基于Bayesian-LSTM神经网络的热轧轧辊剩余寿命预测及不确定性评估

轧辊性能直接影响钢铁轧制流程的生产效率和生产质量,结合轧辊的复杂运行环境和波动工况条件,精准预测轧辊运行状态的时序变化特征与剩余寿命对生产流程精细化、智能化、高效化尤为重要。考虑轧辊服役过程中的动态不确定性,提出一种结合贝叶斯神经网络的长短期记忆网络(Bayesian long short term memory,Bayesian-LSTM)方法,提取健康指标以评估轧辊健康状态,并智能预测轧辊剩余寿命,量化其分布特征的区间不确定性,进一步讨论Bayesian-LSTM网络结构参数对寿命区间的动态影响。通过某热轧厂的实际运行数据验证了方法的有效性,结果表明:所提出方法相对传统数据驱动方法,预测精度达到96.90%,实现了热轧轧辊寿命智能预测和不确定性评估。

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BO-LSTM的海洋浅层钻井机械钻速预测方法

机械钻速是衡量钻井效率的最重要指标,而机械钻速预测可以帮助钻井工程更加有效地对钻井过程进行优化,然而机械钻速受地质特性、钻柱组合、钻井液性能、钻井参数等多因素影响,难以准确预测。该文以渤中某区块的钻井实测数据为基础,提出一种基于贝叶斯优化算法优化长短时间记忆神经网络的机械钻速预测模型,并与标准的LSTM神经网络预测模型和灰狼优化算法优化LSTM神经网络的预测模型作对比分析。选取了渤中区块的3口井进行实验,评级模型的适应性。结果表明,贝叶斯优化LSTM机械钻速预测模型相对于另外两种模型,具有更良好的预测精度。

基于改进BNN-LSTM的风电功率概率预测

针对确定性的风电功率预测难以提供预测结果的波动区间和支撑风险决策的问题,以贝叶斯网络为基础,通过将先验分布置于LSTM网络层权重参数之上,构建了贝叶斯LSTM神经网络(BNN-LSTM)。以时间卷积神经网络(TCNN)处理风电功率预测的历史时序数据,提取时序数据的关联特征。使用互信息熵方法分析了风电功率的气象数据集,剔除关联性小的变量,对气象数据集进行降维处理。并采用嵌入(embedding)结构学习风电功率时间分类特征。随后将TCNN处理后的时序数据、降维后的气象数据以及时间分类特征数据一起送入BNN-LSTM预测模型,通过在某风电数据集不同算法的概率预测指标pinball损失和Winkler评分的对比验证,可知,本文所提方法能从可对风电功率波动做出较为准确的响应,预测效果更好。

基于动态规整与改进变分自编码器的异常电池在线检测方法

针对电池生产成组过程中,传统异常检测方法对混入的容量及压差异常电池检测精度低及生产结束后离线异常检测方法效率低等问题,该文提出一种集合长短期记忆变分自编码器与动态时间规整评价的锂电池异常在线检测方法(VAE-LSTM-DTW),实现了异常电池的在线检测,避免了离线异常检测所造成的时间和能源的浪费。该方法首先将长短期记忆网络(LSTM)引入变分自编码器(VAE)模型,训练电池时序数据重构模型;其次,在电池异常检测的度量标准中引入动态时间规整值(DTW),并基于贝叶斯寻优获得最优检测阈值,对每个单体电池重构数据的动态规整值进行异常辨别。实验结果表明,相较该领域传统异常检测方法,VAE-LSTM-DTW模型性能优越,查准率和F1值都得到了较大的提升,具有较高的有效性和实用性。

基于滑动窗双边CUSUM算法的风电爬坡事件检测方法

随着新能源并网进程的推进,风电装机规模逐年扩大。受区域内天气变化影响,风机出力的间歇性和波动性特征对电网的威胁亦越发显著。极端天气所引发的风电出力异常爬坡事件,易导致电网功率失衡,对电力系统机组调度、源荷平衡造成了极大压力。合理的风电爬坡事件检测以及精准的风电功率预测能为风电场运维及电力系统调度提供先验指导,有力缓解风电不确定性带来的危害。首先讨论了目前主流风电爬坡事件定义的盲点,分类并分析了3种风电爬坡场景的功率变化特性,据此提出基于滑动窗双边累计和(cumulative sum, CUSUM)算法的风电爬坡事件检测方法,提取时序耦合信息,捕捉短时间窗口内风电功率数据的异常波动,提高风电爬坡事件检测精度。其次,采用贝叶斯优化的长短期记忆(long short term memory, LSTM)神经网络,最优化模型超参数,提高模型对于爬坡事件发生时风机出力的预测性能。进一步应用所提风电爬坡事件检测方法,对模型预测区间内的风电爬坡事件进行检测实验,验证了所提方法的有效性。

