CN115438309A - 基于lstm-svr的无人机发动机健康评估方法 - Google Patents
基于lstm-svr的无人机发动机健康评估方法 Download PDFInfo
- Publication number
- CN115438309A CN115438309A CN202211084516.XA CN202211084516A CN115438309A CN 115438309 A CN115438309 A CN 115438309A CN 202211084516 A CN202211084516 A CN 202211084516A CN 115438309 A CN115438309 A CN 115438309A
- Authority
- CN
- China
- Prior art keywords
- lstm
- model
- svr
- prediction
- unmanned aerial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出基于LSTM‑SVR(长短时记忆‑支持向量回归)的无人机发动机健康评估方法。包括:步骤1、收集无人机发动机在工作过程中的传感器历史数据作为原始数据,通过数据归一化处理后,构建训练样本,训练样本包括训练集和测试集;步骤2、在步骤1构建训练样本基础上,创建LSTM‑SVR模型,作为无人机发动机健康预测模型;步骤3、将步骤1的测试集输入到步骤2构建的LSTM‑SVR模型,模型输出值通过未确知理论和深度信念理论,得到的HRD,通过HRD评价发动机的健康状态。本发明采用混合LSTM‑SVR模型进行健康评估方法,利用了SVR模型对LSTM模型预测残差的补偿,提高了预测精度。
Description
技术领域
本发明涉及无人机领域,涉及基于LSTM-SVR的无人机发动机健康评估方法
背景技术
现阶段,无人机技术日益成熟,作为一个新兴产业也越来越受研究人员关注,无人机技术正在向高灵活、高功率、长行程方向迅速发展。由于无人机的故障很多是由于发动机引起的,而无人机的发动机结构异常复杂,影响发动机寿命的影响参数很多,同时这些参数范围和格式也均不同,影响程度也不同,因此当发动机出现故障时导致维修成本很高。为了降低维修成本同时降低发动机健康程度的预测误差,本发明提出基于LSTM-SVR的无人机发动机健康评估方法。首先,对无人机发动机上传感器收集到的原始数据进行归一化处理,将处理后的数据作为输入量,建立LSTM神经网络,进行LSTM模型训练,建立SVR模型进行训练,最后将LSTM和SVR相结合,建立了一种混合LSTM-SVR的健康预测模型。该模型采用求解非线性回归问题常用的SVR方法来降低LSTM的预测误差,将输出测量值通过未确知理论和深度信念网络转化为HRD,评估发动机的健康状态。
发明内容
为了克服现有技术存在的缺点,本发明提供了基于LSTM-SVR的无人机发动机健康评估方法,用于解决背景技术中提到的发动机维修成本高以及健康程度预测精度低的问题。
本发明采用了如下技术方案:
基于LSTM-SVR的无人机发动机健康评估方法,包括:
步骤1、收集无人机发动机在工作过程中的传感器历史数据作为原始数据,通过数据归一化处理后,构建训练样本,训练样本包括训练集和测试集;
步骤2、在步骤1构建训练样本基础上,创建长短期记忆网络(LSTM)网络和支持向量回归(SVR)模型,作为无人机发动机健康预测模型;
步骤3、将步骤1的测试集输入到步骤2构建的LSTM-SVR模型,模型输出值通过未确知理论和深度信念网络,得到的健康可信度(HRD),通过HRD评价发动机的健康状态。
优选地,所述步骤1的具体步骤包括:
步骤1.1:对无人机发动机在工作过程中的传感器获取的原始传感器数据,进行归一化和标准化处理;
步骤1.2:对步骤1.1处理后的数据进行特征选择;
步骤1.3:对步骤1.2特征选择后的数据,构建训练样本,训练样本包括训练集和测试集。
优选地,所述步骤1.1的归一化和标准化处理具体方法为计算式(1)和(2),
x0表示传感器原始数据,xmax表示同维度样本最大值,xmin表示同维度最小值,xi′表示为归一化处理之后的第i个传感器的数据。xi和Si表示第i个传感器数据的均值和标准差。
优选地,所述步骤2的具体步骤包括:
