基于长短时记忆神经网络的带钢酸洗浓度预测

热轧带钢生产中一般通过酸洗来清除氧化铁皮。控制酸浓度在合理的范围内对于保证酸洗效果起着至关重要的作用,准确测量酸浓度才能更精准地对其进行控制。在机器学习、神经网络兴起的背景下,提出了基于长短时记忆(LSTM)神经网络的酸浓度预测方法。以某钢厂酸洗数据为对象,建立了LSTM酸浓度预测模型并对样本数据进行预测。试验结果表明,盐酸浓度、铁离子质量浓度的预测平均绝对误差分别为3.17 g/L,3.52 g/L,符合行业的误差规范要求;所提出的模型具备较高的预测精度,拥有较好的浓度预测性能,与传统统计模型相比,拥有更好的预测精度和更好的适用性。

飞机货舱火灾CO浓度神经网络补偿算法研究

针对飞机货舱火灾探测误报率偏高且响应速度较慢的问题,采用电化学式一氧化碳传感器来代替传统民机所用的光电式烟雾探测器来探测飞机货舱火灾,并提出了一种基于粒子群算法(Particle Swarm Optimization,PSO)优化长短期记忆(Long Short-Term Memory,LSTM)神经网络的一氧化碳浓度补偿模型。首先在自搭建试验平台采集密闭空间火灾的多项试验数据,然后用PSO优化LSTM的隐藏层神经元个数和学习率,提高了LSTM的预测精度。通过与其他3种神经网络对比,PSO改进LSTM模型在基于时间序列的火灾一氧化碳检测中具有更好的补偿效果。通过浓度补偿,可以使电化学式一氧化碳探测器在飞机货舱火灾发生的早期阶段进行更准确的探测预警。

基于长短期记忆网络的城市轨道交通系统通信延时补偿方法

城市轨道交通系统中会出现车地无线通信延时和丢包现象,其影响列车能量管理系统的控制实现。为此,文章利用4G无线模块采集不同司机在同一区间驾驶的18组列车功率数据并进行列车功率典型特征分析,然后提出一种基于长短期记忆网络(LSTM)的列车功率实时滚动预测方法。该方法根据列车实时功率(短期数据)及其邻近时刻功率(长期数据)对功率进行预测,有效提升了预测的准确度。通过4G通信试验,文章计算了通信延时误差,并与采用所提预测方法的计算结果进行对比。结果显示,采用该预测算法后,通信延时误差降低了21.8%,通信丢包误差降低了25.8%26.9%,可提供更准确的实时列车数据参考,使得实时改善能量流变得更为可行。

多通道长短期记忆卷积网络的风速预测

为提高风速的预测性能,提出了多通道长短期记忆网络和卷积网络相结合的风速预测方法。预测模型由多个长短期记忆子网络及卷积网络组成。各子网络选择不同长度的历史数据作为输入,分别实现未来风速值的计算,避免了单一网络输入数据长度参数难以确定的问题。卷积网络将各子网络的计算结果进行卷积、最大池化操作,并通过全连接层计算风速序列的预测值。为避免预测误差累积及漂移,利用误差动态补偿方法对预测值进行校正,获得最终的预测结果。多通道长短期记忆卷积网络可用于风速的超短期预测中,仿真实验结果表明,与现有基于深度学习的预测网络相比,该网络能够更好地拟合实际风速序列的变化趋势,表现出更优的预测性能。

基于深度循环神经网络的协作机器人动力学误差补偿

由于协作机器人的结构比普通工业机器人更为轻巧,一般动力学模型所忽略的复杂特性占比较大,导致协作机器人的计算预测力矩误差较大.据此提出在考虑重力、科里奥利力、惯性力和摩擦力等的基础上,采用深度循环神经网络中的长短期记忆模型对自主研发的六自由度协作机器人动力学模型进行误差补偿.在实验中采用优化后的基于傅里叶级数的激励轨迹驱动机器人运动,以电机电流估算关节力矩,获取的原始数据用来训练长短期记忆模型(LSTM)补偿网络.网络的训练结果和评价指标为预测力矩相比实际力矩的均方根误差.计算与实验结果表明,补偿后的协作机器人动力学模型对实际力矩具有更好的预测效果,各轴预测力矩与实际力矩的均方根误差相比于未补偿的传统模型降低了61.8%至78.9%不等,表明了文中所提出补偿方法的有效性.

