工业控制系统中,执行器的迟滞非线性特性会导致控制回路性能下降。为实现执行器迟滞故障的准确检测,提出了一种基于迟滞特性图与残差网络(ResNet)的执行器迟滞检测方法。首先,通过执行器迟滞模型生成正常和迟滞状态下的数据,绘制执行器迟滞特性图。以蝶状图形作为执行器存在迟滞的判据,并将图形数据输入ResNet进行训练,得到执行器迟滞检测模型。然后,根据执行器实际运行数据绘制迟滞特性图,将其输入至训练好的网络中,以得到检测结果。最后,通过执行器半物理试验平台和国际阀门迟滞数据库对所提方法进行了试验验证。试验结果表明：相比传统迟滞检测方法,所提方法能够避免外部干扰和控制器参数调节不佳的影响,具有较高的鲁棒性和准确率。所提方法能够有效检测出控制系统的迟滞故障,对于保障控制系统的安全、稳定运行具有重要意义。     

基于改进的自注意力长短期记忆网络的传感器故障预检测方法

针对传感器故障检测方法对早期微弱故障信息不敏感以及抗异常值干扰能力差的问题,提出了一种基于因果卷积改进的自注意力长短期记忆网络(CCALSTM)模型和Shapiro-Wilk检验与阈值比较法相结合的故障预检测方法.首先在长短期记忆网络(LSTM)模型中引入基于因果卷积的自注意力机制,以提取局部信息特征,减少异常值对预测精度的影响;然后将预测结果与测量值进行残差计算,并利用滑动窗口选取合适长度的残差序列;最后将残差序列通过Shapiro-Wilk检验和阈值比较法相结合的故障检测方法进行故障预检测.通过传感器原始数据进行仿真实验,并与支持向量机(SVM)、误差反向传播网络(BP)、双向长短期记忆网络(Bi-LSTM)等常见预测模型进行对比,结果表明CCALSTM模型取得了更高的预测精度结果,且具有更高的鲁棒性;同时,所提出的故障预检测方法表现出对传感器早期微弱故障敏感,能够在故障潜伏期及时检测出故障.     

改进LSTM-RF算法的传感器故障诊断与数据重构研究

针对传感器的故障诊断与故障数据重构问题,提出一种基于改进型长短期记忆网络(LSTM)和随机森林(RF)的混合算法.首先,运用改进型LSTM算法对传感器的输出序列进行预测,将预测值与实际值作差得到残差序列.然后,通过RF算法对残差序列进行分类,识别出传感器的故障状态.当传感器诊断的结果为故障工作状态时,利用改进型LSTM的预测值重构故障数据.所提的改进LSTM-RF算法在功能上既可以对传感器故障类型进行诊断,又可以对故障数据进行重构.实验结果表明,改进的LSTM-RF算法的传感器故障识别准确率在不同的数据集上均能大于97％,故障数据重构的均方根误差小于4％;相比标准的LSTM-RF算法,改进的LSTM-RF算法在收敛速度提高的同时故障数据重构的精度提高了0.4％.     

基于注意力机制的TCN-BiLSTM船舶轨迹预测

针对现有船舶轨迹预测模型预测准确度低的问题,提出一种基于注意力机制的时域卷积网络和双向长短时记忆网络（TCN-ABiLSTM）的船舶轨迹预测模型。首先搭建TCN网络提取船舶轨迹的序列特征,之后将注意力机制引入网络调整不同属性特征的权值,凸出对轨迹预测影响更大的特征,最后搭建Bi-LSTM网络学习轨迹序列的前后状况来提取序列中更多的信息,实现对船舶未来轨迹的预测;通过实际船舶AIS数据对网络进行训练与测试实验,实验结果表明,TCN-ABiLSTM模型相比LSTM、Bi-LSTM、TCN、BiLSTM-Attention、TCN-Attention模型船舶轨迹预测精度更高,拟合程度更好,验证了所设计的TCN-ABiLSTM模型在船舶轨迹预测方面的的有效性和实用性。     

基于小波分解的LSTM水质预测模型

水是人类和其它生命体所依赖的不可缺少的资源, 建立水质预测模型预测水质状况具有重要的社会经济和生态环保价值. 本文建立了基于小波分解的长短期记忆网络(LSTM)时间序列预测模型(W-LSTM), 运用Daubechies5 (db5)小波将水质数据分解为高频率和低频率信号, 再将这些信号作为LSTM模型的输入, 来训练模型预测水质数据. 利用安徽阜南王家坝流域采集到的4项水质指标(pH值、DO、CODMn、NH₃N)对该模型进行训练、验证和测试, 并与传统LSTM神经网络模型的训练和预测结果进行比较. 结果显示所提出的方法在多种评价指标上均优于传统LSTM模型, 表明了该方法具有较高的预测精度和泛化能力, 是一种更有效的模拟预测手段.     

