CN115496104A - 一种空压机母管压力预测方法、装置、电子设备 - Google Patents
一种空压机母管压力预测方法、装置、电子设备 Download PDFInfo
- Publication number
- CN115496104A CN115496104A CN202211176654.0A CN202211176654A CN115496104A CN 115496104 A CN115496104 A CN 115496104A CN 202211176654 A CN202211176654 A CN 202211176654A CN 115496104 A CN115496104 A CN 115496104A
- Authority
- CN
- China
- Prior art keywords
- air compressor
- layer
- main pipe
- data
- bilstm
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
- F04B49/06—Control using electricity
- F04B49/065—Control using electricity and making use of computers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种空压机母管压力预测方法、装置、电子设备,涉及工业控制技术领域,包括以下步骤:获取空压机历史数据并预处理,得到建模数据;根据空压机母管压力的预测需求初始化CNN网络和BiLSTM网络构建时空信息模型;利用初始化之后的CNN网络提取所述空压机历史数据的特征数据,获取所述空压机历史数据每个特征的空间信息;将提取的空间数据送入带有注意力机制的BiLSTM网络训练,构建形成CNN‑BiLSTM空压机母管压力预测模型;通过测试集评估和优化所述CNN‑BiLSTM空压机母管压力预测模型,通过优化后的CNN‑BiLSTM空压机母管压力预测模型完成实时空压机母管压力预测。该方案不仅考虑空压机运行数据的时序性和双向特征,还关注不同特征之间的空间关联性,预测精度更高。
Description
技术领域
本发明涉及工业控制技术领域,具体涉及空压机母管压力预测方法。
背景技术
空压机是一种工业动力设备,在气体使用方的不同生产用气需求下,需要启动空压站中的一个或多个空压机,以满足用气需求。现场用气量不稳定,气压波动大,空压机的频繁加载也会造成母管压力的起伏。为了保证母管压力高于最低要求压力,下限压力设置一般都会考虑安全余量,波动越大,安全余量越高,母管平均压力越高,空压站能耗浪费就越严重。
目前解决的主要方法是采用空压站联控,通过协同各设备启停和加卸载来提升设备加载率,降低管网平均压力,从而达到节能的效果。基本原理是:实时监测母管压力,并设置母管压力的上限值和下限值,当母管压力低于下限值时,控制某一台设备启动加载,当母管压力高于上限值时,控制某一台设备卸载停机。该联控方法存在一个问题,即控制存在滞后性,因为空压机存在一个加载延迟和停机延时。因此对母管压力进行准确预测是一个待解决的问题。
母管压力预测在具体实施上充满诸多问题。例如:现有数据的准确性、影响母管压力预测的众多变量、所涉及的预测范围以及预测周期的多样性等均会影响母管压力预测结果可靠性。未来给定时间的母管压力通常与过去的母管压力有着重要且紧密的联系,因此大量研究利用此重要联系,对母管压力进行精确且可靠地预测。
发明内容
本发明针对现有技术中的缺点,提供了一种提出基于时空信息融合的空压机母管压力预测方法。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
一种空压机母管压力预测方法,包括以下步骤:
获取空压机历史数据并预处理,得到建模数据;
根据空压机母管压力的预测需求初始化CNN网络和BiLSTM网络构建时空信息模型;
利用初始化之后的CNN网络提取所述空压机历史数据的特征数据,获取所述空压机历史数据每个特征的空间信息;
将提取的空间数据送入带有注意力机制的BiLSTM网络训练,构建形成CNN-BiLSTM空压机母管压力预测模型;
通过测试集评估和优化所述CNN-BiLSTM空压机母管压力预测模型,通过优化后的CNN-BiLSTM空压机母管压力预测模型完成实时空压机母管压力预测。
其中,所述空压机历史数据包括:
收集空压机的历史数据,包括每个空压机入口温度、空压机入口压力、空压机进水压力、空压机回水压力、空压机进水温度、空压机回水温度、空压机出口流速、空压机瞬时流量、空压机出口温度、空压机电流、空压机电压和空压机功率。
其中,所述根据空压机母管压力的预测需求初始化CNN网络和BiLSTM网络构建时空信息模型的方法,包括:
