購物車(0)
基于LSTM的工業(yè)互聯(lián)網(wǎng)設(shè)備工作狀態(tài)預(yù)測
關(guān)鍵詞：長短時記憶神經(jīng)網(wǎng)絡(luò) 時間序列預(yù)測 工業(yè)互聯(lián)網(wǎng)設(shè)備
摘要：隨著工業(yè)互聯(lián)網(wǎng)技術(shù)的發(fā)展,工業(yè)互聯(lián)網(wǎng)設(shè)備的工作狀態(tài)預(yù)測對于提升設(shè)備的可靠性具有重要意義。在實際的工業(yè)場景中,由于設(shè)備數(shù)據(jù)高度離散且在多個時間段內(nèi)相互重合,簡單的單信號預(yù)測和閾值方法是無效的。本文提出一種基于LSTM(長短時記憶)神經(jīng)網(wǎng)絡(luò)的設(shè)備工作狀態(tài)預(yù)測模型。首先使用SMOTE算法進行數(shù)據(jù)傾斜處理,利用PCA算法進行數(shù)據(jù)降維,之后基于LSTM神經(jīng)網(wǎng)絡(luò)構(gòu)建設(shè)備工作狀態(tài)預(yù)測模型,最后利用F1分數(shù)值進行模型評估。本文基于真實的空調(diào)壓縮機數(shù)據(jù)進行實驗驗證,實驗結(jié)果表明了本文方法的有效性。
計算機與現(xiàn)代化雜志要求:
{1}參考文獻：執(zhí)行國標“文后參考文獻著錄規(guī)則（GB/T7714－2005）”，中文參考文獻需要有英文對照。
{2}應(yīng)具創(chuàng)新性、科學(xué)性、實用性，論點明確，資料可靠，數(shù)據(jù)準確，層次清楚，文字精練，用字規(guī)范。
{3}擬刊登的稿件，編輯部會及時將錄用通知單及修改意見反饋給作者，作者應(yīng)及時將修改稿返回編輯部，在沒有約定的前提下超過3個月期限未修回，將被視為自動放棄。
{4}正文標題層次一級標題1，2，…，二級標題用1．1，1．2，…，三級標題用1．1．1，1．1．2，…，以此類推。標題層次一般不超過4級。
{5}關(guān)鍵詞應(yīng)有3～5個。詞與詞之間用分號分隔。
注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社
