Bearing intelligent fault diagnosis
-
摘要: 轴承振动信号作为一种时间序列数据，其时间维度特征在分类中起着关键作用，单独使用卷积神经网络（CNN）进行轴承故障诊断会造成时间维度信息的丢失，导致诊断精度下降。针对上述问题，提出了一种结合一维CNN、双向门控循环单元(Bi GRU)和注意力机制的轴承故障诊断模型。首先利用CNN自适应提取一维振动信号局部空间特征；然后将该特征信息作为Bi GRU的输入，利用Bi GRU将提取的特征信息进行时间维度的融合，并引入注意力机制对多个时刻的特征信息进行加权，提取出更关键的故障特征；最后将故障特征输入全连接层得到分类结果，实现轴承智能故障诊断。实验结果表明：① 在测试集混淆矩阵上，轴承运行状态基本分类正确，只有部分标记类型没有被完全分类正确，但是召回率达到了95%以上，总的故障识别准确率为99.3%。② 利用t−SNE技术对降维处理后的数据进行可视化，轴承各运行状态的数据很好地聚集在各自的空间内，只有少量数据被混杂到其他区域，说明该模型具有较强的特征提取能力。③ 在恒定负载情况下，该模型故障诊断准确率较一维CNN、Bi GRU和注意力CNN等模型的平均准确率分别提高了0.8%、0.6%和0.3%。④ 在变负载情况下，与SVM(支持向量机)、一维CNN、Bi GRU和注意力CNN等模型相比，该模型具有更好的稳定性，当负载为2.25 kW时，准确率达85%以上。该模型既具有一维CNN局部特征提取能力，又具有Bi GRU时间依赖信息的建模能力，能够在获取轴承信号局部复杂特征后进一步融入特征之间的时间维度信息，同时注意力机制能进一步关注与故障更相关特征，因此具有较好的精度。Abstract: Bearing vibration signal is a kind of time series data, and its time dimension characteristic plays a key role in classification. Using convolutional neural network (CNN) alone to diagnose bearing fault will cause the loss of time dimension information. This results in the decline of diagnosis accuracy. To solve the above problems, a bearing fault diagnosis model combining one-dimensional CNN, bidirectional gated recurrent unit (Bi GRU) and attention mechanism is proposed. Firstly, CNN is used to adaptively extract the local space characteristic of one-dimensional vibration signals. Secondly, the characteristic information is taken as the input of the Bi GRU. Bi GRU is used to perform time dimension fusion on the extracted characteristic information. The attention mechanism is introduced to weigh the characteristic information of a plurality of moments so as to extract a more critical fault characteristic. Finally, the fault characteristic is input into a full connection layer to obtain a classification result, so as to realize intelligent fault diagnosis of the bearing. The experimental result shows the following points. ① On the confusion matrix of the test set, the classification of the bear running state is basically correct. Only some mark types are not completely classified correctly. But the recall rate is more than 95%, and the total fault recognition accuracy rate is 99.3%. ② The t-SNE technology is used to visualize the data after dimensionality reduction processing. The data of each running state of the bearing are well gathered in their own space. Only a small amount of data are mixed into other areas, which shows that the model has strong characteristic extraction capability. ③ Under the condition of constant load, the average accuracy of fault diagnosis of this model is 0.8%, 0.6% and 0.3% higher than that of one-dimensional CNN, Bi GRU and attention CNN models respectively. ④ Under the condition of variable load, this model has better stability than SVM, one-dimensional CNN, Bi GRU, attention CNN and other models. When the load is 2.25 kW, the accuracy rate is more than 85%. The model has the capability to extract one-dimensional CNN local characteristics and the capability to model Bi GRU time-dependent information. The model can further fuse time dimension information among the characteristics after acquiring the bear signal local complex characteristics. And the attention mechanism can further pay attention to the characteristics more relevant to faults. Therefore, the model has better precision.
-
0. 引言
近年来，我国高产高效综采工作面快速发展，已建成477个智能化综采工作面[1]。工作面开采结束后，下一个待开采工作面需提前做好准备工作，以便及时开采，否则采煤工人空闲导致人力资源浪费，且未使用的综采设备堆放在仓库中增加空间成本和设备维护成本。工作面接续作业效率低下使得工作面开采工期延长，这与工作面高产高效开采理念相悖。针对该问题，需制定综采工作面接续计划。传统工作面接续计划主要依靠人工编制，工作量大，效率低，特别是搬家倒面作业，由于涉及采矿作业、生产装备、井下运输等多方面因素，常出现调度冲突，导致工期延长。合理优化综采设备搬家倒面计划有助于提高煤矿企业生产效率，减少经营成本。目前综采设备快速搬家倒面主要依赖高度机械化作业，如自动锚支、快速掘进设备安装回撤工艺等技术[2]。部分专家从运筹学角度对缩短单一工作面综采设备搬家倒面工期进行研究，如韩国华[3]结合煤矿生产实际，利用网络计划技术，通过分析、研究和计算，求解矿井某一工作面设备的搬家倒面工期。对于综采设备在不同矿井之间或同一矿井不同工作面之间进行搬家倒面工作的优化问题，还有待深入研究。
编制综采设备搬家倒面计划时，考虑每个矿井包含1个或多个工作面，每个工作面选择不同综采设备时对应工期不同，工作面之间没有先后开工顺序约束，因此可将其看作特殊的柔性作业车间调度问题。目前大多采用智能优化算法解决该问题[4]，如粒子群算法[5]、灰狼算法[6]、人工蜂群算法[7]、遗传算法[8-10]等。其中遗传算法具有鲁棒性好、搜索过程灵活和全局寻优能力强等优点，在求解柔性作业车间调度问题方面应用广泛。本文将遗传算法引入工作面综采设备搬家倒面计划编制工作，通过分析国能神东煤炭集团有限责任公司（以下称神东集团）综采设备信息及开采情况，确定了搬家倒面工作中设备机械化水平、人员等关键表征参数，建立了综采设备搬家倒面多变量数学模型；采用遗传算法求解该模型，并通过实例验证了算法有效性；开发了一套基于B/S架构的综采设备搬家倒面计划管理系统，解决了传统搬家倒面计划编制工作的低效率问题。
1. 研究背景
在煤矿生产过程中，煤炭开采前需在综采工作面安装设备并试运行，开采结束后将所需设备移至下一个待开采工作面，该过程称为工作面设备搬家倒面。编制综采设备搬家倒面计划的实质是确定各工作面开工顺序、开工时间、完工时间、采用的综采设备及选择的施工队伍，其中综采设备主要为采煤机、液压支架和刮板输送机（简称“三机”）[11]，安装时须遵循“三机”配套原则[12]。编制综采设备搬家倒面计划流程：① 确定完成该任务所需的安装、回撤设备及开采工期数据。② 根据综采设备选型和配套原则进行“三机”配套工作，确定各工作面适用的配套设备。③ 确定综采设备搬家倒面问题的假设条件和约束条件，进行变量定义，以最小化最大完工时间为优化目标建立数学模型。④ 设计算法进行模型求解。⑤ 根据求解结果编制综采设备搬家倒面计划。
本文对神东集团14个煤矿73个综采工作面近3 a的开采状况进行调研，收集了72种液压支架、68种采煤机、69种刮板输送机的设备信息，在此基础上进行分析处理，完成综采设备搬家倒面计划编制[13]。
2. 综采设备搬家倒面计划编制数学模型
为简化问题研究，便于数学建模，制定假设条件：① 所有设备在零时刻均可使用。② 每个工作面在可供选择的设备范围内，选择不同型号综采设备进行安装、回撤和开采的时间可不相同。③ 在同一时刻，每个工作面只能选择1套综采设备进行安装、回撤和开采。④ 在同一时刻，1套综采设备和1支施工队伍只能服务于1个工作面。⑤ 综采设备一旦开始在工作面上安装、回撤和开采，便不能中途停止。⑥ 在设备调度过程中，设备均是可用的，无需修理。
定义i为工作面序号，i=1，2，…，n，n为工作面总数；k为综采设备序号，k=1，2，…，m，m为综采设备总数；l为施工队伍序号，l=1，2，…，q，q为施工队伍总数；aik为设备选择变量，aik=1表示工作面i选择设备k，aik=0表示工作面i未选择设备k；hil为施工队伍选择变量，hil=1表示工作面i选择施工队伍l，hil=0表示工作面i未选择施工队伍l；bijk为工作面选择设备顺序变量，j=1，2，…，n，j≠i， bijk=1表示工作面i先于工作面j选择设备k，bijk=0表示工作面i未先于工作面j选择设备k；Lijl为工作面选择施工队伍顺序变量，Lijl=1表示工作面i先于工作面j选择施工队伍l，Lijl=0表示工作面i未先于工作面j选择施工队伍l；si为工作面i开始安装设备时间；ei为工作面i综采设备回撤结束时间；tik为工作面i占用设备k的时间；Tij为设备在工作面i，j之间运输时间；Cmax为综采设备回撤结束的最大完工时间。
根据综采设备搬家倒面计划编制问题特点，将该问题的优化目标确定为最小化最大完工时间，即数学模型的目标函数为
$$ H = \min {C_{\max }} $$ (1) 对该问题建立约束条件，见表1。
表 1 综采设备搬家倒面计划编制问题约束条件Table 1. Constraint conditions of fully mechanized mining equipment removal planning during sequencing working face公式 公式说明 $\displaystyle\sum\limits_{k = 1}^m { {a_{ik} } }= 1$ 1个工作面有多套设备可供选择，但只能选择其中的1套设备进行安装、回撤和开采 $\displaystyle\sum\limits_{l = 1}^q { {h_{il} } } = 1$ 1个工作面有多支施工队伍可供选择，但只能选择其中的1支施工队伍进行安装、回撤和开采 ${s_j} \geqslant \displaystyle\sum\limits_{k = 1}^m { {a_{ik} } } {a_{jk} }{b_{ijk} }{e_i} + {T_{ij} }$ 任意时刻，对于每套综采设备，只能服务于1个工作面 ${s_j} \geqslant \displaystyle\sum\limits_{l = 1}^q { {h_{il} } } {h_{jl} }{L_{ijl} }{e_i} + { {{T} }_{ij} }$ 任意时刻，对于每支施工队伍，只能服务于1个工作面 ${e_i} = {s_i} + \displaystyle\sum\limits_{ {{k} } = {\text{1} } }^{{m} } { {a_{ik} }{t_{ik} } }$ 综采设备的回撤结束时间等于设备开始安装时间加上工作面占用该设备的时间 ${s}_{i}\geqslant 0，{{e} }_{i}\geqslant 0$ 综采设备开始安装时间和回撤结束时间必须非负 $ {C_{\max }} \geqslant {e_i} $ 工作面综采设备回撤结束时间不大于最大完工时间 3. 综采设备搬家倒面计划编制遗传算法
3.1 算法设计
设计遗传算法求解综采设备搬家倒面计划编制数学模型，流程如下。
（1） 确定染色体编码规则。采用一种考虑设备、施工队伍和工作面选择的三段编码方式。设染色体长度为S，由于表示设备和施工队伍选择部分的染色体要与工作面相对应，所以S应为工作面总数的3倍，即S=3n。染色体的1~S/3段表示设备选择，每个基因位对应工作面可选择的设备序号；染色体的（S+3)/3~2S/3段表示工作面选择，每个基因位对应工作面序号；染色体的（2S+3）/3~S段表示施工队伍选择，每个基因位对应工作面可选择的施工队伍序号。
（2） 种群初始化。随机产生初始种群。
（3） 构建适应度函数。适应度函数的有效性直接决定遗传算法的搜索和进化结果，定义适应度函数为
$$ F = 1/{C_{\max }} $$ (2) （4） 选择操作。采用轮盘赌法进行染色体选择操作。
（5） 交叉操作。对于表示工作面选择部分的染色体，采用均匀交叉方式；对于表示设备和施工队伍选择部分的染色体，采用两点交叉方式。
（6） 变异操作。对于工作面和施工队伍选择部分，变异方式为在染色体上的基因位任意取2个位置，将其基因进行倒位；对于设备选择部分，变异方式为任取工作面可用设备范围内除当前设备之外的其他设备。
（7） 考虑最晚开采时间对染色体合法性进行判断和调整。在实际煤矿开采过程中，对于特定工作面，存在最晚开采时间限制，即该工作面的开采时间不能晚于最晚开采时间。对染色体来说，无法直接判断特定工作面的开采时间。因此，新生成的染色体（通过初始化、交叉、变异等操作生成的染色体）可能无法满足最晚开采时间限制，本文将该情况称为染色体不合法。
染色体的合法性判断需要先对染色体进行解码，解码后即可获取每个工作面的开采时间。对于有最晚开采时间要求的工作面，如果其开采时间满足最晚开采时间要求，则称该染色体合法，否则为不合法。出现不合法的染色体时，需对其进行调整，调整思路是将有最晚开采时间要求的工作面提前，具体步骤如下。
步骤1：将不满足最晚开采时间要求的工作面存储至集合A，并按工作面在染色体中的位置从前到后排列。
步骤2：令
$ r = 1 $ ，对于A中第$ r $ 个个体，如果该个体在染色体中的位置为1，则该问题无解，过程执行完毕，否则将其与染色体中该个体前一个位置的工作面交换，即将该工作面提前1位。令$ r = r + 1 $ ，重复步骤2，直到$ r $ 大于A中的个体数量。步骤3：对步骤2得到的调整后的染色体进行合法性判断，如果合法，过程执行完毕，否则转至步骤1。
（8） 终止算法。设置一定迭代次数来终止算法的搜索过程并输出结果。
3.2 算法有效性验证
神东集团2021年度11个综采工作面设备的搬家倒面计划如图1所示，其中绿色矩形块表示综采设备安装工期，蓝色矩形块表示回采工期，黄色矩形块表示综采设备回撤工期，该计划中搬家倒面工期为103 d。
![]()
图 1 优化前的综采设备搬家倒面计划Figure 1. Fully mechanized mining equipment removel plan during sequencing working face before optimization利用本文算法得到优化的综采设备搬家倒面计划，如图2所示。该计划中搬家倒面工期为91 d，与原计划相比缩短了12 d，可看出本文算法在求解综采设备搬家倒面计划编制问题方面是有效的。
![]()
图 2 优化后的综采设备搬家倒面计划Figure 2. Fully mechanized mining equipment removel plan during sequencing working face after optimization4. 综采设备搬家倒面计划管理系统
4.1 需求分析
根据煤矿企业对综采工作面设备搬家倒面计划编制要求，结合本文算法，设计综采设备搬家倒面计划管理系统。系统主要需求如下。
（1） 对管理员、工作面、施工队伍和综采设备等基础信息进行管理。
（2） 在满足工期、资源等约束的条件下，制定优化的综采设备搬家倒面计划。
（3） 系统满足易操作、稳定性高、易维护等要求。
系统E−R关系如图3所示，其中p为任务总数。
![]()
图 3 综采设备搬家倒面计划管理系统E−R关系Figure 3. E-R relationship of management system of fully mechanized mining equipment removel plan during sequencing working face4.2 模块设计
（1） 登录/退出模块。考虑到企业信息安全，系统由具备相关权限的用户使用。用户输入账号和密码后登录系统进行相关操作。
（2） 人员管理模块。该模块用于系统用户信息展示和修改，普通员工可在该模块查看和修改个人信息，管理人员还可修改其他用户信息。
（3） 工作面管理模块。该模块用于管理工作面信息，包括添加、删除、修改等操作，还可录入综采工作面安装、回撤和开采工期。该模块的管理人员需能根据各工作面特点和采用的配套设备预测工期。
（4） 施工队伍管理模块。该模块用于录入施工队伍信息，包括添加、删除、修改等操作。
（5） 综采设备管理模块。该模块用于对综采设备基本信息进行管理，包括添加、删除、修改等操作。
（6） 工作面距离信息管理模块。在研究综采设备搬家倒面问题时，需考虑施工队伍在不同矿井之间或同一矿井不同工作面之间运输设备的时间。该模块用于录入各工作面之间的距离信息。
（7） 搬家倒面计划管理模块。该模块主要功能是根据其他模块的信息生成搬家倒面计划。本文设计的遗传算法是该模块的核心，算法参数由人工选择。员工在使用系统过程中积累经验，当面对不同规模的问题时，根据经验选择高效的算法参数。因此，该模块具有算法参数管理功能。
搬家倒面计划生成是系统核心功能，从本质上说，其他模块都是为该功能服务的，因此，搬家倒面计划管理模块可自动读取工作面、施工队伍和综采设备等信息，并根据其状态进行数据筛选，将筛选后的数据作为算法输入，经算法计算生成搬家倒面计划。系统采用甘特图和数据表相结合的方式展示搬家倒面计划。
4.3 数据库设计
系统数据库需满足数据交换的安全性、可靠性、扩展性等原则，以便对系统进行有效维护和管理。根据系统E−R关系设计员工表、工作面表、综采设备表、施工队伍表、工作面距离表、任务表等数据库表。算法配置表和搬家倒面计划表见表2、表3。
表 2 算法配置表Table 2. Algorithm configuration table名称 类型 描述 config_id int 算法配置编号 config_name varchar 配置名称 cross_pro varchar 交叉概率 mutation_pro varchar 变异概率 pop_num int 种群大小 iterate_num int 迭代次数 remark varchar 备注 4.4 系统主要页面设计
工作面管理页面如图4所示，其为系统主页面，可对工作面信息进行添加、删除和修改，并生成搬家倒面计划。
表 3 搬家倒面计划表Table 3. Fully mechanized mining equipment removal plan table during sequencing working face名称 类型 描述 plan_id int 计划编号 create_time datetime 计划创建时间 status varchar 计划执行状态 start_time datetime 开始时间 end_time datetime 结束时间 work_time varchar 工期 remark varchar 备注 点击“添加工作面”按钮，可展示工作面设备选型页面，如图5所示。每个工作面适用的综采设备不局限于1套，因此系统可对1个工作面添加多套设备。
点击“立即生成计划”按钮，会展示施工队伍数量设置页面，完成设置后，系统自动生成综采设备搬家倒面计划。
5. 结论
（1） 以最小化最大完工时间为优化目标，建立了综采设备搬家倒面计划编制数学模型，采用遗传算法对该模型进行求解，并通过实例验证了该算法的有效性。
（2） 基于综采设备搬家倒面计划编制遗传算法，开发了综采设备搬家倒面计划管理系统，解决了传统搬家倒面计划编制方式的低效率问题，有利于提高煤矿企业生产效率，降低企业生产经营成本。
-
表 1 故障诊断模型结构参数
Table 1 Parameters of the fault diagnosis model structure
层数 结构参数 输出特征 M0 输入层 2048 M1 卷积层 (64×1/16/16) 128×16 M2 池化层 (2×1/2) 64×16 M3 卷积层(5×1/1/32) 64×32 M4 池化层(2×1/2) 32×32 M5 Bi GRU层（32） 32×64 M6 注意力模块 64 M7 全连接层 10 M8 Softmax层 10 
下载: 导出CSV
表 2 实验样本划分
Table 2 Experimental sample division
训练样本数 测试
样本数故障
种类故障
直径/mm类型
标记400 100 滚动体 0.177 8 L0 400 100 滚动体 0.355 6 L1 400 100 滚动体 0.533 4 L2 400 100 内圈 0.177 8 L3 400 100 内圈 0.355 6 L4 400 100 内圈 0.533 4 L5 400 100 外圈 0.177 8 L6 400 100 外圈 0.355 6 L7 400 100 外圈 0.533 4 L8 400 100 正常 0 L9
下载: 导出CSV
表 3 5种故障诊断模型的准确率对比
Table 3 Accuracy comparison of five kinds of fault diagnosis models
模型 平均准确率/% SVM 90.3 一维CNN 98.5 Bi GRU 98.7 注意力CNN 99.0 本文模型 99.3
下载: 导出CSV
-
[1] 宫涛,杨建华,单振,等. 强噪声背景与变转速工况条件下滚动轴承故障诊断研究[J]. 工矿自动化,2021,47(7):63-71. GONG Tao,YANG Jianhua,SHAN Zhen,et al. Research on rolling bearing fault diagnosis under strong noise background and variable speed working condition[J]. Industry and Mine Automation,2021,47(7):63-71.
[2] 黄重谦. 基于多隐层小波卷积极限学习神经网络的滚动轴承故障识别[J]. 工矿自动化,2021,47(7):63-71. HUANG Zhongqian. Fault identification of rolling bearing based on multi hidden layers wavelet convolution extreme learning neural network[J]. Industry and Mine Automation,2021,47(7):63-71.
[3] 吴静然,丁恩杰,崔冉,等. 采用多尺度注意力机制的旋转机械故障诊断方法[J]. 西安交通大学学报,2020,54(2):51-58. WU Jingran,DING Enjie,CUI Ran,et al. A diagnostic approach for rotating machinery using multi-scale feature attention mechanism[J]. Journal of Xi'an Jiaotong University,2020,54(2):51-58.
[4] HE Miao,HE D. Deep learning based approach for bearing fault diagnosis[J]. IEEE Transactions on Industry Applications,2017,53(3):3057-3065. DOI: 10.1109/TIA.2017.2661250
[5] LI Xiangong,ZHANG Yuzhi,WANG Fuqi,et al. A fault diagnosis method of rolling bearing based on wavelet packet analysis and deep forest[J]. Symmetry,2022,14(2):267. DOI: 10.3390/sym14020267
[6] 汪峰,周凤星,严保康. 基于特征量融合和支持向量机的滚动轴承故障诊断[J]. 科学技术与工程,2022,22(6):2351-2356. DOI: 10.3969/j.issn.1671-1815.2022.06.026 WANG Feng,ZHOU Fengxing,YAN Baokang. Rolling bearing fault diagnosis based on feature fusion and support vector machine[J]. Science Technology and Engineering,2022,22(6):2351-2356. DOI: 10.3969/j.issn.1671-1815.2022.06.026
[7] 雷亚国,贾峰,周昕,等. 基于深度学习理论的机械装备大数据健康监测方法[J]. 机械工程学报,2015,51(21):49-56. DOI: 10.3901/JME.2015.21.049 LEI Yaguo,JIA Feng,ZHOU Xi,et al. A deep learning based method for machinery health monitoring with big data[J]. Journal of Mechanical Engineering,2015,51(21):49-56. DOI: 10.3901/JME.2015.21.049
[8] WANG Lihua,ZHAO Xiaoping,WU Jiaxin,et al. Motor fault diagnosis based on short-time fourier transform and convolutional neural network[J]. Chinese Journal of Mechanical Engineering,2017,30(6):1357-1368. DOI: 10.1007/s10033-017-0190-5
[9] LEVENT E,TURKER I,SERKAN K. A generic intelligent bearing fault diagnosis system using compact adaptive 1D CNN classifier[J]. Journal of Signal Processing Systems for Signal,Image,and Videl Technology,2019,91(2):179-189. DOI: 10.1007/s11265-018-1378-3
[10] 李长文,程泽银,张小刚,等. 基于深度残差网络的采煤机摇臂齿轮故障诊断[J]. 工矿自动化,2021,47(3):71-78. LI Changwen,CHENG Zeyin,ZHANG Xiaogang,et al. Fault diagnosis of shearer rocker gear based on deep residual network[J]. Industry and Mine Automation,2021,47(3):71-78.
[11] 姜家国,郭曼利,杨思国. 基于GAF和DenseNet的滚动轴承故障诊断方法[J]. 工矿自动化,2021,47(8):84-89. JIANG Jiaguo,GUO Manli,YANG Siguo. Fault diagnosis of rolling barings based on GAF and DenseNet[J]. Industry and Mine Automation,2021,47(8):84-89.
[12] LEI Jinhao,LIU Chao,JIANG Dongxiang. Fault diagnosis of wind turbine based on long short-term memory networks[J]. Renewable Energy,2019,133:422-432. DOI: 10.1016/j.renene.2018.10.031
[13] 樊家伟,郭瑜,伍星,等. 基于LSTM神经网络和故障特征增强的行星齿轮箱故障诊断[J]. 振动与冲击,2021,40(20):271-277. DOI: 10.13465/j.cnki.jvs.2021.20.034 FAN Jiawei,GUO Yu,WU Xing,et al. Fault diagnosis of planetary gearboxes based on LSTM neural network and fault feature enhancement[J]. Journal of Vibration and Shock,2021,40(20):271-277. DOI: 10.13465/j.cnki.jvs.2021.20.034
[14] 张立鹏,毕凤荣,程建刚,等. 基于注意力Bi GRU的机械故障诊断方法研究[J]. 振动与冲击,2021,40(5):113-118. ZHANG Lipeng,BI Fengrong,CHENG Jiangang,et al. Mechanical fault diagnosis method based on attention Bi GRU[J]. Journal of Vibration and Shock,2021,40(5):113-118.
[15] 吉兴全,曾若海,张玉敏,等. 基于注意力机制的CNN-LSTM短期电价预测[J]. 电力系统保护玉控制,2022,50(17):125-132. JI Xingquan,ZENG Ruohai,ZHANG Yumin,et al. CNN-LSTM short-term electricity prediction based on an attention mechanism[J]. Power System Protection and Control,2022,50(17):125-132.
[16] 毛煜,尚海昆,于卓琦. 基于长短期记忆网络的电网同调机群快速辨识[J]. 电气工程学报,2022,17(2):201-207. MAO Yu,SHANG Haikun,YU Zhuoqi. A fast prediction method of coherernt generators based on long short-term memory network[J]. Journal of Electrical Engineering,2022,17(2):201-207.
[17] MAATEN L V,HINTON G. Visualizing data using t-SNE[J]. Journal of Machine Learning Research,2008,9(11):2579-2605.
-
期刊类型引用(0)
其他类型引用(4)
计量
- 文章访问数: 381
- HTML全文浏览量: 113
- PDF下载量: 57
- 被引次数: 4
