计算机集成制造系统 ›› 2023, Vol. 29 ›› Issue (10): 3229-3238.DOI: 10.13196/j.cims.2023.10.001
• • 下一篇
潘福成1,2,3,殷航1,2,3,4,周晓锋1,2,3+,李帅1,2,3,刘舒锐1,2,3,贾冬妮1,2,3,4
PAN Fucheng1,2,3,YIN Hang1,2,3,4,ZHOU Xiaofeng1,2,3+,LI Shuai1,2,3,LIU Shurui1,2,3,JIA Dongni1,2,3,4
摘要: 鉴于多工况环境下的数据漂移限制了深度学习方法预测球磨机负荷的效果,提出一种基于自适应网络的球磨机负荷预测方法。首先建立基于深度相关对齐的磨矿分级工况划分模型;然后将相对位置编码引入Transformer,对注意力机制进行解耦来将位置信息直接编码进注意力机制,进而提高预测性能;进一步提出一种自适应网络,将分布匹配正则化项应用于Transformer模型的隐层特征,通过减少不同工况之间的分布差异来学习模型隐藏状态的共同参数,提高模型泛化能力;最后采用基于Boosting的方法学习隐藏状态的重要性。试验结果表明,所提自适应预测网络可以明显提高预测球磨机负荷参数的准确性,而且在面对未知工况时预测性能也领先于对比方法。
中图分类号: