会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

【InformationSciences】AE-DIL：一种基于自适应集成的非平稳时间序列预测的双增量学习算法

现实世界中的许多动态过程都可以建模为时间序列，因此时间序列预测对社会经济发展具有重要意义。从实际项目中获得的时间序列固有的非平稳性可能使其难以准确预测。为了缓解这一问题，本文提出了一种基于自适应集成的双增量学习算法，简称AE-DIL，用于非平稳时间序列预测。AE-DIL提供了一个由两个模块组成的通用在线预测框架。第一种基于统计假设检验和自适应滑动窗口技术检测变化。二是基于双增量学习和自适应集成学习对预测模型进行更新。与几个基线和最先进的模型相比，在七个基准时间序列数据集上进行的实验从经验上证明了所提出算法的有效性。

  • 2024-05-26
  • 阅读373

【ASC】一种新的人工神经网络在预测相关多变量时间序列中改进了多变量特征提取

现有的多变量时间序列预测方案在提取中间特征方面效率低下。本文提出了一种称为特征路径有效多变量时间序列预测（FPEMTSP）的人工神经网络，用于在存在多个次级时间序列的情况下预测主时间序列的下一个元素。我们建议生成次要时间序列的所有可能组合，并通过对主要和次要时间序列特征进行笛卡尔乘积来提取多变量特征。我们的计算证明了FPEMTSP的复杂性和网络规模是可以接受的。我们考虑了FPEMTSP中的一些内部参数，这些参数可以配置为提高预测精度和调整网络大小。我们使用两个公共数据集对FPEMTSP进行了训练和评估。我们的评估揭示了内部参数的最优值，并表明FPEMTSP在预测精度和正确预测的步数方面超过了现有方案。

  • 2024-05-26
  • 阅读198

【ASC】基于滑动窗口经验模式分解的自组织模块化神经网络用于时间序列预测

时间序列在实际世界中大多具有混沌性和非平稳性，难以准确建模和预测。为了解决这个问题，我们引入了一种新的基于滑动窗口机制的经验模式分解的自组织模块化神经网络（SWEMD-MNN）用于时间序列预测。在SWEMD-MNN中，开发了改进的滑动窗口经验模式分解（SWEMD）来在线分解时间序列，可以有效地缓解传统的基于EMD的模型无法处理长期或在线问题和终端效应的局限性。因此，SWEMD-MNN可以有效、动态地分解基于时间特征的时间序列，提高基于样本空间划分时间序列的经典模块化神经网络的预测精度。然后，利用样本熵和欧氏距离，利用单层前馈神经网络将时间子序列动态分配给子网络进行学习。使用基准混沌和真实世界时间序列的实验研究表明，SWEMD-MNN可以有效动态地分解时间序列，并提供比全耦合网络和其他MNN模型更好的时间序列预测精度。

  • 2024-05-26
  • 阅读489

【IEEETII】基于错误触发字典学习的工业过程监控云边缘协同方法

云制造的发展使数据驱动的过程监控方法能够准确、及时地反映真实的工业过程状态。然而，传统的过程监控方法一旦被部署到边缘设备上，就无法更新学习的模型，这导致在面对时变数据时模型不匹配。此外，边缘的有限资源使其无法部署复杂的模型。因此，本文提出了一种新颖的云边缘协同过程监控方法。首先，收集工业过程的历史数据，建立字典学习模型，并在云中训练字典和分类器。然后，将模型简化并部署到边缘。边缘层监控过程状态，包括故障检测和工况识别，并根据错误触发策略确定是否发生了模型失配。数值模拟和工业焙烧过程结果验证了该方法的优越性。