步骤2.1:构建LSTM;
步骤2.2:将步骤1的测试集输入到LSTM网络中,设置学习率和隐含层神经元个数后进行LSTM结构模型的训练和预测,生成一组预测值Lt,从预测值Lt中减去t时刻的真实值Yt,得到LSTM的预测误差et;
步骤2.3:根据LSTM结构模型训练的损失,更新LSTM结构模型参数;
步骤2.5:合并LSTM模型预测值Lt与SVR纠正得到的误差et,最终获得混合模型的预测结果。
优选地:根据LSTM结构模型训练的损失,更新LSTM结构模型参数;所述步骤2.1,构建LSTM模型和SVR模型作为发动机健康预测模型,LSTM结构模型的遗忘门、输入门和输出门选择sigmoid激活函数,记为σ,输出范围为[0,1],代表当前输入信息的重要程度,越接近1表示越重要,在生成候选记忆时,选择tanh激活函数,用于调节流经网络的值,将输出数值始终限制在[-1,1]之间;SVR模型长用于优化系统模型,SVR在线性函数两侧制造了一个“间隔带”,间距为∈对所有落入到间隔带内的样本不计算损失,也就是只有支持向量才会对其函数模型产生影响,最后通过最小化总损失和最大化间隔来得出优化后的模型,它的意义确保预测值f(x)与训练标号的差异最小。
优选地,根据步骤3中具体步骤包括:
步骤3.1:根据LSTM-SVR模型的输出值,建立未确知评价指标集,确定基于不同评价指标的未确知测度函数,并根据该函数构建未确知评估模型;
步骤3.2:根据发动机上不同传感器及不同时刻点的对发动机的健康状态等级的影响,构建权重分配模型;
步骤3.3:根据深度信念网络,融合未确知评估参数获得HRD,通过HRD评价发动机的健康状态。
本发明的有益效果是:本发明提出了基于LSTM-SVR的无人机发动机健康评估方法。通过对多个传感器得到的数据进行归一化后。训练了一种基于LSTM的深度神经网络,并且通过训练SVR模型对LSTM的误差进行补偿拟合。混合预测模型采用SVR对LSTM在各时间点的预测误差进行拟合。它是一种广泛应用于时间序列预测研究的思想,避免了单个模型的预测误差影响结果的问题,从而提高了模型的预测精度。
附图说明
图1为本发明的方法流程图。
图2为LSTM神经网络结构图。
图3为SVR模型。
图4为混合LSTM-SVR工作机理。
图5为模型的训练流程图。
图6为HRD计算方法流程图。
图7为HRD结构图。
图8为本发明的模型结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面通过附图,对本发明进行进一步详细说明。
除非另有定义,本文所使用的所有的技术术语和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同,本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
基于LSTM-SVR的无人机发动机健康评估方法,包括以下步骤:
步骤1、收集无人机发动机在工作过程中的传感器历史数据作为原始数据,通过数据归一化处理后,构建训练样本,训练样本包括训练集和测试集;
步骤1.1:对无人机发动机在工作过程中的传感器获取的原始传感器数据,进行归一化和标准化处理,如计算式(1),(2):
步骤1.2:对步骤1.1处理后的数据进行特征选择;将传感器数据在发动机的整个寿命周期保持不变或变化较小,剔除此类数据,为提高发动机健康预测精度,选择剩余有变化的数据进行实验;
步骤1.3:对步骤1.2特征选择后的数据,构建训练样本,训练样本包括训练集和测试集;经过特征选择后的训练集与测试集均为多维,训练集包括发动机整个寿命周期的数据,测试集为发动机从第一个循环周期到失效前的循环周期之间的监测数据。
步骤2、在步骤1构建训练样本基础上,创建LSTM网络和SVR模型,作为无人机发动机健康预测模型,具体步骤包括:
步骤2.1:构建LSTM;
如图2所示,构建LSTM模型;
LSTM网络中每个存储单元包含遗忘门ft、输入门Ct和输出门ot。在每个时间步中,这些门控制时间序列中的信息流,以便更好地捕获时间序列中的信息。
LSTM网络如图2,首先,当前时刻的输入数据xt和最后时刻的隐层输出ht-1流入遗忘门ft,遗忘门负责过滤掉无用的历史信息。遗忘门ft的数学表达式为(3):
ft=σ(Wf·[ht-1,xt]+bf) (3)
