基于CNN-GRU神经网络的锂电池SOH估计与RUL预测

随着近几年新能源汽车市场的蓬勃发展,消费者对锂电池的电池性能和储能系统的整体要求逐步提升。锂电池作为新能源汽车的重要组成部分,对新能源汽车品牌的经济性能具有重要影响。针对锂电池健康状态(State Of Health,SOH)估计与剩余有效工作时间(Remaining Useful Life,RUL)预测无法直接测量,为了攻克在线准确测量的难题,提出基于卷积神经网络-门控循环单元(Convolutional Neural Network-Gated Recurrent Unit,CNN-GRU)的锂电池SOH估计与RUL预测方法。运用Python编程语言在TensorFlow框架下搭建CNN-GRU神经网络,利用GRU长时间记忆能力与CNN避免了对数据的复杂前期预处理,采用NASA开放实验数据测试,经过实验结果对比,基于CNN-GRU神经网络的估算模型相对于BP、CNN、GRU单独神经网络模型拥有更高的计算精度,以及更稳定的预测结果。

改进一维卷积神经网络与双向门控循环单元的轴承故障诊断研究

针对传统智能故障诊断依赖于人工经验进行特征提取和传统卷积神经网络(Convolutional neural networks, CNN)参数过多、训练量过大且无法充分利用时间序列信息的缺点,提出一种基于改进一维卷积神经网络与双向门控循环单元的深度学习新算法。首先,该方法利用一维卷积神经网络自提取能力进行特征提取,同时设计了一个全局均值池化层替换传统卷积神经网络的全连接层,减少参数数量;其次,引入双向门控循环单元学习特征信号中的时间序列关系;最后,通过支持向量机替换传统CNN中的Softmax层进行故障分类,进一步提高诊断的准确率。实验表明,该方法将诊断的准确率提升至99.8%,并且加快了诊断的速度。通过与其他方法的对比,证明了该方法有着更高的准确率,更快的诊断速度,更好的鲁棒性。

融合一维卷积神经网络和双向门控循环单元的APM车辆轮胎径向载荷识别方法

针对轮胎载荷直接测量昂贵复杂及传统载荷识别方法精度低、鲁棒性差的现实,提出了一种融合一维卷积神经网络(1D CNN)和双向门控循环单元(BiGRU)的胶轮车辆轮胎径向载荷识别方法。充分考虑轮胎径向载荷数据的先验信息,以车辆振动响应、车体位姿、运行状态等多源信息构建特征集并经特征选择保留有效的特征子集,构造多时间步输入-单时间步输出的样本用以网络训练。运用1D CNN提取信号的多维度空间特征并输入BiGRU中双向捕获时序特征,得到载荷预测的结果,结合预测精度、泛化性能、鲁棒性能修正理论模型。以APM300型车辆为例进行载荷识别,与传统算法相比,所提方法有效降低了载荷识别的误差,适用于不同运行工况,且能克服不同程度的测量噪声,在工程领域有现实应用价值。

基于Attention机制优化CNN-GRU混合神经网络的短期负荷预测技术

电力系统负荷预测实质是对电力市场需求的预测,短期电力负荷预测是电力部门的重要工作之一。目前主要的负荷预测方法有传统预测、灰色预测、混沌理论预测、智能技术预测、优选组合预测等,其中智能预测中最典型的就是人工神经网络。人工神经网络是一个极其复杂的非线性动力学系统。它的自学习功能对预测有着重要的意义,能通过学习历史负荷数据来反映出输入变量和输出变量之间的非线性关系。由于很多因素都会对电力负荷造成影响,因此可以把神经网络算法引用到负荷预测中,提高电力负荷的预测精度。基于宁夏电网短期电力负荷预测的实际需求,提出了一种基于Attention机制优化CNN-GRU混合神经网络的短期负荷预测技术。该技术通过引入Attention机制对CNN-GRU模型进行改进,有效提升了预测精度和可解释性。在宁夏电网实际数据集上进行的仿真实验表明所提出的模型具有较高的预测准确性和可靠性。