基于特征交叉机制和误差补偿的风力发电功率短期预测

为提高短期风电功率预测精度,首先在卷积神经网络(CNN)-长短期记忆(LSTM)网络模型的基础上,引入特征交叉(FC)机制,对风电场数据集进行相关性分析并交叉组合,增加特征维度,加强非线性特征学习,挖掘隐藏关联,提高训练精度,构建形成FC-CNN-LSTM预测模型;然后,将该预测模型在风电预测中产生的误差值作为训练数据,训练生成误差补偿模型,利用该模型计算结果对风电预测数据进行补偿,进一步提高预测精度;最后,通过仿真验证该方法具有较高的预测精度,且相比传统预测模型,在分钟级超短期尺度上的预测性能具有显著优势。

基于光纤陀螺的温度补偿模型改进、压缩和FPGA实现

为提高光纤陀螺(FOG)在变温环境下输出误差的补偿精度,在长短期记忆神经网络模型(LSTM)基础上,利用分段非线性粒子群算法(PN-PSO)对LSTM模型超参数寻优,建立PN-PSO-LSTM光纤陀螺温度补偿模型。为有效降低计算和存储开销,便于部署在资源受限的硬件环境中,提出一套适用于光纤陀螺应用场景的模型压缩方案,包括:知识蒸馏、剪枝、激活函数线性化、定点数量化等。最后基于Xilinx公司某芯片完成部署。对比实验结果表明,相较于传统反向传播(BP)模型和传统PSO-LSTM模型,采用所提模型补偿后,陀螺零偏输出均方误差分别降低74.4%和53.5%,模型压缩后在大小减小94.1%的同时,陀螺零偏输出均方误差仍然比传统全精度模型更低,在FPGA实现后对比PC端模型推理速度提升98.47%。

基于CNN-BiLSTM-Attention模型的光纤非线性损伤补偿算法

克尔效应和色散对相干光纤通信系统的传输距离和数据容量有极大限制。为了补偿光纤传输中的非线性损伤,结合卷积神经网络(convolutional neural network,CNN)、双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)和注意力机制(attention)的特点,提出了一种基于CNN-BiLSTM-Attention模型的光纤非线性损伤补偿算法,并在DP-16QAM 30Gbaud的相干光通信系统中进行了仿真。仿真结果表明,与CNN-BiLSTM模型相比,在1200 km的传输距离下,该算法以降低0.03~0.23 dB的Q因子为代价,使复杂度降低了约31.6%;在相似复杂度下,该算法在最佳传输功率下的Q因子提高了0.43 dB。

基于误差补偿LSTM-GRU的综合能源系统多元负荷预测

为实现对综合能源系统的日前调度,需要对综合能源系统的电负荷、热负荷、冷负荷进行联合预测。针对综合能源系统多元负荷的复杂影响因素,首先,通过灰色关联度分析筛选出对多元负荷影响较大的影响因素;随后,采用传统长短期记忆(Long short-term memory,LSTM)神经网络对负荷进行预测;其次,通过门控循环单元(Gated recurrent unit,GRU)对预测误差进行训练,得到误差补偿值;最后,通过负荷预测值与误差预测值的重构,获得更精确的负荷预测值。通过实例对比误差补偿对预测精度的影响,验证了误差补偿模型的可行性,将所提预测方法与其他两种预测模型进行比较,该方法可以提高多元负荷预测的精确度,证明了该方法的优异性。

基于集群划分的光伏电站集群发电功率短期预测方法

光伏发电集群的功率预测对区域光伏发电的优化调度意义重大。为提升光伏电站集群功率预测精度,提出了基于K均值聚类划分的光伏集群短期功率预测方法,以场站光伏发电特征为参照,进行集群聚类划分,并引入带补偿偏置的长短期记忆网络(bias compensation long short-term memory network,BC-LSTM)进行功率预测。算例结果表明,使用带补偿偏置的长短期记忆网络相较于长短期记忆网络网络(long short-term memory network,LSTM)能够提升约0.6%的预测精度,使用集群累加法相较于统计升尺度法和累加法也能够提升约0.5%的预测精度。

用于倾角监测中的MEMS加速度计补偿方法

针对在山体滑坡倾角监测中微电子机械系统(MEMS)加速度计存在误差的问题,传统方法的补偿效果欠佳,且无法很好地对时间序列数据进行分析。为了提高山体姿态监测的精度,采用了一种基于一维卷积神经网络(1D-CNN)与长短期记忆(LSTM)网络相结合的MEMS加速度计误差补偿方法。将采集到的加速度数据转换成角度数据,然后通过1D-CNN与LSTM网络模型进行训练,设计了误差补偿的硬件系统,从而实现实时误差补偿。实验结果表明,与卡尔曼滤波和反向传播(BP)神经网络相比,X轴的均值和标准差分别为0.000 057°和0.000 033°,误差下降了一个数量级,说明1D-CNN与LSTM相结合的网络对MEMS加速度计具有更好的补偿效果,为将来应用在山体滑坡倾角监测中奠定了基础。

