【儀表網 研發快訊】在具有時滯特性的工業過程中，關鍵參數的長時精準預測對智能感知與優化決策具有重要意義。然而，工業時序數據通常具有非線性、信息稀疏、隨機噪聲、非平穩等復雜特性，使得現有預測建模方法難以有效解耦混雜因素、適應未知不確定性。
著眼于上述挑戰，近日，中國科學院沈陽自動化研究所數字工廠研究室科研團隊提出了一種多頻解耦網絡與雙階段移位分段建模的工業長時序預測建模方法，圍繞工業關鍵參數長時預測建模難等問題，從數據分解、動態建模與分布自適應等方面進行了優化。
科研人員通過多頻解耦網絡分離時序數據的噪聲與高頻干擾，同時，針對中頻分量提出了一種雙階段移位分段建模方法，有效緩解了信息稀疏與隨機噪聲的影響。此外，科研人員設計了加權位置方向對齊損失與可逆雙波段條件自適應歸一化機制，增強了網絡學習與非平穩數據處理能力，為工業過程智能感知與優化決策提供了新思路。
該成果以Multifrequency Decoupling Network With Dual-Stage Shift Segmental Modeling for Long-Term Prediction of Industrial Parameters為題，發表于工業信息領域國際期刊IEEE Transactions on Industrial Informatics。沈陽自動化所碩士研究生呂長垚為論文第一作者，周曉鋒研究員、李帥副研究員為通訊作者。該研究得到了國家自然科學基金重大研究計劃重點支持項目、國家自然科學基金青年基金、沈陽自動化所基礎研究計劃重點項目的支持。(數字工廠研究室)
所有評論僅代表網友意見，與本站立場無關。