基于流模型的缺失数据生成方法在剩余寿命预测中的应用
针对缺失数据生成模型精度低和训练速度慢的问题,本文基于流模型框架提出了一种改进非线性独立成分估计(Nonlinear independent components estimation,NICE)的缺失时间序列生成方法.该方法依靠流模型框架生成模型精度高、训练过程速度快的优势,并结合粒子群优化算法(Particle swarm optimization,PSO)优化NICE生成网络采样的退火参数,训练学习监测数据的真实分布,从而实现对数据缺失部分的最优填补.为进一步拓宽所提方法的应用范围,利用基于流模型的缺失数据生成方法得到的生成数据,通过建立融合注意力机制的双向长短时记忆网络(Bidirectional long short-term memory with attention,Bi-LSTM-Att)的退化设备预测模型,实现设备剩余寿命的准确预测.最后,通过锂电池退化数据的实例研究,验证了该方法的有效性和潜在应用价值.
生成模型、流模型、粒子群优化、注意力机制、剩余寿命预测
49
TP391;TH17;TP277
国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金;陕西省自然科学基金
2023-01-16(万方平台首次上网日期,不代表论文的发表时间)
共12页
185-196