扫码下载APP

您的位置

资讯详情

本人可编辑资讯

仅支持在APP编辑资讯扫描二维码即可下载APP

东北石油大学Tao, Liu团队:基于CNN-LSTM网络的超短期工况预测方法研究

论论资讯 | 2023-03-01 2热度

Electronics (Switzerland)

Explore content

About the journal

Publish with us

Research on an Ultra-Short-Term Working Condition Prediction Method Based on a CNN-LSTM Network

Tian M.; Zhu J.; Xiong H.; Liu W.; Liu T.; Zhang Y.; Wang S.; Zhang K.; Liao M.; Xu Y.

Published:2023-03-01
DOI:10.3390/electronics12061391

研究背景

在当前社会中,工业生产的自动化程度越来越高,数据量也随之增加。然而,由于生产操作数据的复杂性和高维度,现有的超短期工作条件预测方法往往难以保证预测准确性和运行速度。因此,需要一种更加高效准确的预测方法来解决这一问题。

研究内容

本研究提出了一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的超短期工作条件预测方法。首先,我们使用滑动窗口和归一化处理方法进行数据处理,利用CNN提取处理后的生产操作数据的特征。其次,我们改进了LSTM门控结构并引入L2范数,通过LSTM预测层学习生产操作数据的变化规律,然后获得工作条件的预测值。我们使用贝叶斯方法选择CNN-LSTM模型的参数以提高预测准确性。最后,我们将我们的方法应用于实际应用中,证明我们的超短期工作条件预测方法在预测准确性和运行速度方面都比其他方法表现更优秀。

研究意义

本研究提出了一种基于CNN-LSTM的超短期工作条件预测方法,该方法不仅可以提高预测准确性和运行速度,还可以解决现有方法在处理大量生产操作数据时遇到的问题。此外,该方法还可以为工业生产提供更加准确的预测信息,从而提高生产效率和质量。因此,本研究具有重要的实际意义和应用价值。

微信扫码即可查看