融合时序InSAR与MIDAS的露天边坡稳定性分析及预测

针对当前矿区地表形变监测技术监测范围小、周期长、采样率低等问题,以龙首露天矿为工程背景,融合SBAS-InSAR技术、MIDAS数值模拟与长短期记忆(Long Short Term Memory,LSTM)网络,提出了一种边坡稳定性的分析与预测一体化方法。利用SBAS-InSAR技术获取研究区2014—2023年地表垂直向形变时序反演结果,并分析其时空演化特征与形变机理。以典型形变剖面为研究对象,采用MIDAS GTS NX软件模拟边坡在强震作用下的稳定性,并分析边坡破坏规律及形变特征。采用贝叶斯优化算法(bayesian optimization,BO)优化LSTM网络,搭建并优化预测模型用于矿区地表形变预测。结果表明:南侧边坡垂直向形变相对严重,沉降速率达176.3 mm/a,累积沉降量达1489 mm;在强震数值模拟中边坡产生严重位移变形并最终失稳;基于SBAS-InSAR监测结果对各预测模型进行精度验证,验证结果表明BO-LSTM模型的预测精度最优,平均绝对误差与均方根误差至少降低了18%和16%。采用该模型预测矿区未来地表垂直向形变,预测结果表明,未来2 a内矿区形变速率放缓,边坡处于稳定状态。

多种残差补偿的贝叶斯网络下的短期交通预测

为了解决道路车流量的数据生成条件时变场景下的交通预测问题,本文建立道路交通控制与交通流预测数据之间的联系,提出一种基于多种残差补偿的贝叶斯网络的短期交通预测方法。提取城市中大规模多路口主干道车道及车辆信息构造多个平行的贝叶斯网络,使用贝叶斯关系及期望最大化算法进行短期交通预测。再通过数据自相关残差补偿、车辆换道和多路口连通性的线性残差补偿提高了预测的精度,解决了传统研究对相邻路口和换道导致的误差等因素处理能力不足的问题。仿真结果表明:使用贝叶斯网络预测交通流,并基于车辆行为的残差进行精度补偿,可以更准确地预测复杂的交通演化场景的短期交通流。

基于贝叶斯自优化Bi-LSTM组合网络的高速铁路轨道-桥梁系统震后响应预测方法

中国高速铁路(HSR)规划建设逐渐向地震易发地区延伸,亟需一种及时、准确的灾后地震响应快速预测方法,以实现高速铁路系统运输生命线安全的快速评估。本文提出了一种基于贝叶斯自优化双向长短期记忆(Bi-LSTM)网络的快速预测方法,以经过实验验证的高速铁路轨道-桥梁系统有限元模型地震动响应计算数据为样本,将预测地震响应和有限元计算结果进行比较,验证所提方法的精度和鲁棒性,表明该方法在预测高速铁路桥梁结构的非线性地震反应方面是有效的,且高速铁路轨道-桥梁系统的不同预测位置对预测精度的影响不明显;此外,为了降低神经网络训练数据量需求,提出了一种基于离散小波分解的分层聚类算法,结果表明,基于小波分解的分层聚类方法在保证预测精度的同时,有效地减少了训练地震集的输入数量。

肉种鸡湿热环境舒适度-生产性能量化关系研究

为探究肉种鸡处于湿热环境的舒适程度与生产性能之间的量化关系,实现基于湿热环境舒适度对肉种鸡每日生产性能的准确预测的目标,研究以爱拔益加父母代种母鸡为研究对象,利用基于焓湿图的肉种鸡湿热环境舒适度评价结果作为预测模型输入,产蛋率和平均蛋重作为需要预测的生产性能指标,构建了贝叶斯优化的LSTM模型湿热环境舒适度时占比与生产性能指标之间的预测模型。结果显示:贝叶斯优化的LSTM每日产蛋率预测模型在验证集上的决定系数(R2)、均方误差(MSE)、平均绝对误差(MAE)、解释方差分(EVS)分别为:0.983 3、2.234 3、0.997 1、0.987 2;贝叶斯优化的LSTM每日平均蛋重预测模型在验证集上的R2、MSE、MAE、EVS分别为:0.987 4、0.142 9、0.305 0、0.990 2。研究表明,贝叶斯优化的LSTM每日产蛋率预测模型,贝叶斯优化的LSTM每日平均蛋重预测模型的性能均较为优越,适用于实际肉种鸡养殖过程中基于湿热环境舒适度的生产性能预测,研究也为后续构建广义多因子环境舒适度与生产性能量化关系模型奠定基础。

