通過準確預測工業老化過程(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驗預測模型來描述。為了準確預測IAP,提出了數據驅動模型,將一些傳統的無狀態模型(線性和核嶺回歸,以及前饋神經網絡)與更復雜的狀態遞歸神經網絡(回聲狀態網絡和長短期記憶網絡)進行比較。此外,還討論了有狀態模型的變體。特別是使用關于劣化動態的機械預知識的有狀態模型(混合模型)。有狀態模型及其變體在足夠大的數據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據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,如用于商業用途,請聯系該技術所有人。
我是此專利(論文)的發明人(作者)