基于预测补偿模型的绳索并联机构预松弛控制

本文分析了含绳长误差的绳索并联机构运动控制过程,设计了一种基于长短期记忆(LSTM)神经网络预测误差补偿模型的预松弛控制方法,提高了绳索并联机构末端位姿在运动过程中的准确性与连续性。本文基于矢量闭环原理建立了系统运动学模型,得到了绳索末端位姿的非线性误差模型,采用LSTM神经网络进行非线性误差的预测补偿。基于离散控制周期分配主、从控制绳,实现系统的预松弛控制,减小绳索末端的无序晃动。仿真结果表明,误差补偿之后,末端位姿精度有了明显的提高,而预松弛控制的位姿与索力相较于传统控制也更加连续,验证了该方法的可行性。

基于LSTM与牛顿迭代的两轴系统轮廓误差控制

针对轮廓误差影响运动系统精度的问题,提出结合长短期记忆神经网络(LSTM)和牛顿迭代法对轮廓误差进行预测、通过转换任务坐标系对轮廓误差进行补偿的方法.在运动平台上提取特征轮廓与数据,将牛顿迭代法应用于对轮廓误差的计算,通过计算出的轮廓误差对优化后的LSTM神经网络进行训练,建立更准确的轮廓误差预测模型.通过转换任务坐标系,将预测的轮廓误差作为前馈补偿到参考轮廓中,提高轮廓控制性能.通过试验对比PID、迭代法和神经网络法,利用随机NRBUS轨迹验证泛化性,表明提出的方法能够有效地预测并控制轮廓误差,在精密运动控制领域有良好的应用前景.

基于双通道特征融合的热连轧厚度预测补偿

针对热连轧轧制受油膜厚度、轧辊偏心等因素影响而造成精度降低的问题,提出一种基于双通道特征融合的热连轧板带厚度误差预测模型。模型由时空特征提取和多尺度特征提取两部分组成:时空特征提取部分是基于相邻机架板带厚度空间的相关性构建了前置时空矩阵(FSTM),通过卷积长短期记忆网络(Conv-LSTM)提取FSTM的时空关联特征;多尺度特征提取部分是采用离散小波变换(DWT)对当前机架轧制厚度数据进行分解,得到趋势项数据和细节项数据,并采用差分自回归移动平均模型-长短期记忆网络(ARIMA-LSTM)和双向长短期记忆网络(BiLSTM)分别对趋势项数据和细节项数据进行特征提取。将上述特征融合后输入全连接层进行回归预测,得到热连轧板带厚度误差预测值。实验结果表明:双通道特征融合模型能有效提高厚度误差预测精度,验证了模型的有效性。

动态因素下时序称重模型的建立

物流秤在动态测量过程中,各类时序干扰信号极易对压力传感器测量精度造成影响。基于正交试验法获取物流秤在不同带速、载重及采样频率下台面的压力及秤体三轴加速度信号,以此作为样本集,基于五折交叉验证原则依次建立岭回归、Xgboost以及改进的LSTM测量补偿模型。结果表明Ridge模型具有最低的算法复杂度,且较传统线性回归模型提升明显,补偿平均损失为0.317 kg;Xgboost模型平均损失为0.219 kg且基于F检验分析误差成分;此外提出一种改进的LSTM神经网络模型,通过在原有结构基础上堆叠全连接层,将采样信号作为时间序列变量输入模型,最终测试结果表明虽模型训练时间与空间复杂度较大,但补偿测量准确度最佳损失低至0.142 kg,且对采样频率不敏感具有最好的鲁棒性。

基于GRU-BP算法的高精度动态物流称重系统

针对动态物流秤测量精度对载重、采样频率、带速较为敏感的问题,提出了一种高精度动态物流称重系统。首先,采用三因素五水平正交试验法,结合皮尔逊相关性检验原则,使用低通巴特沃斯与卡尔曼滤波器对传感器压力信号进行了滤波降噪处理,并将加速度信号作为模型输入信号,进行了特征补偿;然后,基于深度学习算法,提出了一种改进的门控循环单元模型,在该模型采样区间内将压力与振动改写为时序化信号,并将其共同输入门控循环单元(GRU)模型;最后,对GRU模型进行了改进,对其结构输出了层堆叠误差反向传播神经网络(BP),有效加强了模型的非线性映射能力。研究结果表明:在各类传动速度及测试货物下,该模型的最大测量误差相对于同类型深度学习模型长短期记忆(LSTM)神经网络、循环神经网络(RNN)时序模型及传统数值平均模型的误差,依次降低了16.14%、27.14%、76%,可用于各类称重系统。