基于SSA−LSTM的风速异常波动检测方法

针对传统统计方法对风门开闭导致传感器监测数据异常波动的漏报率和误报率高的问题,通过挖掘风速传感器中时间序列数据中的数据特征,提出了一种基于奇异谱分析法(SSA)与长短期记忆神经网络(LSTM)组合的SSA−LSTM风速异常波动检测方法。首先利用SSA对风速传感器监测数据进行预处理,将风速数据分解为趋势分量、周期分量和噪声分量,通过重组趋势分量和噪声分量去除因湍流脉动产生的数据噪声;然后对LSTM进行参数优化,利用优化后的LSTM模型对预处理数据进行预测并得到重构风速;最后以对数概率密度函数计算监测风速与重构风速的异常分数,通过计算训练集数据样本的异常分数设定阈值对监测风速进行异常检测。试验结果表明:SSA去除因湍流脉动产生的数据噪声效果较好,在不影响数据波动情况下去除噪声分量,有助于提高风速重构效果和异常检测准确率;LSTM在无异常波动时能正确重构因湍流脉动导致的小幅波且与实际数据拟合效果较好,在有异常波动时根据历史波动趋势对异常波动段进行重构,可有效提高异常检测的准确率。通过对比分析,所提方法比ARIMA、BP、CNN模型的重构效果更好,异常检测准确率为99.2%,F1-Score为0.97,验证了所提方法的可靠性。表明本文所提方法在检测因风门开闭导致的风速异常波动上具有一定的应用价值。

基于LSTM网络的单台仪器地震烈度预测模型

烈度是地震预警系统的关键产出.如何实现快速预测目标场址的地震烈度是地震预警方法技术研究中的核心问题.本文提出了一种基于长短时记忆神经网络(Long Short-Term Memory,LSTM)的单台仪器地震烈度的预测模型(LSTM-Ⅰ).该模型以一个台站观测到地震动参数的时间序列特征为输入,实现动态预测该台站可能遭受的最大烈度.选取了日本K-NET台网记录的102次地震的5103条强震加速度记录训练了神经网络,利用89次地震的3781条数据检验了模型的泛化能力.利用准确率、漏报率以及误报率三个评价指标评价了LSTM-Ⅰ模型的性能.结果表明,当采用P波触发后3 s的序列进行预测时,模型出现漏报的概率为46.78%,出现误报的概率为1.25%;当采用P波触发后10 s的序列进行预测时,模型出现漏报的概率大幅降低到17.6%,出现误报的概率降低到1.14%.结果表明LSTM-Ⅰ模型很好把握住了时间序列中蕴含的特征.进一步基于LSTM-Ⅰ模型评估了Ⅵ度下台站所能提供的预警时间.本文模型能够提供的预警时间与P-S波到时差接近,说明LSTM-Ⅰ模型具有较高的时效性.

基于注意力机制的CNN-BiLSTM的IGBT剩余使用寿命预测

针对绝缘栅双极型晶体管(IGBT)可靠性问题,提出了一种融合卷积神经网络(CNN)、双向长短期记忆(BiLSTM)网络和注意力机制的剩余使用寿命(RUL)预测模型,可用于IGBT的寿命预测。模型中使用CNN提取特征参数,BiLSTM提取时序信息,注意力机制加权处理特征参数。使用IGBT加速老化数据集对提出的模型进行验证。结果表明,对比自回归差分移动平均(ARIMA)、长短期记忆(LSTM)、多层LSTM(Multi-LSTM)、 BiLSTM预测模型,在均方根误差和决定系数等评价指标方面该模型的性能最优。验证了提出的寿命预测模型对IGBT失效预测是有效的。

基于Bayes-LSTM的公路隧道围岩变形预测方法研究

在公路隧道施工过程中,围岩的稳定性对隧道施工的影响较大。因此公路隧道围岩变形的监控量测与准确预测是保障隧道施工安全的关键。针对当前隧道围岩变形的预测精度较低以及泛化能力较差等问题,该文提出一种基于贝叶斯(Bayes)优化长短期记忆网络(LSTM)的方法,该方法首先对拱顶沉降和周边收敛的原始监测数据进行预处理,而后构建公路隧道拱顶沉降与周边收敛的初始LSTM模型,并利用Bayes优化模型中的超参数,最终得出预测结果。利用该模型对某公路隧道拱顶沉降和周边收敛进行预测,将预测结果以均方根误差为评价指标与神经网络(CNN)和支持向量回归(SVR)进行对比。预测拱顶沉降时,Bayes-LSTM模型的平均预测精度相较于CNN与SVR模型分别提高了1.0与1.26;预测周边收敛时,Bayes-LSTM模型平均精度相较于CNN与SVR分别提高了0.3与0.32。表明Bayes-LSTM模型的预测精度较高,同时其能在训练模型过程中对历史信息进行判断和取舍,极大地提高了时序数据处理的效率,为公路隧道围岩变形预测提供了新的思路和探索。