基于注意力卷积神经网络的视觉里程计

传统的视觉里程计(visual odometry,VO)要求图像含有大量的纹理信息,且求解过程较为复杂。针对以上问题提出基于注意力卷积神经网络的视觉里程计,对相机进行端到端的位姿估计,利用注意力机制提高模型估计轨迹的精度。首先,使用注意力-卷积神经网络(convolutional neural networks,CNN)模块提取图像特征;然后,将特征输入到门控循环单元(gated recurrent unit,GRU)学习图像的时序连接性;最后,通过全连接层降维输出相机位姿。在KITTI数据集上完成实验,并与其他方法进行对比,结果表明卷积网络中加入注意力机制可以有效提高轨迹估计的精度,且误差低于其他视觉里程计算法。

基于改进卷积门控循环神经网络的刀具磨损状态识别

刀具状态监测直接影响加工质量,对保障加工安全与提高生产效率起着重要作用。针对刀具加工信号分析较为复杂与深度学习求解耗时高的问题,提出一种基于改进卷积门控神经网络的刀具磨损状态识别网络模型。借助卷积神经网络(CNN)实现对数据中空间特性的获取,并利用双向门控循环单元(BiGRU)中数据时序特征处理能力提取原始振动信号的序列特征,将极限学习机(ELM)作为分类器进行刀具磨损状态识别。实验结果表明,在刀具磨损数据样本数量有限的情况下,该方法对于信号数据有较强的分析能力,运算速度快,能达到更好的识别精度。

基于变分模态分解的卷积神经网络−双向门控循环单元−多元线性回归多频组合短期电力负荷预测

为了有效提高电力负荷预测精度,针对电力负荷非线性、非平稳性、时序性的特点,提出了一种卷积神经网络(convolutional neural networks,CNN)、双向门控循环单元(bidirectional gated recurrent unit,BiGRU)和多元线性回归(multiple linear regression,MLR)混合的多频组合短期电力负荷预测模型。该模型先利用关联度分析得到相似日,并将其负荷组成新的数据序列,同时使用变分模态分解(variational mode decomposition,VMD)将该数据序列进行分解,并重构成高低2种频率。对于高频分量,使用CNN-BiGRU模型进行预测;低频部分则使用MLR。最后将各个模型得出的预测结果叠加,得到最终预测结果。以2006年澳大利亚真实数据为例,进行短期电力负荷预测。仿真结果表明,相比于其他网络模型,该模型具有较高的预测精度和拟合能力,是一种有效的短期负荷预测方法。

基于卷积神经网络与门控循环单元的气液两相流流型识别方法

提出了一种基于卷积神经网络(CNN)与门控循环单元(GRU)的垂直管道气液两相流流型识别方法。该方法基于电阻层析成像(ERT)系统的重建图像,对其填充处理后进行离散余弦变换(DCT),求取最大、最小DCT系数的差值,选取一定帧数长度数据作为网络输入,对流型进行识别。分析了输入序列长度对CNN-GRU、CNN及GRU网络分类准确的影响,确定了最佳输入向量维度分别为60、65及50,使用实验数据对3种网络进行训练、测试,结果表明,CNN-GRU网络分类准确率最高,平均流型识别准确率可达99.40%。

基于卷积循环神经网络的混凝土坝变形预报

针对混凝土坝变形量与变形因子之间作用机理的复杂性,本文结合深度学习网络对复杂特征信息挖掘的优势,建立基于CNN-GRU的混凝土坝变形预测模型。采用卷积神经网络对历史变形监测数据进行卷积以提取时间序列的特征,利用门控循环单元生成特征描述,进一步挖掘变形序列变化趋势,实现对混凝土坝的变形预测。基于实际监测数据研究表明:本文所提的方法获得了更高的预测精度,均方根误差达到0.8371,平均绝对误差达到0.6049,平均绝对百分误差达到9.47,在大坝变形监测中具有一定的优越性和实用性。

基于多重注意力卷积神经网络双向门控循环单元的机械故障诊断方法研究

为解决传统机械故障诊断方法需要人工提取特征的不足,提出一种基于多重注意力卷积神经网络双向门控循环单元(multiple attention-convolutional neural networks-bidirectional gated recurrent unit,MA-CNN-BiGRU)的端到端的故障诊断方法。首先将原始时域数据输入卷积神经网络(convolutional meural networks,CNN)进行初步特征提取并降维,然后将结果重组输入双向门控循环单元(bidirectional gated recurrent unit,BiGRU),可以有效地解决BiGRU对于过长序列数据处理困难的问题。采用美国凯斯西储大学开源轴承数据集进行训练,确定了最佳卷积层数和最佳样本长度约减比例分别为2和1/8。同时,通过在CNN和BiGRU中分别加入卷积注意力模块(convolutional block attention module,CBAM)和序列注意力模块(sequence attention module,SAM),进一步加强了模型对于关键信息的提取能力。最后实测柴油机故障振动信号试验表明:MA-CNN-BiGRU模型可以实现端到端的故障诊断,与变分模态分解(variational mode decomposition,VMD)核模糊C均值聚类算法(VMD-kernel fuzzy C-means clustering,VMD-KFCM)、VMD-反向传播神经网络(back propagation neural network,BPNN)和一维CNN等方法进行对比,MA-CNN-BiGRU模型的故障诊断性能更优。

基于卷积神经网络和双向门控循环单元网络注意力机制的情感分析

传统的情感分析方法不能获取全局特征,以及否定词、转折词和程度副词的出现影响句子极性判断。在深度学习方法基础上提出了基于卷积神经网络和双向门控循环单元网络注意力机制的短文本情感分析方法。将情感积分引入卷积神经网络,利用情感词自身信息,通过双向门控循环网络模型获取全局特征,对影响句子极性的否定词、转折词和程度副词引入注意力机制实现对这类词的重点关注,提取影响句子极性的重要信息。实验结果表明,该模型与现有相关模型相比,有效提高情感分类的准确率。

基于自注意力机制的双向门控循环单元和卷积神经网络的芒果产量预测

针对影响芒果产量的相关气象要素繁多,它们与产量之间的关联关系复杂、难以用数学函数准确地描述的问题,提出一种基于自注意力机制具有长短期记忆功能的双向门控循环单元和卷积神经网络组合(Self-attention CBiGRU)模型。首先,利用CNN卷积层(1D CNN)提取局部特征;其次将Self-attention机制用于进一步提取依赖特征,然后双向门控循环单元(BiGRU)会充分考虑年份之间的关联性,学习长期依赖特征;最后,利用广西某地3个气象站所收集到的24个芒果生产周期年份(从前一年第22旬到当年第21旬)每旬9个气象要素及芒果产量数据进行分析建模,建立了芒果产量预测Self-attention C-BiGRU模型。实验结果表明,Self-attention C-BiGRU模型预测的产量与实际产量的均方根误差为10.67,比支持向量回归(SVR)、误差后向传播神经网络(BPNN)、门控循环单元(GRU)、基于注意力机制的双向门控循环单元(BiGRU-Attention)、门控循环单元和卷积神经网络组合模型(GRU-CNN)、双向门控循环单元和卷积神经网络组合模型(C-BiGRU)分别平均降低了37.7%、42.1%、17.6%、4.1%、5.3%和5.9%。Selfattention C-BiGRU模型具有较高的预测准确性,对提升广西芒果产业发展、推进农业信息化有重要意义。

基于一维卷积循环神经网络的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征不完备、时效性低等问题,提出一种基于一维卷积神经网络和双向门控循环单元的识别方法.首先,提取信号的模糊函数主脊并进行去噪处理;其次,利用一维卷积神经网络学习模糊函数主脊的内在抽象特征;然后引入双向门控循环单元对一维卷积神经网络提取到的特征进行再处理;最后,将特征映射到特征空间并通过Softmax分类器进行分类识别.实验结果表明,该方法在信噪比为0 dB时能保持99.67%的识别率,即使在-6 dB环境中识别率仍能达到90%左右,证实了该方法的有效性和在低信噪比下的稳定性.

基于深度门控循环单元神经网络的刀具磨损状态实时监测方法

为监测生产加工过程中的刀具磨损状态,提出一种基于深度门控循环单元神经网络的轻量化状态监测模型。首先,预处理阶段对加速度传感器采集的时序信号进行小波阈值去噪,并将每次刀具进给产生的冗长信号划分为多个训练样本,以滤除噪声、改善算法的鲁棒性;然后,利用卷积神经网络(CNN)从时序信号输入中自适应地提取特征,构建深度双向门控循环单元(BiGRU)神经网络学习特征向量间的时序信息,并将Attention机制的思想引入其中,自适应地感知对磨损状态分类结果有关联的网络权重,并对其进行合理分配,避免因人工提取特征带来的复杂性和局限性。实验结果表明,所提方法能够对传感器采集的原始数据实时准确地预测刀具磨损状态,在识别精度和泛化能力上均达到了较好的效果,为实际工业场景下的刀具磨损状态监测提供了新的思路。