基于多输出LSTM神经网络的深基坑侧移预测

深基坑挡土墙是工程实践中常用的支护结构,对限制深基坑变形和预防工程事故起着重要的作用。深基坑工程往往会布置多个不同深度的测点,然而现有研究大多只预测了单个测点的未来侧移,浪费了其余测点的监测数据。以杭州市某深基坑工程为背景,建立基于贝叶斯优化的多输出长短期记忆(Long short term memory,LSTM)神经网络模型,在保证模型最优性能的情况下,采用历史监测数据输入对深基坑的多个测点进行预测,并单独提取墙体每日最大侧移预测值进行分析。研究结果表明:结合贝叶斯优化的多输出LSTM神经网络模型在深基坑墙体多测点侧移预测方面展现出理想的预测效果,模型R^(2)达到了0.94,每日最大侧移预测值的模型R^(2)为0.91,略低于整体预测。

贝叶斯优化下SARIMAX和LSTM模型在日照港货物吞吐量预测中的应用

在全球贸易活动中,精确预测港口货物吞吐量对物流和供应链管理具有重要意义。为更好地捕捉吞吐量数据中的季节性周期和长期趋势,文中采用SARIMAX模型和LSTM神经网络,同时综合考虑了GDP、进出口贸易总额等宏观经济指标。首先利用SARIMAX模型捕捉吞吐量数据中季节性和趋势成分,并结合贝叶斯优化来细致调整模型超参数。然后引入结合贝叶斯优化的LSTM网络,对SARIMAX模型的预测值和实际值间的误差序列进行修正。实证结果表明,相比于传统单一模型,考虑多种影响因素的组合模型能够更加有效地提高对未来货物吞吐量的预测准确度。该研究不仅丰富了时间序列预测的理论,也为港口和物流行业提供了一种实用的决策支持工具。

基于深度学习的海工平台运动预测

为提高海上作业装备的安全性能,实现海上结构物运动的实时预报,本研究利用了一种卷积神经网络(convolutional neural network, CNN)方法与长短期记忆(long short-term memory, LSTM)方法混合的深度学习模型用于运动预测,该混合模型运用CNN提取运动数据的特征,采用LSTM学习提取出的特征间的时间关系,并结合贝叶斯(Bayesian)优化算法优化混合模型的超参数。首先,对海工平台进行数值仿真,将得到的纵荡运动数据作为实验数据。其次,将数据集划分为训练集、验证集与测试集,利用训练集与验证集进行训练与验证,获得6、12、18 s运动最优预测模型,并利用测试集与LSTM模型进行比较。结果表明:混合模型在6、12、18 s预测上相比于LSTM等模型,预测精度可以提高15%~30%。除此之外,本研究还分别探究了预测精度与输入时长、预测时长之间的关系,结果显示预测精度受输入时长的影响较小,但随着预测时长的增加近似呈线性下降趋势。最后结合训练耗时证明了混合模型相比于LSTM等模型更具有优势。

基于Bayes和LSTM神经网络模型的基坑变形值预测研究

为了提高基坑变形预测的准确性和可靠性,提出了一种基于贝叶斯方法(Bayes)和长短期记忆(Long Short-Term Memory,LSTM)神经网络的复合模型,并结合杭州市文一西路改造工程现场监测数据,比较了Bayes-LSTM模型与其他预测模型在大跨度基坑上方的地表沉降与水平位移数据预测误差。研究结果表明:与LSTM模型和支持向量机(SVM)模型相比,Bayes-LSTM模型对基坑上方地表沉降的预测精度分别提高了1.0和1.26,证明了Bayes-LSTM模型在地表沉降预测方面表现出较高的预测精度和泛化能力。该研究成果可为大跨度基坑施工安全管理提供决策与支持。

海上平台电气温度监控系统及预测模型研究

针对海上平台电气设备温度监控的现实需求,以无线红外温度传感器及数据采集终端为基础,构建了海上平台电气设备温度分布式监控系统,配套开发了系统应用软件,实现了平台电气设备温度的持续监控。针对传统温度预测难以应对大量波动性数据且对时间序列处理能力有限的问题,提出贝叶斯优化与长短时记忆网络(LSTM)组合预测方法。以所监测的海上平台变压器为研究对象,分析变压器运行过程中的温度特征,采用时序性较强的LSTM网络预测模型,引入贝叶斯优化算法,用于训练和更新LSTM参数。实践表明,基于贝叶斯优化的LSTM模型对海上平台变压器温度具有良好的预测效果,其均方根误差为0.139、预测准确率为98.56%。通过对支持向量机、BP神经网络、LSTM、Bayesian-LSTM四种预测模型的比较分析,证实了贝叶斯优化的LSTM模型对海上平台变压器温度预测的优势。

