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
文摘水声网络(underwater acoustic network,UAN)具有长传播时延、高误码率、半双工通信等特性,这些特性严重影响了UAN中数据的可靠传输。而在线喷泉码具有在线控制、编解码复杂度低、码率自适应等诸多优势,在线喷泉码适合于保障UAN中数据的可靠传输。针对递归与限制反馈的在线喷泉码(recursive OFC with limited feedback,ROFC-LF)存在不理想覆盖和4元环问题导致略高的开销和频繁的反馈,提出适用于UAN的基于优先级与可Zigzag解码的ROFC-LF(priority-based and zigzag-decodable ROFC-LF,P-ZROFC-LF)。P-ZROFC-LF在建立阶段选取具有最高优先级的原始包进行编码直至所有原始包均参与编码。同时,引入可Zigzag解码编码,将无用编码包进行移位异或转换为有用编码包来提高解码性能。通过随机图理论,分析P-ZROFC-LF所需编码包数与原始包数之间的关系。理论分析与仿真结果表明,与大部分在线喷泉码相比,P-ZROFC-LF显著提高了反馈和开销性能。其中P-ZROFC-LF相比于ROFC-LF的反馈和开销分别减少了18%和0.0176,更适用于UAN。
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。