  • 2024-05-25
  • 阅读201

【IEEETASE】基于BPMN扩展的工业互联网应用业务流程建模

业务流程建模在现代组织中被广泛用于业务描述。业务流程建模符号（BPMN）作为一种事实上的建模标准，以图形符号表示业务流程模型。然而，BPMN缺乏工业互联网应用场景的直观建模任务（例如，物联网任务和有约束的多实例任务）。尽管有一些关于扩展BPMN元素以改进模型表示的工作，但它们大多只停留在概念模型中，没有工具支持，或者仅限于特定领域。在本文中，我们扩展了BPMN元素和属性以用于工业互联网环境中的应用，并在客户端版本和Web版本中实现了两个建模工具，以通过低代码支持业务流程建模，使BPMN扩展模型从概念级扩展到可执行级。在工业互联网中进行了两个真实世界的案例研究，以展示具有BPMN扩展的过程模型的有用性。此外，还进行了全面的用户实验来评估扩展的流程模型和工具，实验结果表明，与传统的流程模型相比，具有扩展功能的流程模型具有更好的质量，所提供的工具对工业互联网应用中的业务流程建模是有效的。

  • 2024-05-25
  • 阅读327

【IEEETII】基于深度学习和多重注意机制的自解释软测量：从数据选择到传感器建模

对于基于深度学习的软测量来说，缺乏可解释性以及随之而来的不可靠性已经成为最重要的问题之一。在这篇文章中，神经网络计划称为深度多注意力软传感器（DMASS），它完全由注意力机制，提出了开发一个自解释的软测量。DMASS的建立是为了确保数据选择和传感器建模的自解释性，并试图将这些原本独立的阶段整合到单一的方案中。首先将现有注意机制的核心实现步骤归纳为统一的形式，然后提出了可变注意机制和时滞注意机制。当DMASS的训练完成时，所获得的注意力权重提供可自解释的数据选择结果。然后，提出了一种自注意力激活结构（SAAS）来提取数据的非线性时空特征。所提取特征的数学表达式、SAAS的注意力矩阵、DMASS训练的信息路径图以及不确定性感知的区间预测显示了传感器建模的自解释性。最后，将DMASS应用于空气预热器转子热变形的预测，通过已知机理分析和信息瓶颈理论验证了DMASS自解释能力的有效性。同时，通过与其他新型软测量方法的比较，验证了DMASS的良好传感性能。

  • 2024-05-25
  • 阅读288

【JIM】用于工业缠绕过程建模的增强型布谷鸟搜索算法

非线性工业系统的建模包括两个关键阶段：选择具有紧凑参数列表的模型结构和选择估计参数列表值的算法。因此，需要开发一个足够充分的模型来表征工业系统的行为，以表示实验数据集。为许多工业系统收集的数据可能存在高度非线性和多重约束。同时，为工业过程创建一个全面的模型对于基于模型的控制系统至关重要。在这项工作中，我们探索使用所提出的Cuckoo Search（ECS）算法的增强版本来解决实际缠绕过程的线性和非线性模型结构的参数估计问题。将所开发的模型的性能与其他主流元启发式方法进行比较，以对同一过程进行建模。此外，还将这些模型与基于一些传统建模方法开发的其他模型进行了比较。进行了几次评估测试来判断基于ECS开发的模型的效率，与其他建模方法相比，ECS在训练和测试案例中都表现出了优越的性能。

  • 2024-05-25
  • 阅读198

【ESWA】具有命题线性时序逻辑的工业模糊时间序列动态软传感器

模糊时间序列（FTS）模型被广泛用于预测时间序列数据。然而，对于工业时间序列数据，FTS的预测结果较差，尤其是当数据变化迅速且数量巨大时。因此，提出了一种基于带滑动窗口的命题线性时间逻辑（PLTL）的动态软传感器模型。首先，使用滑动窗口提取动态数据。然后通过FTS对提取的数据进行建模，生成初始预测结果。最后，根据窗口中的数据，生成PLTL公式来描述数据的趋势。生成的公式被用作窗口中数据的正式标签，以对初始预测结果进行加权。用TAIEX数据集对所提出的方法进行了验证。方差分析用于测试所选数据集的显著性。实验结果表明，该方法具有良好的回归预测性能。最后介绍了一个工业应用实例。实验结果证明了该模型对工业时间序列数据的有效性。

  • 2024-05-25
  • 阅读206