初始化CNN网络的参数包括卷积层、池化层和卷积激活函数;
初始化BiLSTM网络的参数包括隐含层、隐含层神经元、输入层、输出层、激活函数、优化器和学习率因子;
设置Dropout层。
其中,利用初始化之后的CNN网络提取所述空压机历史数据的特征数据,获取所述空压机历史数据每个特征的空间信息的方法,包括:
CNN网络通过卷积层对空压机测试集数据进行卷积计算后,使用设定的激活函数提取输入数据的局部特征信息,池化层对卷积层进行采样从而减少网络计算量以及参数个数,通过的数据输入Dropout层,Dropout层输出特征序列作为BiLSTM网络的输入数据。
其中,所述带有注意力机制的BiLSTM网络的构建方法包括:
构建前向网络层,以及后向网络层,将前向网络层和后向网络层结果堆叠的综合输出;
综合输出数据输出至Attention机制层,对BiLSTM隐藏层所提取到的时间信息通过加权的方式进行重要程度的区分。
还提供另一种方案:
一种空压机母管压力预测方法,包括以下步骤:
获取空压机历史数据并预处理,得到建模数据;
构建模型包括根据空压机母管压力的预测需求初始化基于CNN网络和BiLSTM网络构建时空信息模型;
构建第一通道,包括依次连接的批归一化层、CNN网络层、批归一化层、注意力机制层和Dropout层;
构建第二通道,包括依次连接的BiLSTM层、批归一化层、注意力机制层和Dropout层;
第一通道和第二通道的Dropout层输出连接至融合层,得到历史数据每个特征的空间信息;
采用Regression回归到样本特征向量输入全连接层;
通过测试集输入所述CNN-BiLSTM空压机母管压力预测模型,获取预测结果。
本发明的有益效果:
区别于现有的预测方法只关注变量之间时间相关性,空压机数据之间的空间信息一般被忽略,本发明受卷积神经网络可以获取空间信息的启发,提出将空压机数据的时间信息和空间信息组合,提出基于时空信息融合的空压机母管压力预测方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为实施例1中CNN-BiLSTM空压机母管压力预测方法流程图;
图2为实施例1中方法的具体实现流程图;
图3为实施例1中CNN-BiLSTM网络结构图;
图4为卷积神经网络原理示意图;
图5为BiLSTM原理示意图;
图6为实施例1中基于Attention机制的BiLSTM示意图;
图7为实施例1中模型参数设置;
图8是实施例2公开的CNN-BiLSTM空压机母管压力预测方法。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
一种空压机母管压力预测模型的构建方法,包括以下步骤:
S1,获取空压机历史数据并预处理,得到建模数据;
S2,根据空压机母管压力的预测需求初始化CNN网络和BiLSTM网络构建时空信息模型;
S3,利用初始化之后的CNN网络提取所述空压机历史数据的特征数据,获取所述空压机历史数据每个特征的空间信息;
S4,将提取的空间数据送入带有注意力机制的BiLSTM网络训练,构建形成CNN-BiLSTM空压机母管压力预测模型;
S5,通过测试集评估和优化所述CNN-BiLSTM空压机母管压力预测模型,通过优化后的CNN-BiLSTM空压机母管压力预测模型完成实时空压机母管压力预测。
步骤S1中,作为具体的优选方案,还包括如下内容:
A1,其中,所述空压机历史数据包括:收集空压机的历史数据,包括每个空压机入口温度、空压机入口压力、空压机进水压力、空压机回水压力、空压机进水温度、空压机回水温度、空压机出口流速、空压机瞬时流量、空压机出口温度、空压机电流、空压机电压和空压机功率。
A2,进一步对收集到的空压机数据进行训练集和测试集的划分;本实施例中测试集数据为总数据集的10%。
A3,对采集的空压机运行数据进行标准化处理,得到所需测试样本数据集。
由于空压机运行数据包含不同类型的数据,表示对预测结果有所影响的不同的特征向量,比如温度,压力,以及功率数据,温度单位为摄氏度,而功率单位为kw,为了避免因量纲不同而导致的影响程度不同的问题,需要将各个维度的特征向量先进行归一化,其中,X为收集到的空压机运行数据,Z为标准化处理后的训练样本数据,为数据均值,σ为标准差,标准化公式为
其中,步骤S2,所述根据空压机母管压力的预测需求初始化CNN网络和BiLSTM网络构建时空信息模型的方法,如图2、图3包括:
初始化CNN网络的参数包括卷积层、池化层和卷积激活函数;
初始化BiLSTM网络的参数包括隐含层、隐含层神经元、输入层、输出层、激活函数、优化器和学习率因子;
设置Dropout层。
其中,如图7,一维卷积神经网络的Filters为16,epoch设置为20,batchsize设置为30,激活函数为relu,初始学习率为0.01,LSTM步长为6,优化方法为Adam;