其中Wf为遗忘门的权值,bf为相应的偏置。
σ为非线性激活函数,为式(4)所示的s型函数。
输入门它决定哪一部分的信息将被更新,同时,单元状态Ct可以通过将保留在旧状态(ft,Ct-1)中的元素与新添加的部分(it,Ct′)组合来更新。其中的数学表达式如(5),(6),(7):
it=σ(Wi·[ht-1,xt]+bi) (5)
Ct′=tanh(Ws·[ht-1,xt]+bs) (6)
Ct=ft·Ct-1+it·Ct′ (7)
其中,Wi、Ws分别表示输入门和当前单元状态的权重,bi、bs表示相应的偏差。
计算公式(6)中的激活函数为双曲正切函数,如计算公式(8):
输出ht的值由输出门ot决定,如(9):
ot=σ(Wo·[ht-1,xt]+bo) (9)
ht=ot·tanh(Ct) (10)
其中,Wo为输出门的权值,bo为相应的偏置。
步骤2.2:将步骤1的测试集输入到LSTM网络中,设置学习率和隐含层神经元个数后进行LSTM结构模型的训练和预测,生成一组预测值Lt,从预测值Lt中减去t时刻的真实值Yt,得到LSTM的预测误差et;
按照网络各层之间的权重参数,网络的第l层,其权重参数(wl,bl)由上一层的数据决定;
将上一层输入输出作为LSTM网络模型的输入和输出进行训练,调整模型参数,损失函数为平方重构误差;
完成训练过程后,利用步骤1中处理后的数据,通过LSTM模型输出结果,得到预测值;
将得到的预测值与实际数据进行对比,采用相对误差作为衡量标准,衡量LSTM网络模型的预测准确性。
步骤2.3:根据LSTM结构模型训练的损失,更新LSTM结构模型参数;
初始化LSTM网络的权重参数wl;模型的损失函数如式(11)采用梯度下降法最小化损失函数Vl为公式(12):
m表示批量大小,η表示学习率。
SVR的一般线性回归模型为计算式(13):
f(x)=wTx+b (13)
SVR模型通过“软化”预测结果,允许预测值与实际值存在一定的误差∈,这相当于以预测值f(x)为中心,形成一条宽度为2∈的预测误差隔离带,落入该隔离带内的数据为预测正确,损失就为0,同时离隔离带最近的输入向量构成了其“支持向量”。为最小化损失,可通过最小化法向量w的欧几里范数实现,SVR问题就转化为计算式(14):
C为正则化系数,用于对前后两项进行这种计算,前项表示在模型结构上尽可能使得所有预测值都落入误差范围内,后项应用ε不敏感损失函数刻画模型预测效果与实际的数据的契合程度,记为计算式(15):
即当预测值与实际值的绝对误差在∈范围内,认为预测正确,损失为0;否则,预测有误差,损失值为绝对误差减去∈;
对于传感器时序数据而言,其往往呈现出非线性变化趋势,而SVR可通过非线性映射函数将样本映射到高维空间,然后采用核函数K(xi,xj)替换高维空间的向量内积最常用的核函数是高斯径向基核函数其表达式为(20):
σ>0为高斯核的贷款,gamma=1/(2σ2)式中,gamma为高斯径向基核函数,高斯径向基核函数使SVR具有更强的非线性预测能力,最终得到SVR回归函数为(21):
利用构建的SVR模型对LSTM预测的误差et进行回归预测,并通过网格寻优(GS)算法,进行SVR惩罚参数C和径向基函数核参数gamma的寻优获得预测值,即应用SVR模型对LSTM预测的误差et进行纠正得到预测误差
在使用LSTM模型对实际数据进行预测后,由于LSTM模型在时序预测的问题上存在难以准确预测没有在训练集出现过的值,,实际训练中前N个时间单位的每个值都可能存在一定的误差,再用前N个带有误差的预测值去预测第N+1个,这样LSTM模型的误差会随着时间的推移越来越大;针对LSTM模型预测值与实际值的偏差et,采用SVR模型引入松弛变量的方法,对每个单位时间的值进行纠正,减少误差,提高预测精确度。
步骤3、将步骤1的测试集输入到步骤2构建的LSTM-SVR模型,模型输出值通过未确知理论和深度信念网络,得到的HRD,通过HRD评价发动机的健康状态。
根据HRD的量化指标,将系统或单传感器分为了四个不同的健康状态等级,分为是健康状态(Health State,HS),亚健康状态(Sub-Health State,SHS),故障边缘状态(Marginal Failure State,MFS)及故障状态(Failure State,FS)。
