针对起重机械设备健康状态多时间单位步长预测中出现的监测数据时间跨度小、数据量密集、特征多维、没有标签的问题,提出一种结合卷积神经网络(convolutional neural network,CNN)和双向编码解码长短期循环神经网络(bidirectional long ...针对起重机械设备健康状态多时间单位步长预测中出现的监测数据时间跨度小、数据量密集、特征多维、没有标签的问题,提出一种结合卷积神经网络(convolutional neural network,CNN)和双向编码解码长短期循环神经网络(bidirectional long short-term memory with encoder-decoder,ED-BLSTM)的起重机械设备健康预测方法。对监测数据进行时序排列,在保证相同输入-输出时间步长尺寸情况下对数据集切分重组,将处理后数据集输入到卷积神经网络,提取主要特征,得到多维矩阵。采用基于编码解码器的双向长短期循环神经网络对多维矩阵进行训练,建立起重机械多时间单位步长的目标预测模型,达到长期预测起重机械设备健康状态的目的。对比实验表明,所提方法的验证损失最多降低0.474%,最少降低0.097%;预测损失最多降低1.411%,最少降低1.230%,实际预测性能有较大提高,对工业起重机械健康预测技术的发展有积极意义。展开更多
文摘针对起重机械设备健康状态多时间单位步长预测中出现的监测数据时间跨度小、数据量密集、特征多维、没有标签的问题,提出一种结合卷积神经网络(convolutional neural network,CNN)和双向编码解码长短期循环神经网络(bidirectional long short-term memory with encoder-decoder,ED-BLSTM)的起重机械设备健康预测方法。对监测数据进行时序排列,在保证相同输入-输出时间步长尺寸情况下对数据集切分重组,将处理后数据集输入到卷积神经网络,提取主要特征,得到多维矩阵。采用基于编码解码器的双向长短期循环神经网络对多维矩阵进行训练,建立起重机械多时间单位步长的目标预测模型,达到长期预测起重机械设备健康状态的目的。对比实验表明,所提方法的验证损失最多降低0.474%,最少降低0.097%;预测损失最多降低1.411%,最少降低1.230%,实际预测性能有较大提高,对工业起重机械健康预测技术的发展有积极意义。