如图3,CNN-BiLSTM神经网络结构为输入层,连接卷积层,通过部分连接两个BiLSTM层,通过部分连接到Attention层,通过一个Flatten层连接一个全连接层输出。
其中,利用初始化之后的CNN网络提取所述空压机历史数据的特征数据,获取所述空压机历史数据每个特征的空间信息的方法,包括:
CNN网络通过卷积层对空压机测试集数据进行卷积计算后,使用设定的激活函数提取输入数据的局部特征信息,池化层对卷积层进行采样从而减少网络计算量以及参数个数,通过的数据输入Dropout层,Dropout层输出特征序列作为BiLSTM网络的输入数据。
CNN网络卷积层利用卷积核进行空压机数据的有效非线性局部特征提取,池化层用于压缩提取的特征并生成更重要的特征信息,提高泛化能力。如图4。
本实施例使用的一维卷积理解为移动平均。对时序信号沿时间轴正方向进行局部非相关性特征的提取,以获得更多的时间特征。输入信号序列,经过滤波器,得到卷积结果。一般而言,滤波器的长度远小于输入数据的长度,图中连接边上的数字即滤波器的权重。计算公式如下:
Ft=σ(Wt*xt+bt)
σ表示激活函数,Wt表示滤波器的权重,bt表示偏置。将滤波器与输入序列逐元素相乘以得到输出序列中的一个局部特征信息。
局部特征信息表示可以用一些稳定出现的点来代替整段空压机运行数据,一般来说空压机运行数据需要涵盖几个月甚至一年,利用一维卷积神经网络的可以大大降低原有数据携带的大量信息,起到减少计算量的作用。另一方面,当数据受到干扰时,一些重要的信息即使被遮挡了,仍然能够从未被遮挡的特征点上还原重要的信息。
此外,由于空压机运行数据包括大量的变量如:每个空压机入口温度、空压机入口压力、空压机进水压力、空压机回水压力、空压机进水温度、空压机回水温度、空压机出口流速、空压机瞬时流量、空压机出口温度、空压机电流、空压机电压、空压机功率等,对每个变量执行一维卷积神经网络构成了二维卷积神经网络,二维数据如如图4所示,提取的特征为空间信息。空间信息包含空压机运行状态的整体部分,在很好的描述数据同时减轻计算复杂度。
由于单向LSTM下一刻预测输出仅收到前面多个时刻输入的影响,而在空压机数据中,多个时刻的运行数据的密切联系的,这种情况下预测会受到前面和后面多个时刻输入的共同影响。为了充分提取特征,引入双向长短时记忆网络从两个相反的方向计算上下文信息。
如图5、图6具体包括:构建前向网络层,以及后向网络层,将前向网络层和后向网络层结果堆叠的综合输出;
在前向层每个特征是从1时刻到t时刻正向计算一遍,得到并保存每个时刻向前隐含层的输出。在后向层沿着时刻t到时刻1反向计算一遍,得到并保存每个时刻向后隐含层的输出。最后在每个时刻结合Forward层和Backward层的相应时刻输出的结果得到最终的输出,用数学表达式如下:
然后综合输出数据输出至Attention机制层,利用注意力机制自动对BiLSTM隐藏层所提取到的时间信息通过加权的方式进行重要程度的区分。不同时刻数据提供的空压机数据信息对预测的结果的精度影响程度不尽相同。在空压机正常运行时,由于操作条件的变化空压机运行数据会发生阶跃变化,这些操作条件变化时间段对空压机数据预测影响较大,这些数据信息重要程度较大。在操作条件发生以后恢复平稳运行后,这些时间段数据只需要赋予较小重要权重。
但是,传统的神经网络不能对信号值序列的重要程度进行鉴别。由此,本实施例公开一种引入注意力机制的方式,自动对不同时刻历史数据片段的重要程度进行鉴别。注意力机制能够找到对当下任务中对预测空压机母管压力更为重要的数据信息,对其他数据的重要程度能够降低,以及过滤部分无效信息,解决了信息过载的问题,进一步提升预测的准确性。
注意力机制首先通过加权求和从输入序列中提取关键序列,可以表示为:
ei=tanh(Ws*hi+bs)
其中,ei表示信号序列各部分的重要程度,bs代表偏置向量,Ws表示权重矩阵,s代表特征向量。
然后注意力机制通过对隐藏层中的所有节点向量进行加权得到特征向量,该过程表示为:
y=softmax(Wo*s+bo)
其中:hi表示BiLSTM隐藏状态;ai表示权重系数;Wo表示权重矩阵;bo表示偏置向量。
最后需要利用测试集的数据对训练好的模型进行评估和优化,将预测的空压机母管压力与实际值进行对比,包括指标:
实施例2
一种空压机母管压力测试方法,本实施例公开的方法不仅考虑空压机数据的时序性和双向特征,还考虑不同特征之间的空间关联性,如图8所示,具体包括以下步骤:
获取空压机历史数据并预处理,得到建模数据;
构建模型包括根据空压机母管压力的预测需求初始化基于CNN网络和BiLSTM网络构建时空信息模型;
构建第一通道,包括依次连接的批归一化层、CNN网络层、批归一化层、注意力机制层和Dropout层;
