-
题名基于混合变分自编码器回归模型的软测量建模方法
被引量：9
- 1
-
-
作者
崔琳琳
沈冰冰
葛志强
-
机构
浙江大学控制科学与工程学院工业控制研究所
浙江大学工业控制技术国家重点实验室
-
出处
《自动化学报》
EI
CAS
CSCD
北大核心
2022年第2期398-407,共10页
-
基金
国家自然科学基金(62103362,92167106)
浙江省自然科学基金(LR18F030001)资助。
-
文摘
近年来,变分自编码器(Variational auto-encoder,VAE)模型由于在概率数据描述和特征提取能力等方面的优越性,受到了学术界和工业界的广泛关注,并被引入到工业过程监测、诊断和软测量建模等应用中.然而,传统基于VAE的软测量方法使用高斯分布作为潜在变量的分布,限制了其对复杂工业过程数据,尤其是多模态数据的建模能力.为了解决这一问题,本论文提出了一种混合变分自编码器回归模型(Mixture variational autoencoder regression,MVAER),并将其应用于复杂多模态工业过程的软测量建模.具体来说,该方法采用高斯混合模型来描述VAE的潜在变量分布,通过非线性映射将复杂多模态数据映射到潜在空间,学习各模态下的潜在变量,获取原始数据的有效特征表示.同时,建立潜在特征表示与关键质量变量之间的回归模型,实现软测量应用.通过一个数值例子和一个实际工业案例,对所提模型的性能进行了评估,验证了该模型的有效性和优越性.
-
关键词
软测量
变分自编码器
高斯混合模型
混合变分自编码器回归模型
多模态工业过程
-
Keywords
Soft sensor
variational autoencoder
Gaussian mixture model
mixture variational autoencoder regression model
multimode industrial process
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
TP274
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于深度自编码器高斯混合模型的窃电行为检测
被引量：15
- 2
-
-
作者
刘钊瑞
高云鹏
郭建波
李云峰
顾德喜
文一章
-
机构
湖南大学电气与信息工程学院
杭州海兴电力科技股份有限公司
-
出处
《电力系统保护与控制》
EI
CSCD
北大核心
2022年第18期92-102,共11页
-
基金
国家自然科学基金项目资助(51777061)
广西电网科技项目资助(GXKJXM20200020)。
-
文摘
针对用户侧窃电检测背景下无监督方法的适用性,研究如何解决特征提取和异常检测间的解耦问题,提出基于深度自编码器高斯混合模型(Deep Auto-encoder Gaussian Mixture Model,DAGMM)的用户窃电行为检测方法。首先对数据进行增广迪基-福勒检验,获取具有平稳性的用电数据维度。然后通过压缩网络提取数据潜在特征,利用估计网络及高斯混合模型获取反映异常程度的样本能量。最后基于端对端的学习方式对网络参数联合优化以避免模型解耦,将样本能量超过异常阈值的用户识别为窃电,据此实现用户窃电行为检测。实验结果表明,基于深度自编码器高斯混合模型的窃电行为检测方法受窃电样本影响小,提取的特征可有效反映用户用电规律,具有更高的检测准确率。相比于现有方法,其检出率、误检率、F1测度及AUC等评价指标均有显著提高。
-
关键词
窃电行为
无监督学习
深度自编码器高斯混合模型
增广迪基-福勒检验
解耦
-
Keywords
stealing electricity
unsupervised learning
deep auto-encoder Gaussian mixture model
augmented Dickey Fuller test
decoupling
-
分类号
TM73
[电气工程—电力系统及自动化]
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名农产品市场监测预警深度学习智能预测方法
被引量：1
- 3
-
-
作者
许世卫
李乾川
栾汝朋
庄家煜
刘佳佳
熊露
-
机构
中国农业科学院农业信息研究所
北京市农林科学院数据科学与农业经济研究所
农业农村部农业监测预警技术重点实验室
中国农业科学院农业监测预警智能系统重点开放实验室
-
出处
《智慧农业(中英文)》
2025年第1期57-69,共13页
-
基金
“十四五”国家重点研发计划项目(2022YFD1600603)
农业农村部农业监测预警技术重点实验室开放课题基金(KLAMEWT202403)。
-
文摘
[目的/意义]农产品供给、消费和价格的变化直接影响市场监测和预警。随着中国农业生产方式和市场体系的转型,数据获取技术的进步使得农业数据呈现爆炸式增长。然而,农产品多品种的联动监测和预测仍面临数据复杂、模型狭窄、应变能力弱等挑战。因此,亟需构建适应中国农业数据特点的深度学习模型,以提升农产品市场的监测与预警能力,推动精准决策和应急响应。[方法]本研究应用深度学习方法,从中国多维农业数据资源实际出发,创新提出了一套不同监测预警对象条件下深度学习综合预测方法,构建了生成对抗与残差网络协同生产量模型(Generative Adversarial Network and Residual Network, GAN-ResNet)、变分自编码器岭回归消费预测模型(Variational Autoencoder and Ridge Regression, VAE-Ridge)、自适应变换器价格预测模型(Adaptive-Transformer)。为适应实际需求,研究在CAMES中采用“离线计算与可视化分离”策略,模型推理离线完成,平衡了计算复杂度与实时预警需求。[结果和讨论]深度学习综合预测方法在玉米单产、生猪消费量和番茄市场价格的预测上,均表现出显著的精度提升。GAN-ResNet生产量预测模型进行县级尺度玉米单产预测的平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)为6.58%,运用VAE-Ridge模型分析生猪消费量的MAPE为6.28%,运用Adaptive-Transformer模型预测番茄价格的MAPE为2.25%。[结论]该研究提出的深度学习综合预测方法,具有较先进的单品种、多场景、宽条件下的农产品市场监测预警分析能力,并在处理不同区域多维数据、多品种替代、市场季节性波动等分析方面显示出优良的指标性能,可为中国农产品市场监测预警提供一套新的有效分析方法。
-
关键词
监测预警
深度学习
生产量预测
消费量预测
价格预测
生成对抗与残差网络协同生产量模型
变分自编码器岭回归消费预测模型
自适应变换器价格预测模型
-
Keywords
monitoring and early warning
deep learning
production forecasting
consumption forecasting
price forecasting
GAN-ResNet
VAE-Ridge
Adaptive-Transformer
-
分类号
TP393.01
[自动化与计算机技术—计算机应用技术]
-
-
题名采煤机齿轮箱故障诊断方法研究
- 4
-
-
作者
刘琛
李浦东
杨雪平
-
机构
国能神东煤炭集团有限责任公司高端设备研发中心
西安煤矿机械有限公司
国能神东煤炭集团有限责任公司设备维修中心
-
出处
《工矿自动化》
北大核心
2025年第S1期40-43,共4页
-
文摘
采煤机齿轮箱是采煤机的重要组成部分之一,长期在高振动、强冲击的恶劣环境中工作易产生故障。现有的齿轮箱故障诊断方法在高噪声中容易出现准确率下降的问题。基于逐次变分模态分解(SVMD)与自编码器(AE)提出了一种采煤机齿轮箱故障诊断方法。该方法利用SVMD提取噪声数据的本征模态函数(IMF),将相关性较大的IMF重组,降低环境噪声的影响;基于AE提出了多编码器的AE模型(MAE),将降噪数据的不同特征进行融合,为齿轮箱故障分类提供融合特征,在降低噪声影响的同时减少输入分类网络的数据量;将特征数据输入SoftMax层进行分类,实现齿轮箱故障诊断。实验结果表明,该方法在-4 dB噪声下的齿轮故障分类准确率达98.75%,较SVMD-FFCNN,EMD-AE,SVMD-FD-AOA-DELM分别提高了0.9%,1.8%,2.6%。
-
关键词
采煤机
齿轮箱故障诊断
逐次变分模态分解
自编码器模型
-
分类号
TD632
[矿业工程—矿山机电]
-