基于AM-LSTM的飞行区航空器滑行轨迹预测与冲突识别

为解决航空器点源定位难以有效预测而引发冲突风险愈来愈多的问题,构建基于注意力机制(AM)和长短期记忆网络(LSTM)的时间序列轨迹预测模型AM-LSTM,预测未来短时间内飞行区航空器的瞬时点源位置;在此基础上,根据航空器型号和滑行航向对其进行轮廓扩展,以航空器速度作为安全距离权重,通过射线法实现轮廓冲突的判定;并以乌鲁木齐地窝堡机场为例进行验证,利用训练完成的轨迹预测模型预测飞行区航空器滑行轨迹,以识别航空器轮廓间的滑行冲突。结果表明:AM-LSTM预测模型能够准确预测飞行区航空器运动轨迹。未来3 s内轨迹位置预测的平均位移误差为1.05 m,轨迹点位置预测精准性可达94.37%,故能在轨迹预测的基础上精确识别滑行冲突风险,有利于保障飞行区的安全运行。

Prophet-LSTM组合模型在运输航空征候预测中的应用

为准确预测中国运输航空征候万时率,提出了一种将时间序列模型和神经网络模型组合的预测方法。首先,利用2008年1月—2020年12月的运输航空征候万时率数据建立Prophet模型,使用RStudio软件进行模型拟合,获取运输航空征候万时率的线性部分;其次,利用长短期记忆网络(Long Short-Term Memory,LSTM)建模,获取运输航空征候万时率的非线性部分;最后,利用方差倒数法建立Prophet-LSTM组合模型,使用建立的组合模型对2021年1—12月运输航空征候万时率进行预测,将预测结果与实际值进行对比验证。结果表明,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别为0.0973、16.1285%、0.1287。相较于已有的自回归移动平均(Auto Regression Integrated Moving Average,ARIMA)+反向传播神经网络(Back Propagation Neural Network,BPNN)组合模型和GM(1,1)+ARIMA+LSTM组合模型,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别减小了0.0259、10.4874百分点、0.0143和0.0128、2.0599百分点、0.0086,验证了Prophet-LSTM组合模型的预测精度更高,性能更优良。

基于LSTM算法的玉米籽粒储藏温度预测

为减少储粮损失和虫霉等的发生,该文利用自制试验仓及检测系统检测储藏玉米籽粒不同位置的粮温,分析粮堆温度变化及整个粮堆热量的传递过程。试验结果表明,仓外环境温度对粮温影响较大,仓内粮食温度变化与仓外环境温度变化相比较为滞后,粮堆第一层2号位置温度在检测周期中一直处于较低状态,温度最高位置出现在第四层12号位置。基于粮堆温度变化分析,该文开展了基于长短时记忆网络(LSTM)算法的玉米籽粒储藏粮温预测研究。结果表明:(1)对比预测值与试验值可知,粮堆第一、二、三、四层测试集的粮温准确率分别为0.62、0.89、0.83、0.79;(2)位于粮堆第二层和第三层的预测结果精度较高,试验仓粮堆底层和顶层温度易受环境温度影响,粮堆热量交换速度快,温度变化迅速,导致第一层和第四层预测结果精度偏低。该研究可为粮食储藏温度预测研究提供新思路。

基于CNN-LSTM混合神经网络的高速铁路地震响应预测

为了更好地挖掘高速铁路在地震时的响应信息,提高光纤光栅监测的效率及预测精度,该文针对地震响应数据的时序性及非线性的特点,提出卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合神经网络模型预测方法.通过在高速铁路简支梁桥上布设准分布式光纤光栅采集地震时轨道板、钢轨、底座板、箱梁的响应数据,在每根光纤上布置7个光栅,利用两边光栅的响应数据预测中间点的光栅响应,将采集位置、历史数据及地震波形等信息作为特征图输入.利用CNN提取特征,再将提前提取出来的特征数据以时序方式作为LSTM网络的输入数据,最后LSTM网络进行地震应变响应预测.实验结果表明,LSTM网络在3层时效果最好,CNN-LSTM方法具有较高的预测精度,根均平方误差(R_(RMSE))、平均绝对误差(R_(MAE))、决定系数(R^(2))分别达到了0.3753、0.2968、0.9371.