构建第二通道,包括依次连接的BiLSTM层、批归一化层、注意力机制层和Dropout层;
第一通道和第二通道的Dropout层输出连接至融合层,得到历史数据每个特征的空间信息;
采用Regression回归到样本特征向量输入全连接层;
通过测试集输入所述CNN-BiLSTM空压机母管压力预测模型,获取预测结果。
其中,BiLSTM网络和CNN网络的具体结构请参考实施例1公开的内容进行实施。
在第一通道,利用添加Attention机制的BiLSTM网络进行双向全局时间特征的充分提取;同时,在第二通道中,利用一维卷积神经网络(CNN)对时序信号沿时间轴正方向进行局部非相关性特征的提取,以获得更多的时间特征,并在Attention机制的作用下合理地选择分配权重;
然后将第一通道和第二通道输出的特征向量进行融合,实现特征合并;融合层输出数据通过全连接层进行回归层预测。在第一通道和第二通道中引入Dropout层的目的在于防止模型出现过拟合,引入批归一化层的目的在于提高模型收敛速度,实现较低的训练时间。
双通道提取到的特征在经过融合层之后,得到空压机数据的全部特征。在融合层中,模型采用Regression回归到样本特征向量输入全连接层。
r,…,rt表示得到的空压机时间特征序列,W1,1等表示回归模型里的权值参数,可以通过回归得到,b1…,bt表示偏置。
由于在实际的空压机母管压力与其他运行数据的关系并不是简单的一个线性的对应关系,为了更准确拟合真实的场景,所以引入了非线性变化,例如sigmod函数等。
实施例3
一种空压机母管压力测试装置,包括以下结构:
预处理单元,用于获取空压机历史数据并预处理,得到建模数据;
初始化模型单元,根据空压机母管压力的预测需求初始化CNN网络和BiLSTM网络构建时空信息模型;
特征数据提取单元,利用初始化之后的CNN网络提取所述空压机历史数据的特征数据,获取所述空压机历史数据每个特征的空间信息;
用于将提取的空间数据送入带有注意力机制的BiLSTM网络训练,构建形成CNN-BiLSTM空压机母管压力预测模型;
优化输出单元,用于通过测试集、预测结果和评估指标评估预测模型并优化。
实施例4
一种空压机母管压力测试装置,包括以下结构:
预处理单元,获取空压机历史数据并预处理,得到建模数据;
初始化模型单元,构建模型包括根据空压机母管压力的预测需求初始化基于CNN网络和BiLSTM网络构建时空信息模型;
特征提取单元,包括第一通道,包括依次连接的批归一化层、CNN网络层、批归一化层、注意力机制层和Dropout层;第二通道,包括依次连接的BiLSTM层、批归一化层、注意力机制层和Dropout层;
融合单元,第一通道和第二通道的Dropout层输出连接至融合层,得到历史数据每个特征的空间信息;
预测单元,采用Regression回归到样本特征向量输入全连接层,进行回归层预测;
优化输出单元,用于通过测试集、预测结果和评估指标评估预测模型并优化。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。
所述单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何在本发明揭露的技术范围内的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种空压机母管压力预测方法,其特征在于,包括以下步骤:
获取空压机历史数据并预处理,得到建模数据;
根据空压机母管压力的预测需求初始化CNN网络和BiLSTM网络构建时空信息模型;
利用初始化之后的CNN网络提取所述空压机历史数据的特征数据,获取所述空压机历史数据每个特征的空间信息;
将提取的空间数据送入带有注意力机制的BiLSTM网络训练,构建形成CNN-BiLSTM空压机母管压力预测模型;
通过测试集评估和优化所述CNN-BiLSTM空压机母管压力预测模型,通过优化后的CNN-BiLSTM空压机母管压力预测模型完成实时空压机母管压力预测。
2.根据权利要求1所述的空压机母管压力预测方法,其中,所述空压机历史数据包括:
收集空压机的历史数据,包括每个空压机入口温度、空压机入口压力、空压机进水压力、空压机回水压力、空压机进水温度、空压机回水温度、空压机出口流速、空压机瞬时流量、空压机出口温度、空压机电流、空压机电压和空压机功率。
3.根据权利要求1所述的空压机母管压力预测方法,其中,所述根据空压机母管压力的预测需求初始化CNN网络和BiLSTM网络构建时空信息模型的方法,包括:
初始化CNN网络的参数包括卷积层、池化层和卷积激活函数;
初始化BiLSTM网络的参数包括隐含层、隐含层神经元、输入层、输出层、激活函数、优化器和学习率因子;
设置Dropout层。
