基于长短期记忆网络的时间序列预测研究

针对递归神经网络(RNN)模型难以训练和梯度消失等问题,引入长短期记忆网络算法(LSTM)。介绍了LSTM的基本原理,并将其应用于时间序列预测领域。以Wiener退化过程为例进行分析,针对传统预测方法无法兼顾退化数据的非线性及时序性特点,利用LSTM方法对Wiener退化过程时间序列进行预测。该预测算法与传统的预测算法进行了比较,研究结果表明,所构建的模型具有更高的预测模型精度,达到了预测要求。     

考虑电控数据的LSTM神经网络进给轴热误差建模

针对进给轴热误差建模中忽略电控数据和时间序列影响的问题,提出一种考虑温度变化与电控数据的长短期记忆(Long-Short Term Memory,LSTM)神经网络热误差预测模型.以三轴立式加工中心为试验对象,首先对进给轴进行热变形分析,再以温度变化、电控数据为输入样本,建立了LSTM神经网络热误差预测模型,随后通过与仅考虑温度变化的LSTM神经网络,以及同时考虑温度变化与电控数据的BP神经网络进行对比分析,试验论证表明,对数控机床进给轴进行热误差建模时,在考虑温度变化的基础上,进一步考虑电控数据可以提高模型的预测精度和鲁棒性,且在同样输入条件下,LSTM神经网络热误差预测模型相较于BP神经网络有更好的预测精度和鲁棒性.     

考虑电控数据的LSTM神经网络进给轴热误差建模

针对进给轴热误差建模中忽略电控数据和时间序列影响的问题,提出一种考虑温度变化与电控数据的长短期记忆(Long-Short Term Memory,LSTM)神经网络热误差预测模型.以三轴立式加工中心为试验对象,首先对进给轴进行热变形分析,再以温度变化、电控数据为输入样本,建立了LSTM神经网络热误差预测模型,随后通过与仅考虑温度变化的LSTM神经网络,以及同时考虑温度变化与电控数据的BP神经网络进行对比分析,试验论证表明,对数控机床进给轴进行热误差建模时,在考虑温度变化的基础上,进一步考虑电控数据可以提高模型的预测精度和鲁棒性,且在同样输入条件下,LSTM神经网络热误差预测模型相较于BP神经网络有更好的预测精度和鲁棒性.     

基于XGBoost-LightGBM-LSTM的风机齿轮箱轴承故障预警

针对风电机组齿轮箱温度预测准确性较低,泛化能力差的问题,提出一种极端梯度提升树(XGBoost)、轻量梯度提升机(LightGBM)和长短时记忆网络(LSTM)加权融合的组合模型对齿轮箱轴承温度进行预测。采用灰色关联度(GRA)选取与齿轮箱轴承密切相关的特征参数作为组合预测模型的输入,利用训练好的组合模型预测齿轮箱轴承正常工作温度,计算与实际温度值之间的残差,并用滑动时间窗口设置预警阈值,从而进行齿轮箱轴承故障预警。通过江苏某海上风场5 MW风机实际数据验证表明,该组合模型对风电机组齿轮箱轴承温度预测精度较好,并能提前进行故障预警。     

基于CNN-GRU组合神经网络的数控机床进给系统热误差研究

热变形引起的误差是影响数控机床精度的主要因素之一。为了减小热误差对数控机床精度的影响,提出一种基于CNN-GRU组合神经网络的热误差预测方法。通过热误差实验,采集螺旋曲面专用数控机床直线进给系统的温升数据和热误差数据;利用模糊C均值聚类和灰色关联度分析筛选进给系统温度敏感点;以温度敏感点的温升数据和进给系统热误差为数据样本,建立CNN-GRU热误差预测模型。为验证模型的准确性和实用性,与基于CNN-LSTM和基于LSTM的传统热误差预测模型进行预测对比分析,结果表明CNN-GRU模型预测结果的平均绝对误差、均方根误差和决定系数均优于CNN-LSTM模型和LSTM模型,具有较高的预测精度和鲁棒性。提供的热误差模型可为后续误差补偿奠定基础,为数控机床的热误差预测提供思路。     

融合Mar-G LSTM的流程生产工艺质量预测算法

针对流程生产连续性强、时序耦合复杂等特点,传统神经网络不具备长期记忆能力,且在深层次网络训练时易出现训练参数灾难、梯度爆炸等问题,提出基于马尔可夫优化的融合门控循环单元(GRU)与长短期记忆网络(LSTM)的组合预测模型(Mar-G LSTM)。首先在循环神经网络结构中融入门控机制构建深度LSTM神经网络模型,对流程生产时序数据信息进行选择性记忆,学习时序数据序列的信息依赖,进而解决训练过程中的梯度爆炸问题;同时结合马尔可夫链对GRU-LSTM模型的预测结果进行修正优化,在降低模型的复杂度的情况下进一步提高了模型的预测精度。最后,结合某流程生产线的工艺数据进行分析验证,结果表明,Mar-G LSTM算法在预测精度上较随机森林模型、门控循环单元神经网络模型(GRU)、长短期记忆神经网络模型(LSTM)和卷积神经网络与门控循环单元网络组合模型(CNN-GRU)分别提高了37.42%、21.32%、17.91%和12.56%,所提Mar-G LSTM算法可实现流程生产质量的准确预测,为降低工艺参数调控任务的完成时间提供了思路和实现途径。     

基于LSTM参数动态更新的滚动轴承剩余寿命预测

针对滚动轴承退化数据的复杂性和相关性,以及传统的寿命预测方法不能充分利用在线数据和非全寿命生命周期数据,从而导致预测精度不高的问题,提出了一种基于代价最小化的参数动态更新的LSTM预测模型.该模型采用离散小波变换对滚动轴承振动数据进行去噪,并提取时频域特征完成LSTM的训练与测试,利用在线监测数据滚动更新LSTM参数以提高预测精度.通过滚动轴承寿命试验证明,该模型可以准确预测滚动轴承剩余寿命,并且通过与BP神经网络和极限学习机的预测效果对比,验证了参数实时更新的LSTM模型在剩余寿命预测中的适用性.     

CNN-GRU模型预测高炉煤气产生量

为了更好的利用海量数据中蕴藏的隐藏规律,对数据更好的挖掘,提高对钢铁企业高炉煤气产生量的预测精度,针对钢铁企业实际生产作业所采集到的非平稳非线性的数据,这里提出一种将卷积神经网络（CNN）和门结构循环单元（GRU）网络相结合的预测模型。模仿词向量方法,将海量的时间信息、温度数据和压力数据等信息串联成一个向量作为输入,采用CNN对输入进行特征提取,将得到的特征向量构造为时间序列,并作为输入数据给GRU网络进行高炉煤气产生量预测。这里所提出的方法,对唐山某钢铁企业的实际生产中数据进行预测实验,结果表明,这里所提出的方法比传统的BP神经网络和LSTM网络预测模型具有更高的预测精度和更快的预测速度。     

基于机器学习的回流焊焊点形貌预测

提出一种基于机器学习预测回流焊焊点形貌的方法,通过该方法建立一个针对钽电容回流焊焊点形貌的预测模型,该模型为现有实验方式提供了新的思路。通过峰值温度、降温速率和焊膏厚度3种影响因素以及焊点厚度、焊点宽度和焊料爬高3种评价焊点形貌的评价标准,分别基于BPNN和LightGBM算法建立钽电容回流焊焊点形貌预测模型。对比实验证明,通过LightGBM算法建立的预测模型优于通过BPNN建立的预测模型,并通过实际测试帮助实验人员减少实验次数,节约大量时间成本。     