基于卷积门控循环单元的波浪发电系统输出功率预测

为高效准确预测波浪输出功率,提出卷积神经网络和门控循环单元混合模型波浪预测算法。采用间接预测方法,搭建直驱式波浪发电系统模型,运用CORREL函数分析不同波浪特征的相关性,结合卷积神经网络提取特征与高维空间中的波高关系,构造特征向量,通过门控循环单元网络进行训练,将全连接层的输出值经反归一化后获得预测波高值,输入所搭建模型,获得波浪输出功率预测值。仿真结果表明,与其他网络模型相比,在多特征输入情况下,混合模型波浪预测算法预测效率更高、精度更准确。

耦合人工神经网络模型在径流预测中的应用综述

人工神经网络(artificial neural network,ANN)模型耦合其他模型或优化算法在径流预测中的应用逐渐增多。从人工神经网络模型与物理模型的耦合、多人工神经网络模型的耦合、分解技术与机器学习方法的耦合、人工神经网络模型与智能优化算法的耦合4个方面进行系统梳理和总结,阐述提高预测精度的原因及各方法的优势。同时,提出当前研究中存在的问题并进行展望,可为径流预测和水资源管理提供支持。

基于深度门控循环单元神经网络的短期风功率预测模型

随着新能源的不断发展,大量大容量风电机组并入电网运行,给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型,该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性,在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN),以提高模型对原始数据的特征提取和降维能力,并引入dropout技术减少模型中的过拟合现象。工程实例分析表明,所提模型在预测准确度和运算速度方面均优于长短记忆神经网络模型。

基于注意力机制的卷积时序神经网络检测阵发性房颤模型

目的为从动态心电图中准确、有效、快速地检测阵发性房颤(Paroxysmal Atrial Fibrillation,PAF),降低患者的发病率和死亡率,设计一种基于注意力机制的卷积时序神经网络检测阵发性房颤的混合模型。方法该算法首先通过卷积神经网络提取心电信号特征,然后由注意力机制帮助网络聚焦于重点信息部分,最后输入双向门控循环单元用于上下文信息的联系,从而准确检测PAF。结果该模型使用Physionet 2021数据库作为预训练,在CPSC2021数据库上进行迁移学习,其灵敏度、特异性、准确度分别为96.86%、98.56%、98.54%。结论相较于其他算法,该算法能够有效检测PAF,具有潜在的临床应用价值。

基于CNN-GRU组合神经网络的变压器短期故障预测方法

为挖掘变压器运行状态参量间的关联关系,量化外部环境对变压器运行状态的影响,提出了一种基于卷积神经网络和门控循环单元组合神经网络的变压器短期故障预测方法。首先,通过关联规则挖掘变压器状态参量间的相关性,结合变权思想进行综合状态评估,引入指数函数建立表征变压器运行状态的故障率模型,并将其作为预测状态参量。其次,考虑外部环境对变压器运行状态的影响,分别从日期因素、气象因素和生产工艺因素构建变压器故障预测特征集。然后,利用卷积神经网络在高维空间提取特征集与故障率间的特征向量,将结果输入门控循环单元进行优化训练,从而预测变压器故障率的发展趋势。最后,通过某海上平台变压器的故障预测趋势分析,验证了所提方法的可行性与有效性。该方法与长短期记忆模型、GRU模型、CNN-LSTM模型和支持向量机模型相比,具有更高的预测精度与更高的预测效率。

基于图卷积神经网络的无线基站流量预测研究

采用图神经网络方法对无线网络基站进行流量预测,首先基于基站地理距离构建预定义网络拓扑图,其次利用GCN提取基站之间的空间依赖关系,然后将结果输入到门控循环单元GRU提取基站之间的时间依赖关系,最后通过全连接层对基站未来多个时刻的流量做出精确预测。利用中国联通某市基站数据进行模型验证,实验结果表明,该模型相对于其他主流预测模型进一步降低了预测误差,模型预测准确率大幅度提升。