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。     

具有输入数据注意力机制的卷积神经网络用于氟化工产品质量预测

在氟化工等复杂的化工过程中,具有不同时间尺度的时变特性同时存在并作用于系统运行。这类复杂的强时变特性严重制约着各种先进控制策略的广泛应用。为了克服关键质量变量测量滞后所带来的不利因素,进一步提高氟化工过程先进控制系统的控制精度,本文提出了一种具有输入数据注意力机制的卷积神经网络（ACNN）并用于产品质量预测。通过引入注意力机制自适应地提取不同时间跨度输入数据的时间特性,来克服常规卷积神经网络因输入数据窗口固定而无法充分利用各类时变尺度特性的弊端,从而更为精准地提取氟化工过程复杂的强时变特性,更加准确地预测产品质量,辅助工业生产。应用氟化工过程真实数据和TE（Tennessee Eastman）模拟数据验证了方法的有效性和泛化性,结果表明对于强时变或同时具有长时间跨度的漂移波动而言,ACNN的质量预测模型具有更高的可靠性。     

基于PSO优化LSTM的滚动轴承剩余寿命预测

为了提高滚动轴承退化特征关于时间序列的预测精度,使预测模型更加适用于滚动轴承的运行退化数据,采用粒子群算法对长短期记忆网络的参数进行优化,构建PSO-LSTM滚动轴承寿命预测模型,根据模型拟合出轴承的剩余寿命曲线.经过实验发现,PSO-LSTM网络模型可以较好地拟合复杂工况下轴承的寿命退化趋势,且与其他模型相比拟合效果...     

基于循环神经网络的油藏产量预测方法

针对常规油藏工程方法和传统油藏数值模拟方法在油田产量预测方面存在的问题,提出了基于数据驱动的油藏产量预测方法.考虑到传统全连接神经网络和标准循环神经网络在处理时间序列数据方面的缺陷,采用长短期记忆神经网络构建油藏数据驱动模型,以储层物性参数场的分布特征为基础,融合油藏单井动态生产数据,将油井产量与储层物性参数场通过深度...     

基于TA-ConvBiLSTM的化工过程关键工艺参数预测

化工过程中,掌握关键工艺参数的变化趋势对于消除潜在波动、维持工况稳定作用巨大。然而,传统的浅层静态模型很难对非线性和动态性显著的复杂序列数据进行精准预测。针对上述难题,提出一种深度预测模型TA-ConvBiLSTM,将卷积神经网络(convolutional neural networks, CNN)和双向长短时记忆网络(bi-directional long short term memory, BiLSTM)集成到统一框架内,使其不仅能在每个时间步上自动挖掘高维变量间的隐含关联,更能横跨所有时间步自适应提取有用的深层时序特征。此外,引入时间注意力(temporal attention, TA)机制,为反映目标变化规律的重要信息增加权重,避免其因输入序列过长、深层特征太多而被掩盖。所提出方法的有效性在国内某延迟焦化装置炉管温度预测的案例中得到验证。     

基于注意力模块化神经网络的城市固废焚烧过程氮氧化物排放预测

氮氧化物(nitrogen oxides,NO_x)浓度的实时精准检测是实现脱硝过程闭环控制的前提,对提高城市固废焚烧(municipal solid waste incineration,MSWI)过程脱硝效率具有重要意义。为此,提出了一种基于注意力模块化神经网络(attention modular neural network,AMNN)的MSWI过程NO_x排放预测方法。首先,模拟脑网络“分而治之”处理复杂任务的特性,利用模糊C均值(fuzzy C-means,FCM)聚类算法将待预测任务划分为多个子任务,从而降低预测任务复杂度;其次,针对各子任务,设计一种自组织模糊神经网络(self-organizing fuzzy neural network,SOFNN)构建子模型,通过神经元增删机制和二阶学习算法提高子模型的学习效率和学习精度;然后,提出了一种基于注意力机制的子模型整合策略,进一步提高预测模型的泛化性能;最后,通过基准实验Mackey-Glass时间序列预测和北京某MSWI厂实际数据验证了AMNN的可行性和有效性。     

基于免疫遗传的改进预测函数网络控制算法

提出了一种采用免疫遗传算法求取基函数加权值的预测函数控制算法,该算法结合精英策略的人工免疫遗传算法,在基本免疫算法的基础上,利用R位相同算法确定抗体相似度和期望繁殖率,进而计算选择概率,有效地抑制了局部最优解的出现,保持了种群的多样性,达到寻求全局最优解的目的。仿真实验表明:该算法保证了长时延网络控制系统的稳定性,且具有良好的控制效果。     

基于数据驱动的锂电池剩余使用寿命预测

基于数据驱动的思想,从电池历史数据中提取能反映电池衰退趋势的特征参数,并分析参数与电池寿命的相关性,完成特征参数的选取。其次基于选取的特征参数,对其进行数据预处理,得到最终的特征数据。最后基于时序预测的思想,建立长短期记忆神经网络的锂电池剩余使用寿命预测模型,从而实现电池剩余使用寿命的预测。研究结果表明：与传统的支持向量回归方法相比,基于长短期记忆神经网络的方法有效提高了预测准确性。     