基于贝叶斯优化算法的长短期记忆神经网络模型年径流预测

为解决长短期记忆神经网络模型超参数人为确定造成径流预测精度低的问题,将贝叶斯优化算法(BOA)应用于长短期记忆神经网络(LSTM)超参数的率定,构建BOA-LSTM径流预测模型,并研究分析模型超参数对预测精度的影响。采用呼兰河下游兰西水文站1959~2014年相关水文气象数据进行年径流预测及验证,并与麻雀搜索算法(SSA)优化超参数的LSTM神经网络模型(SSA-LSTM)及LSTM神经网络模型进行比较。结果表明,贝叶斯优化算法能更加准确高效地率定模型超参数。同时,研究提出的BOA-LSTM模型为年径流预测提供了一种有效的新方法。

基于贝叶斯优化算法和长短期记忆网络的PM_(2.5)浓度预测

针对PM_(2.5)浓度对于出行和交通规划的影响,对PM_(2.5)浓度预测进行了研究。主要解决了传统预测模型输入样本不稳定、运算时间长、预测效果不稳定、缺乏灵活性、泛化能力不足、精确度低等难题。引入了深度学习长短期记忆网络(LSTM)框架,设计基于LSTM基本的预测模型做初步预测,主要通过利用已知的空气质量数据训练模型,然后随机选取2个监测站(顺义和怀柔),用训练好的模型预测这2个监测站未来连续60 h的PM_(2.5)浓度。为了进一步优化预测模型的参数,引入贝叶斯优化(BO)算法,重新训练模型并进行预测。最后通过对LSTM基本预测模型和BO之后的LSTM模型的预测效果进行对比、评估和分析,发现BO算法对于预测模型时序记忆能力的提高有优化作用,预测效果更好,模型泛化能力更强。

基于KPCA-LSTM的旋转机械剩余使用寿命预测

旋转机械的剩余使用寿命(remaining useful life, RUL)预测对工业设备预测和健康管理的具有重要意义。该文针对多传感器冗余数据导致旋转机械退化信息提取困难、剩余使用寿命预测效果差的问题,提出了一种基于核主成分分析-长短期记忆网络(kernel principal component analysis-long short term memory, KPCA-LSTM)的方法对旋转机械剩余使用寿命预测。首先,分析旋转机械的多维退化数据,选择可以表征旋转机械退化的数据;其次,对退化数据进行(kernel principal component analysis, KPCA)融合及特征提取,将降维融合的特征作为预测模型的输入;然后构建旋转机械的健康指标,并通过多阶微分划分旋转机械的不同健康状态,建立KPCA-LSTM模型对旋转机械的剩余使用寿命进行预测;最后,在实验室搭建的矿用减速器平台上进行了试验验证。试验结果表明:该文所提方法与LSTM、粒子群优化LSTM的方法比较,该方法预测效果优于其他两种模型,并降低模型训练的复杂性,减少预测用时。

基于贝叶斯优化LSTM的发动机剩余寿命预测

针对航空发动机剩余寿命预测中深度学习算法参数优化效率低、预测准确率差等问题,在长短期记忆网络算法(LSTM)的基础上提出一种基于贝叶斯优化的LSTM算法。利用长短期记忆网络对航空发动机的传感器数据进行时间序列预测,并运用贝叶斯优化算法对长短期记忆网络的超参数进行迭代优化。利用NASA公开数据集对算法进行验证,结果表明,相较于其他算法,优化后的算法在优化参数、提高预测准确率方面有明显改善,能为保证航空器的安全使用以及制定维修替换策略提供参考。

基于LSTM-BF的高速公路交通事故风险模型

为减少高速公路交通事故的发生,综合利用长短期记忆神经网络(LSTM)和贝叶斯滤波(BF)研究高速公路交通事故风险状态预测模型,首先,通过LSTM模块学习历史交通流风险数据中存在的时间依赖关系;然后,通过BF模块融合LSTM预测结果提高实时风险预测效果;最后,利用宁波绕城高速2020年交通事故和沿线卡口数据,基于事故发生前20 min内上下游卡口间的时空范围,采用移动时间窗形式构建多步特征变量,并进行五折交叉验证。结果表明:相比随机森林(RF)算法,LSTM模型具有更高的精确率和召回率;在LSTM模型基础上,增加贝叶斯滤波BF模块可使最终风险预测结果F_(1)值达到0.80水平。