4.根据权利要求1所述的空压机母管压力预测方法,其中,利用初始化之后的CNN网络提取所述空压机历史数据的特征数据,获取所述空压机历史数据每个特征的空间信息的方法,包括:
CNN网络通过卷积层对空压机测试集数据进行卷积计算后,使用设定的激活函数提取输入数据的局部特征信息,池化层对卷积层进行采样从而减少网络计算量以及参数个数,通过的数据输入Dropout层,Dropout层输出特征序列作为BiLSTM网络的输入数据。
5.根据权利要求1所述的空压机母管压力预测方法,其中,所述带有注意力机制的BiLSTM网络的构建方法包括:
构建前向网络层,以及后向网络层,将前向网络层和后向网络层结果堆叠的综合输出;
综合输出数据输出至Attention机制层,对BiLSTM隐藏层所提取到的时间信息通过加权的方式进行重要程度的区分。
7.一种空压机母管压力预测方法,其特征在于,包括以下步骤:
获取空压机历史数据并预处理,得到建模数据;
构建模型包括根据空压机母管压力的预测需求初始化基于CNN网络和BiLSTM网络构建时空信息模型;
构建第一通道,包括依次连接的批归一化层、CNN网络层、批归一化层、注意力机制层和Dropout层;
构建第二通道,包括依次连接的BiLSTM层、批归一化层、注意力机制层和Dropout层;
第一通道和第二通道的Dropout层输出连接至融合层,得到历史数据每个特征的空间信息;
采用Regression回归到样本特征向量输入全连接层;
通过测试集输入所述CNN-BiLSTM空压机母管压力预测模型,获取预测结果。
8.一种空压机母管压力预测装置,其特征在于,包括以下结构:
预处理单元,用于获取空压机历史数据并预处理,得到建模数据;
初始化模型单元,根据空压机母管压力的预测需求初始化CNN网络和BiLSTM网络构建时空信息模型;
特征数据提取单元,利用初始化之后的CNN网络提取所述空压机历史数据的特征数据,获取所述空压机历史数据每个特征的空间信息;
融合单元,用于将提取的空间数据送入带有注意力机制的BiLSTM网络训练,构建形成CNN-BiLSTM空压机母管压力预测模型;
输出单元,用于通过测试集输入所述CNN-BiLSTM空压机母管压力预测模型,获取预测结果。
9.一种空压机母管压力预测装置,其特征在于,包括以下结构:
预处理单元,获取空压机历史数据并预处理,得到建模数据;
初始化模型单元,构建模型包括根据空压机母管压力的预测需求初始化基于CNN网络和BiLSTM网络构建时空信息模型;
特征提取单元,包括第一通道,包括依次连接的批归一化层、CNN网络层、批归一化层、注意力机制层和Dropout层;第二通道,包括依次连接的BiLSTM层、批归一化层、注意力机制层和Dropout层;
融合单元,第一通道和第二通道的Dropout层输出连接至融合层,得到历史数据每个特征的空间信息;
预测单元,采用Regression回归到样本特征向量输入全连接层,进行回归层预测;
优化输出单元,用于通过测试集、预测结果和评估指标评估预测模型并优化。
10.一种电子设备,其特征在于,包括存储器和处理器,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如权利要求1~6中任一项,或权利要求7所述的一种空压机母管压力测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211176654.0A CN115496104A (zh) | 2022-09-26 | 2022-09-26 | 一种空压机母管压力预测方法、装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211176654.0A CN115496104A (zh) | 2022-09-26 | 2022-09-26 | 一种空压机母管压力预测方法、装置、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115496104A true CN115496104A (zh) | 2022-12-20 |
Family
ID=84471688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211176654.0A Pending CN115496104A (zh) | 2022-09-26 | 2022-09-26 | 一种空压机母管压力预测方法、装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496104A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172085A (zh) * | 2023-04-17 | 2023-12-05 | 北京市水科学技术研究院 | 一种pccp断丝预测方法、装置、计算机设备及介质 |
