传感器时序数据预测作为工业自动化和智能化的关键过程,对于自动化生产监督、风险预防和技术改进等具有重要意义。考虑到传统基于统计学的时序分析方法通用性弱、普通循环神经网络模型存在长期依赖的不足,针对工业设备温度、压力和电流强度等时序数据预测问题,提出了一种基于多变量分析的长短时记忆神经网络时序预测方法,该方法利用数据的远距离信息和多变量相关性,有效地提高了工业传感器时序数据预测的准确性。实验选取瑞典某公司的机械装载传感器数据用于训练和测试,通过与单变量长短时记忆模型以及其它主流时序预测算法比较,证明了该方法具备较好的预测性能和通用性无法满足更高的精度需求。随着深度学习的发展，LSTM作为一种改进的ＲNN算法被提出，基于这种算法建立传感器时序预测模型，可以有效弥补普通ＲNN的缺陷。1．1工业传感器时序数据预处理训练及测试数据为瑞典某公司机械装载传感器时序数据集，传感器时序数据预测-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机该数据集包括一个同步时间段内的压力、热力、电量等24个不同种类的传感器时序数据。数据采集的总时长为6天、时间间隔为1min。总数据集共有24组、8641条原生数据，其中包括3组标签数据和21组连续型数据。图1展示了其中4组传感器数据的可视化特征，横轴为时间索引，纵轴为样本值。由图1可知，数据具有明显的周期性，并且不同数据间的相关性也较为显著。考虑到其中油桶温度、排放过滤器压力及室外动力单元温度这3类数据对监督工业生产的正常运行尤为关键，实验模型将分别对这3类数据进行预测。数据预处理包括数据清洗、标签数据One－hot编码及数据归一化。训练集为前4天的5760条数据，测试集为余下的2876条数据。本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com 1．2LSTM模型ＲNN使用带有自反馈的神经元，不断将自身上一刻的输出当作输入，能够学习任意长度的时序逻辑特征。然而ＲNN在训练后期，容易出现梯度弥散或梯度爆炸，亦即当时序间隔不断示经过输入门和遗忘门后的状态C，ot为t时刻输出层的状态(即状态O)，st为最终保留在隐层的成分(即状态S)。1．3多变量LSTM传感器预测模型针对实际工业传感器数据的远距离相关性及不同传感器数据间多变量相关性特征，本文提出了改进的多变量LSTM传感器时序预测模型。该模型的网络结构包括3层:输入层、隐藏层和输出层。其中，输入层控制输入数据的格式;隐藏层是包含了若干LSTM单元的结构，通过反复迭代、调整权值来降低误差直至收敛。输出层将结果还原为原始数据格式，拓扑结构如图3所示。!#$图3多变量LSTM拓扑结构图由图3可知，输入层将预处理后的工业传感器时序数据转为可用于监督学习的数据。选取T个时间步为间隔，以每个时刻前T个时间步的数据作为该时刻的输入，该时刻对应的样本值作为目标输出，将数据划分为输入集和相应的输出集。为了使输入数据包含多变量性，将24类传感器数据整合为3维数据:［样本值，时间步，特征］，接着以时间步为唯一索引输入到隐藏层中。隐藏层数根据数据特征和实验结果灵活调整，本文数据具有较强的规律性，隐层数量过多容易导致过拟合，因此本文中的模型为单隐层结构。由公式(1)～(3)可知，门限激活函数σ(·)的选择是模型建立的关键，由于ＲeLU函数能减轻梯度弥散问题且计算速度较快，因此选其作为门限激活函数。过拟合是多变量多参数深度神经网络训练过程中的一个严重问题，本传感器时序数据预测-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com