基于CNN-LSTM的大坝变形组合预测模型研究

为了提高大坝变形预测模型精度和泛化能力,建立了一种基于卷积神经网络(Convolutional neural networks,CNN)与深度学习长短期记忆(Long short-term memory,LSTM)神经网络的组合预测模型CNN-LSTM。该模型先利用CNN提取大坝变形监测时间序列的特征,再利用LSTM生成特征描述,该模型精度高、泛化能力强。以柏叶口水库混凝土面板堆石坝为例,经过CNN-LSTM模型计算,将模型变形预测值与原型监测资料进行对比,再与LSTM模型及CNN模型的预测结果进行对比。结果表明,CNN-LSTM模型预测值最接近监测资料实测结果。

基于融合注意力机制LSTM网络的地下水位自适应鲁棒预测

地下水水位是旱天污水管网地下水入渗量的重要影响因素,快速精准地预测地下水水位能有效提升旱天污水管网地下水入渗量估算准确度,辅助优化管网病害治理与维护策略。针对目前城市复杂水文预测存在的准确度低、灵敏度低、泛化能力弱等问题,本文提出了一种新的鲁棒自适应水位预测算法。首先,对水文数据进行预处理,解决了数据时间跨度大、噪声多、缺失及异常、非平稳等问题。其次,针对不同输入特征对预测指标的影响,在模型训练阶段提出一种新的空间变量注意机制,可快速识别与水位关联的关键变量,并对输入特征赋予不同的影响权重。然后,针对不同序列长度对预测效果的影响,还设计了自适应时间注意力机制,帮助网络自适应地找出与不同时间序列长度预测指标相关的编码器隐藏状态,以更好地捕捉时间上的依赖关系。在此基础上,以上下文向量作为输入,提出一种融合注意力机制的长短时记忆网络水文预测算法。最后,通过意大利Petrignano水文数据验证了所提算法的有效性,并与GRU、Elman、LSTM、VA–LSTM和S–LSTM等方法进行预测性能比较。结果表明,基于融合注意力机制的LSTM网络在面临大规模、噪点多的复杂数据时有优于其它几种算法的预测效果,表明该算法具有强自适应性和鲁棒性。本文研究结果可以为市政排水策略合理调整、及时控制提供参考。

改进MFO-LSTM网络的风电机组齿轮箱故障预警研究

风电机组齿轮箱在数据采集与监控系统(SCADA)的帮助下,通过监控齿轮箱油温是否超过阈值实现故障报警,其判断精度不高且问题发现不及时,因此使用长短期记忆网络模型(LSTM)融合SCADA数据实现对齿轮箱油温状态的预测。用齿轮箱正常运行状态下的数据训练LSTM模型,计算油温预测值与真实值之间的残差,根据正态分布的原则设置残差的上下预警阈值,用来对齿轮箱故障进行预警。为简化训练模型的复杂度,在SCADA数据中选用与齿轮箱油温相关性较为密切的参数作为LSTM模型的输入项。为降低因LSTM模型超参数设置不当造成的预测准确度表现不佳,提出改进飞蛾火焰算法(MFO)与LSTM的组合模型,在保留MFO算法强大的全局搜索能力的同时,使其避免陷入局部搜索的陷阱,通过改进MFO对LSTM模型参数进行迭代优化,最终构建合适的模型。最后通过某风电机组SCADA数据验证该方法能够有效预警齿轮箱的故障,并且与其他方法相比准确度更高,预警更及时,迭代效果更好。

基于GRU和LSTM组合模型的车联网信道分配方法

针对车联网中高通信需求和高移动性造成的车对车链路(Vehicle to Vehicle,V2V)间的信道冲突及网络效用低下的问题,提出了一种基于并联门控循环单元(Gated Recurrent Unit,GRU)和长短期记忆网络(Long Short-Term Memory,LSTM)的组合模型的车联网信道分配算法。算法以降低V2V链路信道碰撞率和空闲率为目标,将信道分配问题建模为分布式深度强化学习问题,使每条V2V链路作为单个智能体,并通过最大化每回合平均奖励的方式进行集中训练、分布式执行。在训练过程中借助GRU训练周期短和LSTM拟合精度高的组合优势去拟合深度双重Q学习中Q函数,使V2V链路能快速地学习优化信道分配策略,合理地复用车对基础设施(Vehicle to Infrastructure,V2I)链路的信道资源,实现网络效用最大化。仿真结果表明,与单纯使用GRU或者LSTM网络模型的分配算法相比,该算法在收敛速度方面加快了5个训练回合,V2V链路间的信道碰撞率和空闲率降低了约27%,平均成功率提升了约10%。