存在通讯限制的网络控制系统鲁棒故障检测

对一类具有随机丢包和通讯限制的网络控制系统的鲁棒故障检测问题进行研究;考虑控制器到执行器间存在通讯限制以及传感器到控制器间存在数据丢包,并将丢包用Bernoulli随机二进制分布进行描述;在此基础上建立带有故障的离散时间模型,基于所建立的模型设计故障检测滤波器,使得残差系统随机稳定,同时滤波误差系统的H∞范数满足给定的衰减水平;所设计的故障检测滤波器不但保证了残差系统对故障的灵敏,同时对系统的外部扰动输入具有鲁棒性;数值算例验证了文章所提方法是可行的.     

基于卷积注意力长短时记忆网络的轴承寿命预测方法EI北大核心CSCD

传统的滚动轴承寿命预测方法缺乏明确的学习机制,无法有效识别不同时序特征之间的差异并突出重要特征,影响其预测精度.为克服上述缺点,本文提出了一种基于卷积注意力长短时记忆网络(CAN-LSTM)的剩余使用寿命预测模型.该模型主要由两部分组成:前端为卷积注意力网络(CAN),学习通道和时间维度中的深层故障特征,提高特征的表征能力;后端为改进LSTM网络,基于退化特征对轴承进行寿命预测.归一化健康指标至[0,1]区间内,得到相同的失效阈值;使用五点平滑法对预测结果进行处理,实现预测结果的输出;利用留一法对轴承全寿命试验数据进行验证,测试模型的准确性和适应性.试验结果表明:所提模型的平均均方根误差和平均绝对值误差比仅用CNN模型预测值低54.12%和59.05%,比仅用LSTM模型预测值低39.06%和43.42%,比卷积长短时记忆网络(CNN-LSTM)低20.41%和25.86%.     

基于双向LSTM的气动回路故障诊断方法研究

论文提出一种基于双向LSTM的气动回路故障诊断方法,使用AMESim软件建立某生产线的气动回路仿真模型,模拟气动回路的单重故障和多重故障,记录仿真数据,制作该气动回路的故障诊断数据集,在Matlab环境下建立双向LSTM网络架构进行气动回路故障诊断实验与分析,结果表明双向LSTM模型在多重故障识别的正确率高于LSTM模型以及传统的诊断方法。     

基于特高频和CNN-LSTM-Attention算法的高压电缆故障诊断方法

随着高压电缆的加速发展和老化,由局部放电(partial discharge, PD)引起的故障问题亟须解决。为此,提出了一种基于特高频(UHF)局放技术与CNN-LSTM-Attention算法的高压电缆故障在线智能诊断方法。首先,对高压电缆的PD产生机理,以及UHF局放技术的实现过程进行描述。其次,利用巴特沃斯(Butterworth)对PD信号进行高通滤波,采用小波变换对信号进行去噪,IPLR算法对PD信号进行降维处理,进而实现特征量的准确提取。最后,建立由CNN-LSTM-Attention算法构成的智能诊断模型。模型中卷积层(CNN)提取轮廓特征,长短期记忆层(LSTM)提取信号时序特征,注意力层(Attention)学习信号重要时序部分。通过实际数据仿真表明：相比传统神经网络方法,CNN-LSTM-Attention神经网络检测方法能够准确识别高采样率的异常放电信号特征,且故障识别准确率明显提高。     

基于CNN-LSTM-PSO的私有云故障检测

有效对私有云系统进行故障检测对于保障IT系统稳定性及开展可靠性信息活动具有重要的实际意义。为此从私有云系统的历史趋势数据出发,将卷积网络(CNN)和长短期记忆(LSTM)循环神经网络结合,提出了基于粒子群优化算法(PSO)的CNN-LSTM-PSO的混合模型,实现对私有云的故障检测。采用X11算法等技术对数据进行预处理,使用CNN网络提取监控指标时序数据的相关特征信息,并通过训练LSTM网络参数建立CNN-LSTM预测模型,设计了PSO算法对预测模型进行参数选优,减小预测误差,并以高斯正态分布确定阈值范围,实现故障的精准检测。通过和传统单一预测模型以及现有的一些组合预测模型的对比,CNN-LSTM-PSO模型预测后结果的均方根误差、平均绝对误差和平均百分比误差都低于其余模型。实验结果验证了模型在预测效果上具备更高的精度和更快的预测速度,在私有云的故障检测中精确性和实时性都具有良好效果。     

基于改进灰色预测模型的半球谐振陀螺在线故障检测

针对基于半球谐振陀螺的导航系统故障检测的实时性要求高、数据变化缓慢等特点,提出了一种改进型的灰色预测模型,将移动窗口初值优化的灰色预测模型和最小二乘结合,对该类惯性传感器的故障进行实时在线检测.对处置优化的灰色预测模型的残差信号进行建模,提高了预测的精度,从而实现了利用少量的历史数据对下一时刻数据的准确预测,达到对半球谐振陀螺实时故障检测的目的.详细描述了改进型灰色预测模型的建模方法和步骤,并针对半球谐振陀螺的3种故障形式,与普通灰色预测方法进行了对比仿真研究.结果表明该方法可以准确、有效地进行在线故障检测.     

基于CPCI总线的航天器通信信号设备故障检测系统设计

针对当前航天器通信信号设备故障检测系统受到噪声影响,导致系统通信设备故障信号检测精准度低,检测时间长的问题,设计基于CPCI总线的航天器通信信号设备故障检测系统;CPCI故障模拟模块利用RS232串行线控制注入机,采用故障注入器执行故障注入CPCI总线,接收控制系统参数和指令,使用时钟分配芯片传输时钟信号,通过CPCI检测板卡模块,配合FPGA实现接口控制,完成系统硬件结构设计,利用任务间相互依赖关系,实现任务间相互检测,通过终端网工作站定期发送多路通信网相关信息,返回无疵点检测结果,采用二次相关算法,提取多通道通信故障信号详细信息,准确估算通信信号时延,排除多通道网络噪声影响造成的通信故障,完成系统软件部分设计;实验结果表明,基于CPCI总线的故障检测系统的故障信号检测时间仅为1.8 s,故障信号幅度最大为28 dB,最小为1 dB,与实际变化幅度一致,通信设备故障信号检测精准度较高,能够有效缩短通信设备故障信号检测时间。     

An optimized long short-term memory network based fault diagnosis model for chemical processes

With the development of the chemical industry, fault diagnosis of chemical processes has become a challenging problem because of the high-dimensional data and complex time correlation caused by the more complex chemical processes and increasing number of equipment. However, the ordinary feedforward neural network cannot solve these problems very well. Therefore, this paper proposes a fault diagnosis model based on the optimized long short-term memory (LSTM) network. Since the number of hidden layer nodes in the LSTM network has a great influence on the diagnosis result, the link of determining the optimal number of hidden layer nodes by the iterative method based on the LSTM network is added. Then the LSTM is optimized to get higher chemical process fault diagnosis accuracy. Finally, through the simulation experiment of the Tennessee Eastman (TE) chemical process, the results verify that the optimized LSTM network has better performance in chemical process fault diagnosis than the BP neural network, the multi-layer perceptron method and the original LSTM network.     

基于智能解析余度的容错飞控系统设计

常规的解析余度容错方法容易受到不确定因素和随机干扰的影响,本文以飞行控制系统为研究对象,提出基于智能解析余度的容错飞行控制系统设计方案,使用径向基神经网络的在线学习和全局逼近的性能,建立飞行控制系统传感器之间的解析余度关系,利用不相同传感器之间的解析关系进行残差分析从而进行传感器的故障隔离与信号重构.这样有效地抑制了测量噪声和模型不确定性.应用某型飞机进行仿真,实现了传感器的在线故障隔离与重构,验证了该方法的有效性.     

基于MCNN-BiGRU-Attention的轴承故障诊断

传统的故障诊断方法在对轴承故障进行判定时, 存在特征提取不充分, 时序特性运用不完全且计算较为复杂的问题. 对于此问题, 本文提出一种基于多尺度卷积神经网络(multi-scale convolutional neural network, MCNN)、双向门控循环单元(bidirectional gated recurrent unit, BiGRU)和注意力机制(attention)的组合诊断方法. 该方法首先使用MCNN对信号数据进行多尺度特征提取, 在空间层面上, 实现了对特征的进一步提炼. 其次使用了BiGRU网络, 在时间层面上, 从正反两个方向获取时序关系. 接下来引入注意力机制, 忽略一些与结果不相关的信息并且降低信息丢失的风险以提高精度, 在经过全连接层创建映射后, 最后通过Softmax分类方法完成轴承故障诊断. 本文通过实验, 与LSTM模型、GRU模型、SVM模型、CNN-BiGRU等模型进行对比, 实验结果表明, 本文提出的模型相比以往提出的模型准确率更高, 单一工况下的故障诊断准确率达到了98.1%, 多工况条件下平均准确率达到了97.8%.