循环神经网络在剩余使用寿命预测中的应用综述

准确的剩余使用寿命预测对于提高工业设备及复杂系统的使用价值、降低设备生命周期成本具有重要意义。循环神经网络具有时间维度上的记忆性且能够参数共享,比较适用于剩余使用寿命预测。文章基于循环神经网络对剩余使用寿命预测展开深入的研究,将搜集文献法分为三种:基于单一循环神经网络的预测方法,以循环神经网络为主、以其他神经网络为辅的混合网络预测方法,以及循环神经网络与其他算法相结合的预测方法。最后,文章从鲁棒性研究、泛化性研究和优化预测模型三个方面提出了下一步的研究建议。

基于特征选择及ISSA-CNN-BiGRU的短期风功率预测

针对风电功率随机性大、平稳性低,以及直接输入预测模型往往难以取得较高精度等问题,提出了一种基于特征选择及改进麻雀搜索算法(ISSA)优化卷积神经网络-双向门控循环单元(CNN-BiGRU)的短期风电功率预测方法。首先,利用变分模态分解(VMD)将原始功率分解为一组包含不同信息的子分量,以降低原始功率序列的非平稳性,提升可预测性,同时通过观察中心频率方式确定模态分解数。其次,对每一分量采用随机森林(RF)特征重要度的方法进行特征选择,从风速、风向、温度、空气密度等气象特征因素中,选取对各个分量预测贡献度较高的影响因素组成输入特征向量。然后,建立各分量的CNN-BiGRU预测模型,针对神经网络算法参数难调、手动配置参数随机性大的问题,利用ISSA对模型超参数寻优,自适应搜寻最优参数组合。最后,叠加各分量的预测值,得到最终的预测结果。以中国内蒙古某风电场实际数据进行仿真实验,与多种单一及组合预测方法进行对比,结果表明,本文所提方法相比于其他方法具有更高的预测精度,其平均绝对百分比误差值达到2.644 0%;在其他4个数据集上进行的模型准确性及泛化性验证结果显示,模型平均绝对百分比误差值分别为4.385 3%、3.174 9%、1.576 1%和1.358 8%,均保持在5.000 0%以内,证明本文所提方法具有较好的预测精度及泛化能力。

基于VMD-ISSA-GRU组合模型的短期风电功率预测

为解决风速不确定性和波动性造成风电功率预测精度不高的问题,提出一种基于变分模态分解(VMD)、改进麻雀搜索算法(ISSA)和门控循环神经网络(GRU)的VMD-ISSA-GRU组合模型。首先,利用中心频率法确定采用VMD分解后的模态分量个数,这样有效避免了过分解或者分解不充分。其次引入混沌映射、非线性递减权重以及一个突变策略来改进麻雀搜索算法,用于优化门控循环神经网络,然后对分解得到的各个子序列建立ISSA-GRU预测模型,最后叠加每个子序列的预测值得到最终的预测值。将该模型用于实际风电功率预测,实验结果表明:VMD-ISSA-GRU组合模型的平均绝对误差、平均绝对百分比误差、均方根误差分别为1.2118MW、1.8900及1.5916MW;相较于传统的GRU、长短时记忆(LSTM)神经网络、BiLSTM(Bi-directional LSTM)神经网络模型以及其他组合模型在预测精度上都有明显的提升,能很好地解决风电功率预测精度不高的问题.

基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测

针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度.

变转速工况下滚动轴承故障诊断——基于改进DCNN和GRU模型

针对变转速工况下滚动轴承振动信号变化大、故障诊断准确率低的问题,提出基于改进深度卷积神经网络(IDCNN)和门控循环单元(GRU)的诊断模型。使用原始振动信号作为输入,避免因人为提取特征而损失信息;引入批标准化(BN)和小卷积核对DCNN进行改进,加深网络深度,增强网络的辨别能力和稳定性;引入在处理时间序列信号上有着独特优势的门控循环单元(GRU),通过将GRU与IDCNN相结合来提高网络模型的性能。试验验证该模型效果显著且性能稳定。

基于VMD-LSTM-IPSO-GRU的电力负荷预测

为了挖掘电力负荷数据中的潜藏信息,提高短期负荷预测的精度,针对电力负荷强非线性、非平稳性等特点,提出一种基于变分模态分解(variational mode decomposition,VMD)、长短时记忆神经网络(long-term and short-term memory network,LSTM)、改进的粒子群算法(improve particle swarm optimization,IPSO)和门控循环单元(gated recurrent unit neural network,GRU)的混合预测模型。首先,使用相关性分析确定输入因素,再将负荷数据运用VMD算法结合样本熵分解为一系列本征模态分量(intrinsic mode fuction,IMF)和残差量,进而合理地确定分解层数和惩罚因子;其次,根据过零率将这些量划分为低频和高频,低频分量使用LSTM网络,高频分量利用IPSO-GRU网络分别进行预测;最后,将预测结果重构得到电力负荷的最终结果。仿真结果表明:相对于其他模型,所提混合模型可有效的提取模态特征,具有更高的预测精度。

