龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：中国科学院沈阳自动化研究所
摘要：本发明针对具有时滞特性的工业过程的优化控制需求，提供基于序列建模的多尺度工业关键参数长时间预测方法。该方法首先利用分组卷积对原始序列进行多次下采样，以获得工业数据在不同时间尺度上的特征。然后，将这些特征输入多层网络中分别进行趋势季节分解，以分离模式复杂的季节项特征和模式简单的趋势项特征。随后，将完整的季节项特征输入多头注意力机制Multi‑HeadAttention中基于序列建模变量维度的依赖关系。接着，提出跨尺度冗余优化机制来缓解多尺度网络固有的信息重叠问题并将以变量为中心的特征依次输入到双向门控循环单元BiGRU和卷积网络CNN中建模序列之间和序列内的时间维度依赖关系。最后，利用多层感知机MLP挖掘趋势项特征并与季节项特征结合来获得工业关键参数数据的潜在特征并进行预测。通过本发明提高了工业关键参数的长时间预测精度，为具有时滞特性的工业过程的优化控制提供了技术支撑。
主权项：1.基于序列建模的多尺度工业关键参数长时间预测方法，其特征在于，执行如下步骤实现通过历史数据预测目标参数，用于调控时滞特性工业过程的优化控制需求；方法包括如下步骤：采集工业过程的关键参数数据，进行预处理；输入多个分组卷积层，下采样操作获得工业数据在不同时间尺度上的特征；进行趋势季节分解，得到季节项特征和趋势项特征；将季节项特征在时间维度嵌入生成新的特征向量，并将其输入多头注意力机制Multi-HeadAttention中建模变量维度的依赖关系；对多头注意力机制的输出进行跨尺度冗余优化，用于使后续时间维度建模时每层网络只关注自身尺度的特征；将跨尺度冗余优化输出的特征划分为序列片段，并将序列片段作为基本单元依次输入双向门控神经网络BiGRU和卷积网络CNN中，用于建模序列片段间和序列片段内的时间维度依赖关系，从而挖掘季节项典型特征；将趋势项特征输入多层感知机MLP中挖掘趋势项典型特征；利用挖掘的典型特征结合多层感知机MLP，预测长时间目标参数。
全文数据：
权利要求：
百度查询： 中国科学院沈阳自动化研究所 基于序列建模的多尺度工业关键参数长时间预测方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号