基于卷积神经网络与双向长短时记忆网络组合模型的短时交通流预测

及时准确的交通流信息对于智能交通系统的实现至关重要。针对现有预测方法不能充分利用交通流的时空特征,进而不能很好地提取交通流序列内在规律的问题,提出了一种结合卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM)的深度学习预测模型(C-BiLSTM),在网络底层利用一维CNN来捕获观测点交通流数据的空间特征,然后输入到双向LSTM网络提取时间周期特征,最后由全连接层输出预测结果。使用美国交通研究数据实验室的实测交通数据进行验证,结果表明,所提出的C-BiLSTM组合模型具有更高的准确性,其性能相比双向LSTM网络预测模型提升了1. 6%,相比单向LSTM网络预测模型提升了6. 6%,是一种高精度的交通流预测模型。     

基于多头注意力的CNN-LSTM的换道意图预测

自动驾驶车辆与传统车辆混行的交通环境中,车辆的换道意图预测能够为自动驾驶车辆安全行驶提供有效保证。为了更准确地预测车辆的换道意图,将多头注意力与卷积神经网络(Convolution neural network,CNN)和长短时记忆(Long-short term memory,LSTM)网络结合,提出一种新型车辆换道意图预测算法。首先对NGSIM(Next generation Simulaion)数据集进行处理,提取车辆横向位置信息和周围环境信息。然后输入基于多头注意力(Multi-headattention)的CNN-LSTM模型,提高对输入序列特征的提取能力和预测精度。最后在NGSIM数据集验证该模型的有效性。试验结果表明,该模型能够从大量数据中提取到重要特征,同时通过特征对比试验发现,横向位置信息作为预测的主要特征,而周围环境信息作为预测的辅助特征。最后通过模型的对比试验得出,该模型的换道意图预测准确率在换道前1s、2s、3s相比于LSTM、CNN、CNN-LSTM模型具有更好的预测精度,可以为自动驾驶汽车设计先进的意图预测算法提供帮助和参考。     

高速高精度电主轴温升预测模型

提出高速高精度电主轴温升预测模型,将有限元模型与试验数据相结合,精确预测不同工况下电主轴的温度场。建立电主轴流场、温度场有限元模型,分析冷却系统及润滑系统参数对电主轴温度场的影响;考虑电主轴运行速度、载荷,设计电主轴损耗测试方法,将测得的电主轴总损耗作为计算电动机、轴承生热依据;考虑冷却系统、润滑系统参数及环境条件对换热系数的影响,采用最小二乘算法,基于电主轴表面温度测试数据,优化电主轴换热系数,并将优化后的换热系数作为有限元模型的边界条件。建立170SD30-SY电主轴温升预测模型,将换热系数优化前后的温度场仿真数据分别与试验数据对比。结果表明,换热系数优化后的温升预测模型预测的精度提高了4.78%,提出的电主轴温升预测模型有较高的预测精度。     

基于轻量级梯度提升机的非对称风险注塑成形产品尺寸预测模型

受温度、气压等环境不稳定因素的影响,注塑成形加工过程中工艺参数发生变化,从而导致产品精度下降,产品降级或报废.针对类似环境不稳定因素影响问题,利用加工过程中的数据进行注塑成形尺寸预测,有助于不合格产品的及时发现,减少不合格品的产生.基于轻量级梯度提升机(LightGBM)框架设计了基于加工过程数据及参数的注塑成形产品尺...     