基于VMD-MGRU的箱式变压器高压套管温度预测

为了提前预防箱式变压器高压套管过热和爆炸等事故发生,提高变压器运行的安全稳定性,提出一种基于变分模态分解与改进门控循环单元神经网络的变压器高压套管温度预测方法。首先,运用变分模态分解将箱式变压器高压套管温度分解为具有不同特征的子序列分量,减少不同趋势信息对预测精确度的影响;然后,提出改进门控循环单元神经网络MGRU,针对分解后各子序列分别建立基于MGRU的时间序列预测模型;最后,叠加各子序列预测结果,得到高压套管温度最终预测值。结合某小区箱式变压器套管在线监测平台实际算例,仿真结果表明,相较于传统预测算法,所提方法在单步和多步预测中都能更好地预测箱式变压器高压套管温度,具备更优良的预测性能和更好的泛化能力。

基于IPSO-GRU深度学习算法的海底管道缺陷尺寸磁记忆定量反演模型

针对海底管道缺陷磁记忆定量反演的难题,提出一种基于改进粒子群优化的门控循环神经网络模型,即IPSO-GRU模型.以两端焊有盲板的X52管道作为实验材料,其上预制有不同直径、深度的缺陷,采用TSC-5M-32磁记忆检测仪,外接11-6W非接触探头,进行水下磁记忆检测试验,提取不同缺陷尺寸的磁记忆信号特征值.考虑到磁记忆信号特征值随缺陷尺寸呈复杂的非线性变化,引入门控循环神经网络,利用其双门结构能够记忆缺陷处的信号特征,非线性回归拟合能力强的特点,构建海底管道缺陷定量反演模型,进一步考虑到模型超参数选择的随机性,采用改进粒子群算法进行超参数寻优.验证结果表明:该模型对缺陷深度反演平均精度达96%;对缺陷直径反演平均精度达93%,为海底管道缺陷的磁记忆定量化识别与反演提供了新的思路和方法.

EA-GRU模型在城市交通行程时间预测中的应用

城市交通行程时间预测是发展城市智能交通系统必然要求和核心任务,难点在于交通流具有强烈的非线性和随机性。针对传统基于神经网络的行程时间预测模型结构复杂、鲁棒性欠佳的情况,构建基于改进注意力机制的门控循环神经网络的行程时间预测模型,借助注意力机制捕捉历史行程时间数据时间相关性特征,同时创新提出使用遗传算法对注意力层权值进行独立训练寻优。实验选取珠海市香洲区彩虹路为研究对象,结果发现:基于改进注意力机制的门控循环神经网络模型(EAG-RU)平均绝对百分比误差落在5.9%左右,在可接受误差范围内且误差低于其他4种基线方法,预测效果更好;与未引入注意力机制的门控循环神经网络(GRU)模型相比,该模型预测结果提高了41.4%,同时表现出受数据量变化波动较小、鲁棒性好。

基于ICNN-BiGRU的轴承故障诊断模型

在实际使用过程中,基于深度学习模型的滚动轴承故障诊断方法易受环境噪声的干扰,为此,提出了一种基于改进卷积神经网络双向门控循环单元(ICNN-BiGRU)的滚动轴承故障诊断模型(方法)。首先,使用Laplace小波对采集到的滚动轴承振动信号进行了相关滤波,得到了功率谱;然后,利用ICNN-BiGRU自动提取了功率谱特征,在卷积神经网络基础上引入了动态选择机制和自注意力机制,根据轴承不同故障状态定位了相关的特征信息,从而实现了轴承故障特征提取和故障诊断;最后,通过西安交通大学昇阳科技(XJTU-SY)联合实验室的滚动轴承加速寿命试验数据集,对ICNN-BiGRU模型与其他深度学习模型进行了对比,以验证ICNN-BiGRU模型的优越性。研究结果表明:相比于其他深度学习模型,ICNN-BiGRU模型的故障诊断精度更高,其诊断准确率可达99.65%;在不同背景噪声的干扰下,相比于其他深度学习模型,ICNN-BiGRU模型的特征学习能力更强,具有一定的工程参考价值。