步骤3.1:根据LSTM-SVR模型的输出值,建立未确知评价指标集,确定基于不同评价指标的未确知测度函数,并根据该函数构建未确知评估模型;
应用未确知理论将各模型输出经未确知测度函数转化成未确知关联度(urd);
为表达发动机的健康等级,采用多级极限方差法进行评价,未确知测度区间将发动机的健康等级分为健康,亚健康,故障边缘,故障,四个评价指标为未确知隶属度参数,分别记作urdHS,urdSHS,urdMFS,urdFS,为保证系统可以有效容忍一倍方差的噪声干扰,将系统存在一倍方差的噪声认定为健康状态;同理,当测量值与最佳估计值的误差处于1倍方差到3倍方差间时,系统处于亚健康时,当测量值状态处于故障边缘时,测量值误差处于3倍方差至5倍方差,当在故障状态时,其测量值与最佳估计值的误差超过5倍方差,即系统故障时;采用这种方法,其健康范围也同样设置在一倍方差内,可以有效抑制强干扰造成的错误评估的可能。通过设置未确知评价指标集的多级极限方差,可以有效减少强干扰情况下的评估错误的可能性。
未确知测度函数用于表达模型输出值与未确知评价指标间的映射关系;当发动机处于健康状态时,其测量值越接近于最佳估计值,此时健康状态的未确知测度参数urdHS越大,urdSHS,urdMFS和urdFS越小,具体表达式为(22)(23)(24)(25):
fHS(x)=exp[-‖x-μ‖2/2σ2] (22)
σ为标准差,μ为均值;
根据已建立的未确知测度函数,可以获取包含不同评价指标的未确知评估模型。
步骤3.2:根据发动机上不同传感器及不同时刻点的对发动机的健康状态等级的影响,构建权重分配模型;
发动机中不同传感器的权重值是通过方差法实现的,第i个传感器的第k个评价指标的方差如式(26):
dij=|xij-μi| (26)
其权重Wj={w1j,w2j,……,wmj},为计算式(27):
获取决策权重后,由不同传感器的决策权重或不同时间点的权重,可以确定综合未确知评估参数(CUAV),计算式为(28):
CUAV=[urdHS urdSHS uxdMFS urdFS] (28)
步骤3.3:根据深度信念网络,融合未确知评估参数获得HRD,通过HRD评价发动机的健康状态;
HRD是应用深度信念网络融合CUAV获取,采用深度信念网络实现将四个未确知测度参数urdHS,urdSHS,urdMFS,urdFS,作为确定HRD的输入评价指标,健康可信度的公式如式(29):
HRD=f(urdHS,urdSHS,urdMFS,urdFS) (29)
发明采用HRD表达一种量化的健康水平,其意义在于将定性的健康状态转化成定量的健康指标,使得系统的工作状态可以直观表现出来。
HRD的取值范围为0到1。当该值为1时,表示系统或目标传感器的工作状态完全健康;当该值为0时,表示系统或传感器处于严重的故障状态
HRD与健康状态等级的关系,如表1:
HRD与健康状态等级的关系
分类 | HRD值 | 健康状态评级 |
A1 | 0.9≤HRD≤1 | 健康(HS) |
A2 | 0.6≤HRD<1 | 亚健康(SHS) |
A3 | 0.1≤HRD<0.6 | 故障边缘(MFS) |
A4 | 0≤HRD<0.1 | 故障(FS) |
说明使用拉依达法则,根据当前的HRD和相应的故障预警等级,每一级根据相应健康预测置信水平确立(如HRDμ+σ:68.26%,HRDμ+3σ:99.74%)。
结合表1所述的健康水平,构建了健康预测系统,其预测等级和相应的规则如表2所示:
表2健康预测系统
上实施方式只为说明本发明的技术构思及特点,其目的在于让本领域的技术人员了解本发明的内容并加以实施,并不能以此限制本发明的保护范围,凡根据本发明精神实质所做的等效变化或修饰,都应涵盖在本发明的保护范围内。
Claims (6)
1.基于LSTM-SVR的无人机发动机健康评估方法,其特征在于,所述方法具体包括以下步骤:
步骤1、收集无人机发动机在工作过程中的传感器历史数据作为原始数据,通过数据归一化处理后,构建训练样本,训练样本包括训练集和测试集;
步骤2、在步骤1构建训练样本基础上,创建长短期记忆网络(LSTM)网络和支持向量回归(SVR)模型,作为无人机发动机健康预测模型;
步骤3、将步骤1的测试集输入到步骤2构建的LSTM-SVR模型,模型输出值通过未确知理论和深度信念网络,得到的健康可信度(HRD),通过HRD评价发动机的健康状态。
2.根据权利要求1中步骤一所述的基于LSTM-SVR的无人机发动机健康评估方法,其特征在于:所述步骤1的具体步骤包括:
步骤1.1:对无人机发动机在工作过程中的传感器获取的原始传感器数据,进行归一化和标准化处理;
步骤1.2:对步骤1.1处理后的数据进行特征选择;
步骤1.3:对步骤1.2特征选择后的数据,构建训练样本,训练样本包括训练集和测试集。
4.根据权利要求3所述的基于LSTM-SVR的无人机发动机健康评估方法,其特征在于:所述步骤2的具体步骤包括:
步骤2.1:构建LSTM;
步骤2.2:将步骤1的测试集输入到LSTM网络中,设置学习率和隐含层神经元个数后进行LSTM结构模型的训练和预测,生成一组预测值Lt,从预测值Lt中减去t时刻的真实值Yt,得到LSTM的预测误差et;
步骤2.3:根据LSTM结构模型训练的损失,更新LSTM结构模型参数;
步骤2.5:合并LSTM模型预测值Lt与SVR纠正得到的误差et,最终获得混合模型的预测结果。
5.根据权利要求4所述的基于LSTM-SVR的无人机发动机健康评估方法,其特征在于:所述步骤2.1,构建LSTM模型和SVR模型作为发动机健康预测模型,LSTM结构模型的遗忘门、输入门和输出门选择sigmoid激活函数,记为σ,输出范围为[0,1],代表当前输入信息的重要程度,越接近1表示越重要,在生成候选记忆时,选择tanh激活函数,用于调节流经网络的值,将输出数值始终限制在[-1,1]之间;SVR模型长用于优化系统模型,SVR在线性函数两侧制造了一个“间隔带”,间距为∈对所有落入到间隔带内的样本不计算损失,也就是只有支持向量才会对其函数模型产生影响,最后通过最小化总损失和最大化间隔来得出优化后的模型,确保预测值f(x)与训练标号的差异最小。
6.根据权利要求5所述的基于LSTM-SVR的无人机发动机健康评估方法,其特征在于:所述步骤3的具体步骤包括:
步骤3.1:根据LSTM-SVR模型的输出值,建立未确知评价指标集,确定基于不同评价指标的未确知测度函数,并根据该函数构建未确知评估模型;
步骤3.2:根据发动机上不同传感器及不同时刻点的对发动机的健康状态等级的影响,构建权重分配模型;
步骤3.3:根据深度信念网络,融合未确知评估参数获得HRD,通过HRD评价发动机的健康状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211084516.XA CN115438309A (zh) | 2022-09-06 | 2022-09-06 | 基于lstm-svr的无人机发动机健康评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211084516.XA CN115438309A (zh) | 2022-09-06 | 2022-09-06 | 基于lstm-svr的无人机发动机健康评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115438309A true CN115438309A (zh) | 2022-12-06 |
Family
ID=84246677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211084516.XA Pending CN115438309A (zh) | 2022-09-06 | 2022-09-06 | 基于lstm-svr的无人机发动机健康评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115438309A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579500A (zh) * | 2023-06-20 | 2023-08-11 | 国家电投集团综合智慧能源科技有限公司 | 一种光伏电站健康度预测方法、系统和存储介质 |
-
2022
- 2022-09-06 CN CN202211084516.XA patent/CN115438309A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579500A (zh) * | 2023-06-20 | 2023-08-11 | 国家电投集团综合智慧能源科技有限公司 | 一种光伏电站健康度预测方法、系统和存储介质 |
