通過準確預測工業(yè)老化過程(IAP),諸如化學工廠中催化劑的緩慢失活,可以進一步提前安排維護事件,從而確保工廠的成本效益和可靠操作。到目前為止,這些劣化進展通常由機械模型或簡單的經(jīng)驗預測模型來描述。為了準確預測IAP,提出了數(shù)據(jù)驅(qū)動模型,將一些傳統(tǒng)的無狀態(tài)模型(線性和核嶺回歸,以及前饋神經(jīng)網(wǎng)絡)與更復雜的狀態(tài)遞歸神經(jīng)網(wǎng)絡(回聲狀態(tài)網(wǎng)絡和長短期記憶網(wǎng)絡)進行比較。此外,還討論了有狀態(tài)模型的變體。特別是使用關于劣化動態(tài)的機械預知識的有狀態(tài)模型(混合模型)。有狀態(tài)模型及其變體在足夠大的數(shù)據(jù)集上訓練時可能更適合生成近乎完美的預測,而混合模型可能更適合在不斷變化的條件的較小數(shù)據(jù)集下的情況下更好地泛化。
聲明:
“采用機器學習方法預測工業(yè)老化過程” 該技術專利(論文)所有權利歸屬于技術(論文)所有人。僅供學習研究,如用于商業(yè)用途,請聯(lián)系該技術所有人。
我是此專利(論文)的發(fā)明人(作者)