通过准确预测工业老化过程(IAP),诸如化学工厂中催化剂的缓慢失活,可以进一步提前安排维护事件,从而确保工厂的成本效益和可靠操作。到目前为止,这些劣化进展通常由机械模型或简单的经验预测模型来描述。为了准确预测IAP,提出了数据驱动模型,将一些传统的无状态模型(线性和核岭回归,以及前馈神经网络)与更复杂的状态递归神经网络(回声状态网络和长短期记忆网络)进行比较。此外,还讨论了有状态模型的变体。特别是使用关于劣化动态的机械预知识的有状态模型(混合模型)。有状态模型及其变体在足够大的数据集上训练时可能更适合生成近乎完美的预测,而混合模型可能更适合在不断变化的条件的较小数据集下的情况下更好地泛化。
声明:
“采用机器学习方法预测工业老化过程” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究,如用于商业用途,请联系该技术所有人。
我是此专利(论文)的发明人(作者)