-
题名基于LSTM和CRF的加工过程运行状态识别
被引量：1
- 1
-
-
作者
吴家奎
周焮钊
李浩亮
陈文平
李雄伟
-
机构
东方电气集团东方电机有限公司工艺部
华中科技大学机械科学与工程学院
-
出处
《机床与液压》
北大核心
2024年第21期162-167,共6页
-
基金
湖北省重点研发计划项目(2020BAB106)
东方电机有限公司横向项目(7600005875)。
-
文摘
针对加工过程中时序信号截取成本高和运行状态自动识别困难的问题,提出一种结合双向循环神经网络BiLSTM和条件随机场(CRF)的加工过程信号状态识别模型,适用于变参数加工场景。采用LSTM来捕捉时间序列数据的前后依赖性关系,并利用该网络对振动信号进行深层特征提取。在此基础上,为了进一步捕捉状态数据,将LSTM的输出特征输入至条件随机场(CRF)模型和多层感知机(MLP)中进行边界帧分类,进行预测并输出结果标签序列。最后以变参数下的铣削实验为例,验证了基于BiLSTM-CRF的信号状态识别模型在复杂变参数场景下的有效性。
-
关键词
加工过程运行状态识别
时序信号
序列识别
LSTM-CRF
-
Keywords
process status recognition
sequential signal
sequence recognition
LSTM-CRF
-
分类号
TH16
[机械工程—机械制造及自动化]
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名在线选择性集成即时学习风电功率自适应预测
- 2
-
-
作者
李运龙
金怀平
范守元
金怀康
王彬
-
机构
昆明理工大学信息工程与自动化学院
中国能源建设集团云南省电力设计院有限公司
华能新能源股份有限公司云南分公司
-
出处
《太阳能学报》
EI
CAS
CSCD
北大核心
2024年第10期487-496,共10页
-
基金
国家自然科学基金(62163019)
云南省应用基础研究计划(202101AT070096)
云南省“兴滇英才支持计划”(KKRD202203073)。
-
文摘
风电功率预测可为风电的并网和优化调度提供有效的指导信息,在风能的开发利用中扮演着举足轻重的角色。然而,由于风电固有的间歇性和随机性给准确的风电功率预测带来巨大挑战。同时,由于受季节性、气候性、设备老化等因素影响,随着时间的推移,风电功率数据特征难免发生改变,这将直接导致离线的风电功率模型性能发生退化。为此,提出一种在线选择性集成即时学习(OSEJIT)自适应风电功率预测方法。首先,为了有效处理风电的非线性和时变性特征,通过相似度、学习器扰动以构建多样性JIT基模型库。其次,为了保证集成有效性,定义基于Friedman检验的多样性指标和基于预测精度的准确性指标以实现模型的在线选择。随后,在线预测阶段,根据模型近期的预测性能通过自适应加权集成的方式获得最终预测值。为了保证基模型库的更新,同时规避模型频繁重建导致计算资源耗费的问题,采用一种基于KL散度的过程状态识别方法以减少模型重建频率。所提方法的有效性和优越性在一个实际风电功率数据应用中获得了验证。
-
关键词
风电功率
预测
自适应算法
过程状态识别
统计假设检验
在线选择性集成
即时学习
-
Keywords
wind power
forecasting
adaptive algorithm
process state identification
statistical hypothesis testing
online selective ensemble
just-in-time learning
-
分类号
TM614
[电气工程—电力系统及自动化]
-