基于FFT-LSTM的抽水蓄能发电机定子匝间短路故障诊断方法

定子短路故障是抽水蓄能发电机常见的故障之一,其会对发电机的性能和安全性产生严重影响,为确保抽水蓄能发电机安全稳定运行,提出基于FFT-LSTM的抽水蓄能发电机定子短路故障诊断方法。建立抽水蓄能发电机定子绕组匝间短路故障模型,分析定子绕组匝间短路故障时,发电机定子电、磁相关状态。以抽水蓄能发电机定子绕组匝间短路故障时的三相电流信号为依据,基于磁势相等原理将三相电流变换成两相电流后,利用FFT转换定子两相电流的时域信号为频域信号,获取故障电流频谱图输入LSTM网络中进行处理,输出抽水蓄能发电机定子绕组匝间短路故障诊断结果。实验结果表明,该方法可以更好地区分抽水蓄能发电机正常与故障状态,实现抽水蓄能发电机定子绕组匝间短路故障诊断,且故障诊断的交叉熵损失低。

基于CNN‑LSTM‑SE的心电图分类算法研究

心血管疾病是我国死亡率较高的疾病之一,通过观察心电图来判断心电信号是否出现异常能够对心血管疾病进行预防和筛查。由于心电图数据规模大且繁杂,临床医护人员在心电图筛查时,工作负担大且容易出现误诊或漏诊的情况。为了提高心电图的筛查效率、减少医护人员的压力,提出了一种基于卷积神经网络、长短期记忆神经网络和SE网络的心电图分类算法模型(CNN-LSTM-SE),该模型将心电图分成5种不同的类别。主要研究内容包括:选用MIT-BIH心律失常数据集作为心电信号的数据来源,使用巴特沃斯带通滤波器对心电信号进行去噪处理,通过Z-score方法对心电信号进行标准化处理,利用独热编码方法对心电信号标签进行编码,最后使用处理后的心电数据对所提算法模型进行训练和测试。实验结果表明:所提模型相较于其它模型,能够有效提高心电图分类的准确性,在实验数据集上的分类准确率达到99.1%。

基于多维可预知特征的TCN-LSTM城轨短期客流预测

地铁客流量波动受众多因素影响,准确的客流预测数据有利于制定更高效的行车控制方案和客流管控方案。为提高客流预测精度,提出一种基于多维可预知特征的时序卷积神经网络-长短期记忆神经网络模型(TCNLSTM)地铁短期客流预测方法。考虑外部因素的影响,引入Spearman相关系数分析并提取日期、天气等可预知特征及其状态集,以提升预测精度,缩小特征空间,克服了冗余特征数据导致的模型过于复杂问题;通过融合时序卷积神经网络(TCN)提取的客流时间序列特征和可预知特征状态集构建了长短期记忆神经网络(LSTM)层输入,组合模型学习客流与外部影响因素的长短期依赖,从而实现常规日、节假日、不同天气等多场景下的短期客流预测。基于某西南城市地铁刷卡交易数据,对比差分整合移动平均自回归模型(ARIMA)、TCN、LSTM及TCN-LSTM模型的短期客流预测结果,得出组合模型的总体平均绝对误差(MAE)值比其他方法低27%~48%,均方误差(MSE)值低13%~35%,平均绝对百分比误差(MAPE)值低2.8%~6.7%,上述3项指标均表明TCN-LSTM模型的客流预测效果更好。此外,对比实验表明通过融入提取的可预知特征数据,TCN-LSTM模型在测试集上的预测误差评价指标明显降低,所提方法能有效提高地铁短期客流预测精度。

组合模型对管道腐蚀速率预测的效能研究--基于注意力机制增强的CNN与LSTM模型

为评估卷积神经网络(Convolutional Neural Network,CNN)、长短期记忆(Long Short-Term Memory,LSTM)网络及结合的CNN-LSTM模型在管道腐蚀速率预测中的性能表现,特别引入注意力机制,以期提高模型对关键特征的捕捉能力和预测的准确性。分析影响管道腐蚀速率的环境因素作为模型输入,并通过注意力机制优化特征表示。结果表明,结合注意力机制的CNN-LSTM模型在准确性和可靠性上超越了单独的CNN或LSTM模型。这一结果不仅展示了深度学习模型通过技术增强了处理复杂数据的能力,也为实际工业应用中的时间序列预测提供了新的视角,同时证实了利用深度学习技术对管道腐蚀速率进行精确预测的可行性和有效性。