-
2022
- 2022-09-26 CN CN202211176654.0A patent/CN115496104A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172085A (zh) * | 2023-04-17 | 2023-12-05 | 北京市水科学技术研究院 | 一种pccp断丝预测方法、装置、计算机设备及介质 |
CN117172085B (zh) * | 2023-04-17 | 2024-04-26 | 北京市水科学技术研究院 | 一种pccp断丝预测方法、装置、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Arunthavanathan et al. | A deep learning model for process fault prognosis | |
CN110119854B (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
Behera et al. | Multiscale deep bidirectional gated recurrent neural networks based prognostic method for complex non-linear degradation systems | |
CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
CN108445752B (zh) | 一种自适应选择深度特征的随机权神经网络集成建模方法 | |
Jin et al. | Position encoding based convolutional neural networks for machine remaining useful life prediction | |
CN114015825B (zh) | 基于注意力机制的高炉热负荷异常状态监测方法 | |
CN113807951A (zh) | 一种基于深度学习的交易数据趋势预测方法和*** | |
CN115694985B (zh) | 基于tmb的混合网络流量攻击预测方法 | |
CN112857658B (zh) | 一种基于云平台的压力检测*** | |
CN115496104A (zh) | 一种空压机母管压力预测方法、装置、电子设备 | |
Zheng et al. | A fault prediction of equipment based on CNN-LSTM network | |
CN115204502A (zh) | 压力预测模型的训练和预测方法、***、设备及存储介质 | |
Zhang et al. | Sensitivity clustering and ROC curve based alarm threshold optimization | |
Dong et al. | Quality monitoring and root cause diagnosis for industrial processes based on Lasso-SAE-CCA | |
CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
CN115016276A (zh) | 智能水分调节与环境参数物联网大数据*** | |
CN115294671A (zh) | 一种空压机出口压力预测方法和预测*** | |
Yao et al. | Fault diagnosis based on RseNet-LSTM for industrial process | |
CN112801426B (zh) | 一种基于关联参数挖掘的工业过程故障融合预测方法 | |
CN112911533B (zh) | 一种基于移动端App的温度检测*** | |
Xu et al. | A composite quantile regression long short-term memory network with group lasso for wind turbine anomaly detection | |
Yang et al. | Nuclear power plant sensor signal reconstruction based on deep learning methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |