申请/专利权人：北京航空航天大学

申请日：2022-06-21

公开（公告）日：2024-07-05

公开（公告）号：CN115034325B

主分类号：G06F18/27

分类号：G06F18/27;G06F18/25;G06N3/0464;G06N3/0455;G06N3/0442;G06F123/02;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2022.09.30#实质审查的生效;2022.09.09#公开

摘要：本发明公开了一种多维时间‑注意力‑空间的工业时间序列预测方法，应用于工业时间序列预测技术领域，包括：将工业原始数据预处理得到的多维时间序列数据输入至高斯嵌入层，增强数据维度，随后分别输入至双向长短期记忆人工神经网络时间层和特征权重注意力层，分别得到双向长短期记忆人工神经网络的双向隐藏状态和带权重的注意力特征图；将双向隐藏状态与带权重的注意力特征图共同输入至特征融合层中进行特征融合，随后输入至空间层，得到基于时间和空间特征整合的最终预测结果。本发明能够有效描述数据的相关性和表现数据的特征、捕捉过去和未来的信息、自动根据特征的重要程度为其分配不同的权重以及整合空间和时间特征提高寿命预测准确度。

主权项：1.一种多维时间-注意力-空间的工业时间序列预测方法，其特征在于，包括：步骤1：获取传感器采集的工业原始数据，并对所述工业原始数据进行预处理，得到多维时间序列数据；步骤2：将所述多维时间序列数据输入至高斯嵌入层，增强数据维度；步骤3：将所述步骤2输出的数据分别输入至双向长短期记忆人工神经网络时间层和特征权重注意力层，分别得到所述双向长短期记忆人工神经网络的双向隐藏状态和带权重的注意力特征图；步骤4：将所述双向隐藏状态与所述带权重的注意力特征图共同输入至特征融合层中进行特征融合；步骤5：将所述特征融合后的数据输入至空间层，得到基于时间特征和空间特征整合的最终RUL预测结果；步骤2中，所述高斯嵌入层为一个带有高斯滤波的两层网络；步骤3中，所述特征权重注意力层的输入数据为所述高斯嵌入层的学习特征，是二维矩阵，定义为X，如下：X＝[x0,x1,……,xf]∈Rt×f；其中，X为输入特征；R为实数；t为时间步数；f为特征维数；xi为第i个特征向量；所述特征权重注意力层表示为：H＝tanhXTW1；α＝softmaxHW2＝[α0,α1,……,αf]；其中，H为隐藏状态；X为输入特征；W1和W2为学习权重参数；αi为第i个特征向量的加权重要性；T为矩阵转置；α为特征注意力向量的集合；tanh为双曲正切函数；softmax为归一化指数函数；所述特征权重注意力层还采用一种稀疏的策略：在α中，具有10％最低权重的值被设置为零，α被更新为采用稀疏策略加权后的第i个特征向量c则被表示为： 其中，Ci为采用稀疏策略加权后的第i个特征向量；xi为第i个特征向量；为采用系数策略后的第i个特征的加权重要性；步骤4中，所述特征融合层由注意力编码器组成，合并特征形成一个新的特征图；步骤5中，所述空间层包括：线性升维层、卷积层和全连接层。

全文数据：

权利要求：

百度查询： 北京航空航天大学 一种多维时间-注意力-空间的工业时间序列预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD