工业场景下基于深度学习的时序预测方法及应用

为了系统性地归纳工业场景下时序预测方法及应用,首先介绍了统计学习、集成学习、深度学习三类时序预测算法,并围绕工业数据分析与决策问题,重点分析了循环神经网络、卷积神经网络、编码?解码器模型三类深度学习模型的优缺点及适用的工业应用场景。为了清晰全面地评估模型性能,介绍了面向点预测、序列预测问题的统计指标和误差计算方法。同时,整理了经典的公开工业数据集,以便研究者快速评估算法性能。并以过程工业中的采矿、冶金为例,介绍了时序预测方法在真实工业场景下的应用和效果。最后,总结了工业领域中应用深度学习技术所面临的低稳健性和弱可解释性等问题,并探讨了工业场景下时序预测方法研究的未来发展方向。      

基于强化学习的浓密机底流浓度在线控制算法

复杂过程工业控制一直是控制应用领域研究的前沿问题. 浓密机作为一种复杂大型工业设备广泛用于冶金、采矿等领域. 由于其在运行过程中具有多变量、非线性、高时滞等特点, 浓密机的底流浓度控制技术一直是学界、工业界的研究难点与热点. 本文提出了一种基于强化学习技术的浓密机在线控制算法. 该算法在传统启发式动态规划 (Heuristic dynamic programming, HDP)算法的基础上, 设计融合了评价网络与模型网络的双网结构, 并提出了基于短期经验回放的方法用于增强评价网络的训练准确性, 实现了对浓密机底流浓度的稳定控制, 并保持控制输入稳定在设定范围之内. 最后, 通过浓密机仿真实验的方式验证了算法的有效性, 实验结果表明本文提出的方法在时间消耗、控制精度上优于其他算法.     

DFA-ODENets：面向周期多阶段复杂系统的预测仿真框架

部分复杂系统受内外部因素影响在运行时会呈现出周期性的阶段变化，且在不同阶段具有完全不同的动态特性.因此在使用数据驱动方法解决此类系统的预测和仿真问题时，使用单一结构模型难以准确地学习系统在不同阶段的动态特性.本研究提出了基于确定性有限状态机-常微分方程网络的预测仿真框架(DFA-ODENets)，以建模周期多阶段系统.该模型由多个ODENet组成，每个ODENet能够从不规则采样的序列数据中学习系统在各个阶段内的动态特性.同时模型集成了基于确定性有限状态自动机思想的阶段转换预测器以实现模型预测时在不同阶段之间自动转换.最后，将DFA-ODENet框架应用于某计算中心制冷系统的预测仿真场景中.模型能够在给定系统运行过程中的服务器负载和环境温度下模拟系统运行过程，并对系统的制冷功率、进气口温度等主要输出变量进行预测.其中，对于制冷系统能耗预测的平均相对误差在5%以内.同时，利用制冷系统仿真模型优化了系统停止制冷时的温度设定值，通过仿真实验表明该优化最高可以节省18%的制冷能耗.