孪生装配线连续不断地产生多源时序数据,需对数据进行学习和预测以发挥其潜在价值。在数据采集过程中,由于传感器异常或通信中断会产生隐蔽的数据异常点,会降低数据预测的准确性。在数据预处理过程中,针对异常点的隐蔽问题,提出了一种...孪生装配线连续不断地产生多源时序数据,需对数据进行学习和预测以发挥其潜在价值。在数据采集过程中,由于传感器异常或通信中断会产生隐蔽的数据异常点,会降低数据预测的准确性。在数据预处理过程中,针对异常点的隐蔽问题,提出了一种差分异常点检测算法,实现了异常点的快速定位;将预处理数据导入LSTM(Long Short Term Memory,LSTM)进行了训练;针对模型预测性能的评估,提出了一种针对数值型数据预测精度评估的布尔计算方法。以某断路器孪生装配线的设备综合效率及生产节拍等多源时序数据预测为例,对差分异常点检测算法及布尔计算方法进行了实验,验证了方法的有效性。展开更多
文摘孪生装配线连续不断地产生多源时序数据,需对数据进行学习和预测以发挥其潜在价值。在数据采集过程中,由于传感器异常或通信中断会产生隐蔽的数据异常点,会降低数据预测的准确性。在数据预处理过程中,针对异常点的隐蔽问题,提出了一种差分异常点检测算法,实现了异常点的快速定位;将预处理数据导入LSTM(Long Short Term Memory,LSTM)进行了训练;针对模型预测性能的评估,提出了一种针对数值型数据预测精度评估的布尔计算方法。以某断路器孪生装配线的设备综合效率及生产节拍等多源时序数据预测为例,对差分异常点检测算法及布尔计算方法进行了实验,验证了方法的有效性。