使用混合深度学习和自适应过的多级工业过程预测.
IEEE transactions on neural networks and learning systems
|November 20, 2025
概括
本研究引入了一种混合深度学习框架,用于准确的工业过程预测,在缺少数据的多级环境中显著提高预测准确性和稳定性.
科学领域:
- 工业过程控制 工业过程控制
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 多级工业过程在预测方面存在挑战,原因是采样率变化和数据缺失.
- 准确的预测对于优化工业运营和确保产品质量至关重要.
研究的目的:
- 开发一种新的混合深度学习框架,用于在多级工业过程中增强预测.
- 为了应对不同采样频率和缺失的质量变量所带来的挑战.
主要方法:
- 一个混合深度学习框架,结合了时间序列分解,用于特征提取的反向变压器 (iTransformer) 和修改的最小封闭单元 (MGU) 网络.
- 实施了强大的自适应参数更新算法,使用死区卡尔曼过来处理丢失的数据.
- 在真实世界的工业数据集上进行验证.
主要成果:
- 实现了61.42%的平均绝对误差 (MAE) 减少.
- 在根-平均-平方误差 (RMSE) 中显示了64.11%的减少.
- 与现有方法相比,合格率提高了14.73%.
结论:
- 拟议的混合深度学习框架显著提高了多级工业过程中的预测准确性和稳定性.
- 这种新的方法有效地处理缺失的数据,并优于当前最先进的技术.
- 这种方法为改善工业过程监测和控制提供了一个有希望的解决方案.