CN116579500B (zh) * | 2023-06-20 | 2023-10-13 | 国家电投集团综合智慧能源科技有限公司 | 一种光伏电站健康度预测方法、系统和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN110263866B (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
CN112241608B (zh) | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN110794093B (zh) | 一种蒸发过程出料苛性碱浓度测量装置精度补偿方法 | |
CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
CN109726517B (zh) | 一种基于多变量关联数据的设备剩余寿命预测方法 | |
CN114015825B (zh) | 基于注意力机制的高炉热负荷异常状态监测方法 | |
CN110824914B (zh) | 一种基于pca-lstm网络的废水处理智能监控方法 | |
CN113723007A (zh) | 基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法 | |
Li et al. | Domain adaptation remaining useful life prediction method based on AdaBN-DCNN | |
CN113052271B (zh) | 基于深度神经网络的生物发酵数据预测方法 | |
CN112633493A (zh) | 一种面向工业设备数据的故障诊断方法及系统 | |
CN112651119B (zh) | 一种空间谐波减速器多性能参数加速退化试验评估方法 | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN115438309A (zh) | 基于lstm-svr的无人机发动机健康评估方法 | |
CN115096357A (zh) | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 | |
CN112734131A (zh) | 一种基于深度学习算法的风机叶片覆冰状态预测方法 | |
CN110245398B (zh) | 空气预热器转子热变形量的软测量深度学习方法 | |
CN114897103A (zh) | 一种基于近邻成分损失优化多尺度卷积神经网络的工业过程故障诊断方法 | |
CN112819087B (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
CN110542748B (zh) | 一种基于知识的鲁棒型出水氨氮软测量方法 | |
CN116842358A (zh) | 一种基于多尺度卷积和自适应特征融合的软测量建模方法 | |
CN115794805A (zh) | 一种中低压配网量测数据补齐方法 | |
CN113011102B (zh) | 基于多元时间序列的Attention-LSTM的青霉素发酵过程故障预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Xu Xinjie Inventor after: Xu Zhiling Inventor after: Xie Feifan Inventor after: Wang Huanhuan Inventor before: Xu Xinjie Inventor before: Xu Zhiling Inventor before: Xie Feifan Inventor before: Hu Linli Inventor before: Wang Huanhuan |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |