工業(yè)時間序列是反映生產(chǎn)過程的結(jié)構(gòu)化數(shù)據(jù)。工業(yè)時間序列的分析和預(yù)測對優(yōu)化工業(yè)流程、提升效率具有重要意義。而工業(yè)生產(chǎn)過程的動態(tài)變化導(dǎo)致時間序列數(shù)據(jù)分布漂移，使得傳統(tǒng)靜態(tài)預(yù)測模型無法長期保持高效性。傳統(tǒng)的模型更新方法如重新訓(xùn)練的計算和存儲成本高昂，增量微調(diào)的方式易導(dǎo)致已學(xué)模式的災(zāi)難性遺忘。這限制了現(xiàn)有模型在非平穩(wěn)工業(yè)環(huán)境中的應(yīng)用效果。
中國科學(xué)院沈陽自動化研究所提出了面向非平穩(wěn)工業(yè)時間序列預(yù)測的自適應(yīng)持續(xù)學(xué)習(xí)（ACL）方法，提升了預(yù)測模型的適應(yīng)性和泛化能力。相關(guān)研究成果以An Adaptive Continual Learning Method for Nonstationary Industrial Time Series Prediction為題，發(fā)表在IEEE Transactions on Industrial Informatics上。
該研究從網(wǎng)絡(luò)訓(xùn)練和網(wǎng)絡(luò)結(jié)構(gòu)兩個方面改進了持續(xù)學(xué)習(xí)方法。研究通過基于提示的網(wǎng)絡(luò)參數(shù)學(xué)習(xí)保留了先前任務(wù)的“暗知識”，緩解災(zāi)難性遺忘，并引入軟記憶緩沖區(qū)使模型能夠更好地學(xué)習(xí)當(dāng)前任務(wù)，進而在穩(wěn)定性與可塑性之間實現(xiàn)平衡。進一步，研究在網(wǎng)絡(luò)結(jié)構(gòu)層面提出了時間敏感的激活函數(shù)TimeRelu，使網(wǎng)絡(luò)激活閾值隨時間變化，從而提高了模型的泛化能力。這一方法在開源的太陽能發(fā)電數(shù)據(jù)集和實際的磨礦分級過程數(shù)據(jù)集上驗證了有效性。
這一成果有望應(yīng)用于智能礦山、鋼鐵冶金等復(fù)雜工業(yè)場景中的預(yù)測性維護和生產(chǎn)過程優(yōu)化等場景。下一步，該團隊將針對任務(wù)劃分的自動化和概念漂移檢測等問題開展研究，探討元學(xué)習(xí)等前沿技術(shù)在增強模型動態(tài)適應(yīng)能力方面的潛力。
研究工作得到國家自然科學(xué)基金和遼寧省重點研發(fā)項目的支持。
面向非平穩(wěn)時間序列預(yù)測任務(wù)的持續(xù)學(xué)習(xí)框架
持續(xù)學(xué)習(xí)任務(wù)示意圖
本文鏈接：科研人員提出面向非平穩(wěn)工業(yè)時間序列預(yù)測的自適應(yīng)持續(xù)學(xué)習(xí)方法http://m.sq15.cn/show-12-473-0.html
聲明：本網(wǎng)站為非營利性網(wǎng)站，本網(wǎng)頁內(nèi)容由互聯(lián)網(wǎng)博主自發(fā)貢獻(xiàn)，不代表本站觀點，本站不承擔(dān)任何法律責(zé)任。天上不會到餡餅，請大家謹(jǐn)防詐騙！若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。