智能化生产线设备健康状态、加工过程状态、产品信息等数据具有复杂化、多样化、大容量的特点,传统上对于设备的运行状况主要依靠人工经验来判断,不能及时有效地给出维护意见.针对上述问题,本文提出了一种基于Dual-LSTM(Long Short-Term...智能化生产线设备健康状态、加工过程状态、产品信息等数据具有复杂化、多样化、大容量的特点,传统上对于设备的运行状况主要依靠人工经验来判断,不能及时有效地给出维护意见.针对上述问题,本文提出了一种基于Dual-LSTM(Long Short-Term M emory)混合模型的时序数据预测方法.首先建立LSTM预测模型对设备状态进行初步预测,然后针对多步预测过程中出现的误差"累积"问题,通过预测残差数据建立LSTM辅助模型对初步预测结果进行修正,最后采用循环迭代的方式实现了对数据的多步预测过程.通过与单LSTM模型进行实验对比,该方法在数据的单步预测和多步预测中的表现均优于单模型,验证了所提方法在时序数据预测上的准确性,为分析生产线整体的运行状态趋势提供了有效地判断依据.展开更多
文摘智能化生产线设备健康状态、加工过程状态、产品信息等数据具有复杂化、多样化、大容量的特点,传统上对于设备的运行状况主要依靠人工经验来判断,不能及时有效地给出维护意见.针对上述问题,本文提出了一种基于Dual-LSTM(Long Short-Term M emory)混合模型的时序数据预测方法.首先建立LSTM预测模型对设备状态进行初步预测,然后针对多步预测过程中出现的误差"累积"问题,通过预测残差数据建立LSTM辅助模型对初步预测结果进行修正,最后采用循环迭代的方式实现了对数据的多步预测过程.通过与单LSTM模型进行实验对比,该方法在数据的单步预测和多步预测中的表现均优于单模型,验证了所提方法在时序数据预测上的准确性,为分析生产线整体的运行状态趋势提供了有效地判断依据.