基于群智能算法优化LSTM的催化裂化预测研究

针对长短期记忆神经网络(LSTM)预测模型中许多网络参数过分依赖于经验设置,人工参数设置导致模型的精度低、泛化能力弱等问题,采用搜索范围广、收敛速度快的粒子群算法(PSO)和布谷鸟算法(CS)对LSTM的一些超参数进行优化,构建PSO-LSTM模型和CS-LSTM模型,寻找到LSTM的最优参数集,从而更好地提高了模型预测精度。将优化后的模型应用于催化裂化吸收稳定系统主要控制变量解吸塔再沸器返塔温度预测中,验证了模型的有效性。     

SDN架构下基于LSTM的低速端口扫描检测模块研究

攻击者通过低速端口扫描攻击能够获取相关的重要信息,从而对用户造成严重威胁,因此通过低速端口扫描检测来抵御相应的攻击是十分必要的。现有的低速端口扫描检测模型,只能基于增量过滤算法进行检测,需要训练大量的数据才能检测出此类攻击,存在耗费大量人力、运行时间长等问题。本文针对低速端口扫描的时间持续性和特征分散性的特点,提出了一种在软件定义网络（software define network,SDN）的架构下采用长短期记忆网络（long shortterm memory,LSTM）的低速端口扫描攻击检测模型。实验结果表明,该算法能够在SDN环境中检测网络行为,并且准确率达到了99.49%,因此能够有效检测出低速端口扫描攻击。     

基于工厂数据的注意力LSTM网络辨识方法

化工企业控制系统日益复杂,辨识被控对象模型是自动控制和优化设计的首要任务。针对化工过程多数辨识实验需要对过程施加测试信号,可能导致生产中断或引发安全事故的问题,利用长短时记忆(long short-term memory,LSTM)网络对含高维度、强耦合、非线性等特点的工厂时序数据具有的强适应性的特点,提出一种结合注意力机制思想的LSTM非线性动态模型辨识算法。该算法在LSTM模型基础上考虑输入变量对目标变量的重要性,为输入序列中影响输出结果的关键特征分配更多注意力,提高了LSTM模型的泛化能力。基于工厂日常运行数据构建LSTM网络模型可作为被辨识对象的数字化虚拟装置,利用人工测试信号在虚拟装置上离线辨识局部线性模型。在Tennessee-Eastman (TE)过程上的辨识实验验证了本文方法的有效性。     

基于百度飞桨平台长短期记忆网络的虚假评论检测研究

虚假评论识别是电子商务领域健康发展的有力支撑,现有多种方法用于虚假评论检测。本文基于百度飞桨深度学习平台构建长短期记忆网络（long short-term memory,LSTM）模型、应用Yelp数据集进行训练和虚假评论检测。首先对Yelp评论文本数据进行了预处理和对评论文本初步分析,详细介绍了模型中的数据计算流程,然后使用编码后的评论文本数据训练LSTM模型。实验表明,与传统机器学习相比,具有更高的识别准确率。     

基于网络药理学探讨清开灵解热作用机制

目的：基于网络药理学探索清开灵解热的作用机制。方法：查找清开灵的活性成分与作用靶点和发热的相关靶点,制作韦恩图、药物-活性成分-作用靶点网络图、PPI网络并进行分析。结果：筛选出清开灵活性成分62个,作用基因靶点389个,其中99个为清开灵与发热的共同基因靶点,靶点包括丝/苏氨酸蛋白激酶1、人重组BCL2L1、半胱天冬酶-9、窖蛋白等。GO和KEGG富集分析共得到428个GO富集条目和147个KEGG富集条目,涉及癌症通路、糖尿病并发症中的AGE-RAGE信号通路、MAPK信号通路等。结论：清开灵在解热中有着多靶点调控、多方面共同作用的特点。     

考虑多影响因素的加油站销量预测研究

加油站销量预测是成品油二次物流中不可或缺的一部分,有利于推进油品主动配送,帮助二次物流运输精确调度,提升企业整体运行效率。通过历史数据及模型结果分析得出,加油站销量与特殊日期、长短时等多因素有关,文章在长短期记忆网络（LSTM）基础上引入多因素特征构建预测模型,并以某市加油站真实销量数据为实例进行检验。经验证,模型在汽油预测方面的平均误差小于15%,柴油预测的平均误差小于18%,能够满足应用需求。     

基于网络药理学探究栀子保肝的作用机制

目的：基于网络药理学方法探究栀子保肝的作用机制。方法：检索中药系统药理学数据库(TCMSP数据库),筛选栀子的活性成分及靶点,利用Uniprot数据库对栀子靶点信息进行标准化,通过GeneCards数据库获取肝病相关疾病靶点,在Venny2.1在线平台上制作Venny图,获得栀子与疾病的共同靶点,通过Cytoscape软件构建药物-活性化合物-靶点-疾病网络,通过String数据库构建PPI网络,利用Metascape数据库对交集靶点进行富集分析。结果：筛选得到栀子保肝的核心成分为槲皮素、山奈酚与β-谷甾醇,核心靶点包括AKT1、TP53、TNF、IL6、Jun等。栀子保肝涉及的主要通路有癌症途径、脂质与动脉粥样硬化、乙型肝炎、AGE-RAGE信号通路、MAPK信号通路、PI3K-Akt信号通路等。结论：栀子的保肝作用具有多成分、多靶点、多通路的特点,为深入研究栀子保肝的作用机制奠定基础。     

基于网络药理学探讨川牛膝治疗高血压的作用机制

目的：利用网络药理学分析川牛膝治疗高血压的作用机制。方法：应用中药系统药理学数据库及分析平台(TCMSP)筛选出川牛膝的活性成分及其作用靶点,采用OMIM数据库,Drugbank数据库,TTD数据库,CTD数据库和DISGENT数据库检索与高血压相关的靶点基因。将川牛膝及高血压的共同靶点导入STRING数据库进行蛋白质-蛋白质相互作用分析(PPI);利用METASCAPE数据库进行核心靶点GO功能富集和KEGG通路富集分析。结果：川牛膝主要化学成分为槲皮素、杯苋甾酮、红苋甾酮、β-谷甾醇、齐墩果酸等;共筛选出关键共同靶点170个,包括AKT1、IL6、VEGFA、TP53、CASP3、TNF、JUN、EGF、MAPK1、EGFR、PTGS2、STAT3等;GO富集分析得到生物学进程主要涉及炎症反应、对伤害的反应、对脂多糖的反应、活性氧代谢过程、凋亡信号通路等;KEGG富集信号通路主要包含糖尿病并发症AGE-RAGE信号路径、肿瘤的途径、乙型肝炎、TNF信号通路、肿瘤中的蛋白质多糖等。结论：川牛膝治疗高血压存在多通路、多靶点的可能,揭示了川牛膝治疗高血压的潜在分子机制。     

基于注意力动态卷积自编码器的发酵过程故障监测

发酵过程的状态监测对于及时发现各类异常故障起到了至关重要的作用。然而,由于发酵过程数据呈现非线性特性,导致在提取特征信息时存在困难,增加了故障监测的难度。为了解决上述问题,提出了一种基于注意力动态卷积自编码器（attention dynamic convolutional autoencoder, ADCAE）的发酵过程故障监测方法。首先,设计了一种动态卷积结构（dynamic convolution structure）,该结构可以在浅层使用大尺寸卷积核提取低级特征,在深层使用小尺寸卷积核提取高级特征,从而拓宽了模型特征学习的尺度;其次,设计了一种通道卷积注意力（channel convolutional attention, CCA）模块,该模块能够从不同尺度提取输入的非线性特征,并且在通道向量转化为权重的过程中可以更好地提取局部特征,提高了对有效信息的关注能力;最后,将动态卷积结构与CCA模块融入卷积自编码器中,使模型能够有效地捕获变量中的非线性关系,从而更好地应对发酵过程中的故障监测问题。利用青霉素发酵过程仿真平台和大肠埃希菌实际生产数据对该方法的可行性进行了验证,结果表明该方...     

基于深度学习的调度检修预案生成模型构建

为解决传统的电力系统调度检修方法无法满足电力系统安全可靠运行要求,提出基于深度学习的调度检修预案,以提高电力系统的可靠性与运行效率。通过对数据进行收集与预处理,消除原始数据中的异常值、缺失值、错误数据。采用长短期记忆网络对电力系统历史数据进行训练学习,预测电力负荷及设备状态。采用条件生成模型,通过对抗训练来自动生成优化的调度检修预案。将提出的调度检修预案生成技术应用于实际的电力系统中,得到了电力系统1周的调度检修预案。为电力系统运维人员决策提供了参考。     

基于MIC-CFS-LSTM的SCR出口NOx浓度动态预测

针对燃煤机组选择性催化还原(SCR)系统出口氮氧化物(NO_x)预测模型精度不高的问题,提出一种基于最大信息系数(MIC)和长短期记忆(LSTM)神经网络的预测模型方法。首先采用MIC估计各变量的延迟时间,对数据进行时延重构;然后采用重构后数据的MIC值作为评价各输入变量和输出变量间相关性大小的指标,并结合基于关联性的特征选择算法(CFS)进行输入变量筛选;最后基于时延重构和变量筛选后的数据,采用LSTM神经网络建立了SCR出口氮氧化物浓度动态预测模型。该模型被用于广东某320 MW燃煤机组实际运行数据分析。结果表明,经时延重构和变量筛选后所建立的LSTM预测模型具有较高精度,优于深度神经网络(DNN)模型和径向基函数(RBF)神经网络模型,平均绝对百分比误差达2.58%,均方根误差达2.02,可满足现场运用要求。