基于K均值聚类算法和LSTM神经网络的管道腐蚀阶段预测方法

针对声发射检测获得的管道腐蚀信号,提出了一种基于K均值(K-means)聚类算法和长短期记忆(LSTM)神经网络的管道腐蚀阶段预测方法。首先,利用K-means聚类算法将腐蚀信号分类,再构建LSTM神经网络模型,并采取了无监督学习的方式,以声发射波形为出发点,对模型进行参数优化,最后进行管道腐蚀阶段预测,并根据评价指标对模型进行评价。研究表明:对LSTM神经网络模型适当增加隐藏层,可以使得模型更加稳定,鲁棒性更好;与现有故障诊断模型相比,LSTM神经网络模型的精度更高。

基于GPR-LSTM的地震热红外背景场的构建方法

地震监测是一项非常重要且具有挑战性的任务,遥感技术的不断发展加强了在宏观尺度上对地球表面的监测能力。研究表明,地震前通常都会出现地表温度异常升高的现象,因此各种异常提取算法被应用于地震热异常研究中。其中,基于背景场的提取方法由于具有较强的机理解释性而受到广泛应用。然而,以往基于背景场的异常提取方法更多将背景场限定于某一固定阈值,忽略了受外界因素(非震)影响导致的地表温度的小范围正常波动。据此,文中提出了一种基于GPR-LSTM的地震热红外背景场的构建方法。该方法包括两大部分:震期年变基准场的建立、实际LST的残差波动范围计算及背景场的构建。基于MODIS地表温度产品,以2008年四川汶川和新疆于田地震为研究对象,使用所述方法对地震前兆热异常信息进行提取与分析,经过实验得出以下结论:1)地震热异常通常沿青藏高原的断层分布,这不仅证明了文中方法能够减弱地表温度数据中噪声的干扰,同时也证明该方法在热异常信息提取方面的有效性;2)地震年份的构造活动比非地震年份更加活跃,导致地表温度的异常增温更加明显;3)不同地震案例震前的热异常时空特征各不相同。

基于GA-LSTM自适应卡尔曼滤波的路面不平度识别

准确、快速地识别出车辆当前行驶的路面激励信息,是实现智能底盘控制进而保证车辆平顺性的关键。针对传统路面不平度识别算法准确率低、自适应性差等问题,提出了基于遗传算法(genetic algorithm,GA)优化长短期记忆神经网络(long short-term memory networks,LSTM)自适应卡尔曼滤波的路面不平度识别算法。基于2自由度车辆悬架模型,通过灰色关联法选择LSTM神经网络的特征输入变量,并采用GA优化LSTM神经网络的模型参数以准确识别路面等级,并据此实时更新卡尔曼滤波器算法中的噪声矩阵,实现了在复杂路况下对路面不平度的自适应识别。仿真和试验研究表明,所提出的基于GA-LSTM自适应卡尔曼滤波算法能够快速准确的识别路面不平度与路面等级,与传统卡尔曼滤波算法相比,相关系数、均方根误差和最大绝对误差分别提高3.11%、37.5%和51.2%,表明所提算法对复杂工况具有很好的自适应能力。

基于LSTM-POD的汽车湍流尾迹的高时间分辨速度场重构

本文针对方背Ahmed汽车标模的湍流尾迹,建立基于长短时记忆法(long short-term memory,LSTM)和本征正交分解(proper orthogonal decomposition, POD)相结合的深度学习模型LSTM-POD。通过建立非时间分辨平面速度场POD模态系数和若干离散点的时间分辨速度信号的映射关系,实现了方背Ahmed汽车标模湍流尾迹流场的高时间分辨率重构,并对比了不同时间步长配置,即单时间步长(LSTM-Sin)和多时间步长(LSTM-Mul)对重构效果的影响。研究表明:LSTM-POD模型在时间序列重构中具有较强的学习和泛化能力。另外,LSTM-Mul考虑到了时间上的连续性和相关性,相较于LSTM-Sin,其重构出的低阶模态系数和速度场与POD的重构结果更吻合。本研究提出的深度学习模型可以缓解通过实验及高精度数值模拟获取高时间分辨率流场数据资源消耗大、计算效率低等问题。