基于 CSA-NARX 模型的电梯钢丝绳动态张力预测方法

为了预测曳引式电梯钢丝绳的动态张力,对带有外部输入的非线性自回归神经网络( NARX )进行研究,利用变色龙优化算法( CSA )对其关键参数进行优化,提出了 CSA-NARX 神经网络模型。该模型在计算速度以及预测精度方面皆优于 NARX 基础模型。最后,利用提出的神经网络模型对电梯上行过程中钢丝绳的动态张力进行预测,其预测精度达到了 97% 。以传统的非平稳时间序列分析模型 ARMA 和 LSTM 为对比,所提出模型的精度更高,验证了所提出模型的有效性。     

基于X射线图像和激光点云的煤矸识别方法

煤矸高效分选是实现煤炭资源绿色开采的重要手段,其核心技术是煤和矸石的快速精准识别。因此,本文提出了基于X射线图像和激光点云融合的煤矸识别方法。首先,设计了基于局部熵和全局均差加权的改进Otsu分割算法,以此提高X射线图像的分割精度和分割效率;同时,利用直通滤波和体素栅格降采样简化了煤矸激光点云数据,进而提取了X射线图像和激光点云的煤矸组合特征。然后,针对传统麻雀搜索算法(SSA)易陷入局部最优和种群多样性差等问题,提出了多策略改进的SSA算法(ISSA),并用于轻量梯度提升机(LightGBM)参数的寻优,进而设计了基于ISSA-LightGBM的煤矸快速识别模型。最后,搭建了煤矸识别实验平台,开展了相应的实验对比分析,结果表明：ISSA-LightGBM模型的煤矸识别准确达99.00%,综合性能优于其它模型,满足了煤矸高效识别的需求。     

基于随机森林算法的改性水润滑轴承摩擦性能预测*

为验证随机森林算法在预测改性水润滑轴承摩擦学性能上的可行性,利用Python编写算法,并通过已知实验数据进行仿真建模。通过已知数据对算法的准确性进行验证,其接受者操作特征（ROC）曲线的均值为0.85,证明模型的准确性较高。在不同温度及载荷工况条件下通过实验对预测模型进行验证,实验结果与预测结果间的误差均在5%左右,表明构建的随机森林模型可以用于改性水润滑轴承的摩擦学性能预测。研究结果表明：温度对于该改性水润滑轴承的平均摩擦因数有较大的影响,而负载对平均摩擦因数的影响较小,但是对于轴承的运转稳定性影响较大。     

Numerical study on human model shape and grid dependency for indoor thermal comfort evaluation

Various computer-simulated person (CSP) models have been used to represent occupants in indoor airflow simulations using computational fluid dynamics (CFD). Despite the capability of CFD to predict temperature and velocity fields in an automotive cabin or a room in a building, it is more difficult to evaluate the degree of thermal comfort considered by the CSP models. Up to now, the shapes of CSP models and their grid characteristics have not been studied for the evaluation of indoor thermal comfort. In this paper, the effects of the human model’s shape and the physical characteristics of the grids are studied. The FLUENT code is used for analysis, and the predicted mean vote (PMV), predicted percentage dissatisfied (PPD), and equivalent homogeneous temperature (EHT) values are used for the evaluation and comparison of thermal comfort. The computational results show that the CSP shape and grid features do not affect the global flow fields or the evaluations of PMV and PPD. However, more precise results are obtained from the evaluation of thermal comfort by EHT when detailed human models with a prism grid are used.     

基于小波去噪和LSTM模型的短时交通流预测

针对现有的部分交通流预测模型仅面向单一路段进行,模型输入数据未预处理的问题,采用启发式阈值算法对小波分解后的原始交通流数据进行去噪处理,通过对路网内各路段交通流数据相关性系数计算,构造出路网交通流数据压缩矩阵。数据去噪将数据对模型的干扰降到最低,同时路网数据相关性分析又使预测在路网层面上进行了考量。利用长短时记忆(LSTM)网络在时序数据处理方面的优势,将压缩矩阵输入构造好的LSTM模型进行短时交通流预测。利用去噪处理数据和原始数据分别训练LSTM-1和LSTM-2模型,通过仿真实验,设置不同预测时间将本文提出的预测方法和其他4种模型对比,验证了相较于其他4种模型预测的准确率平均可提升10.278%,预测的准确率达到了95.58%,说明这是一种高效率的短时交通流预测方法。