基于改进的自注意力长短期记忆网络的传感器故障预检测方法

针对传感器故障检测方法对早期微弱故障信息不敏感以及抗异常值干扰能力差的问题,提出了一种基于因果卷积改进的自注意力长短期记忆网络(CCALSTM)模型和Shapiro-Wilk检验与阈值比较法相结合的故障预检测方法。首先在长短期记忆网络(LSTM)模型中引入基于因果卷积的自注意力机制,以提取局部信息特征,减少异常值对预测精度的影响;然后将预测结果与测量值进行残差计算,并利用滑动窗口选取合适长度的残差序列;最后将残差序列通过Shapiro-Wilk检验和阈值比较法相结合的故障检测方法进行故障预检测。通过传感器原始数据进行仿真实验,并与支持向量机(SVM)、误差反向传播网络(BP)、双向长短期记忆网络(Bi-LSTM)等常见预测模型进行对比,结果表明CCALSTM模型取得了更高的预测精度结果,且具有更高的鲁棒性;同时,所提出的故障预检测方法表现出对传感器早期微弱故障敏感,能够在故障潜伏期及时检测出故障。

基于改进时间卷积网络的空气质量预测研究

针对空气质量数据包含的噪声较大、冗余因素过多而导致空气质量预测精度较低的问题,提出了一种收缩的时间卷积网络模型(Shrinking Temporal Convolutional Network, STCN)。模型利用时间卷积网络(Temporal Convolutional Network, TCN)的空洞因果卷积,保证较长的历史信息输入及未来信息的保密;利用深度残差收缩网络中特殊注意力机制和软阈值化的思想对TCN中的残差模块进行了改进,解决了因输入样本中的冗余信息不同导致的重要信息权重分散问题。实验结果表明,该方法能够有效地克服数据中噪声较大、冗余因素过多的问题,相较于LSTM、TCN等算法,该方法的准确率提高了1%~7%。