CN119476001A 一种具有自学习功能的模锻装备液压系统能耗预测方法 （中南大学）

一种具有自学习功能的模锻装备液压系统本公开实施例中提供了一种具有自学习功过交叉验证和预设评价指标对优化后的各个能预测子模型对模锻装备液压系统能量转换单元2步骤2，根据模锻装备液压系统历史运行数据提取各个能量转换单元的能耗数据集并步骤6，利用优化后的各个能耗预测子模型对模锻装备液压系统能量转换单元进行能所述关键能耗特性包括伺服电机的能耗特性、电控柱塞泵的能耗特性3v通过编码器映射到一个低维的隐藏表示，然后再通过解码器将隐藏表示重构为能耗特征偏置向量，隐藏层神经元通过解码器解码输出重构后的能耗特征集将特征提取过后得到的能耗特征集中的特征序列作为输入层输入给i4vvΔP,=Δ步骤4.1，采集模锻装备液压系统的实时运行数据并利用偏移检测算法判断实时运行步骤4.2，通过EWC增量学习算法定义损失函数并据此对各个能耗预测子模型进行优By步骤4.3，采用迁移学习算法域对抗神经网络将源域的各个能耗预测子模型迁移至目将这个新空间表示映射到有权重θ参数化的输出，然后将第i个任务下的预测损失转化为y在边缘设备上部署优化好的各个能耗预测子模型，在云端构建数据存储和分析模块，通过云边协同实现能耗模型的在线更新，将对模锻装备液压系统能量转换单元的能耗预56保证成型过程的可靠性与服役能力为主，并未将设备运行过程中的能源耗散情况考虑其[0008]步骤2，根据模锻装备液压系统历史运行数据提取各个能量转换单元的能耗数据7[0012]步骤6，利用优化后的各个能耗预测子模型对模锻装备液压系统能量转换单元进性[0027]其中，Δpv为阀进出口两端的压差，EVl8[0032]步骤2.2，采用Z_score异常值检测法计算能耗数据集中每个能耗数据的的Z_[0041]i=f'w'x+b)得到的能耗特征集中的特征序列作为输入层输入给informer算法，得到伺服电机与电控9[0050]步骤4.1，采集模锻装备液压系统为y[0054]步骤4.3，采用迁移学习测层将这个新空间表示映射到有权重θ参数化的输出，然后将第i个任务下的预测损失转y据集并进行预处理得到数据信息集，结合关键能耗特性提取数据信息对应的能耗特征集；单元的能耗机理与其历史运行数据分布特征相结合，采用不同的机理与数据融合建模方[0071]图1为本公开实施例提供的一种具有自学习功能的模锻装备液压系统能耗预测方[0072]图2为本公开实施例提供的一种具有自学习功能的模锻装备液压系统能耗预测方[0075]图5为本公开实施例提供的一种基于增量学习与迁移学习的模型自优化算法流程方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或[0083]参见图1，为本公开实施例提供的一种具有自学习功能的模锻装备液压系统能耗性[0100]其中，Δpv为阀进出口两端的压差，EVl[0112]其中，Δpv为阀进出口两端的压差，EVlv[0113]步骤2，根据模锻装备液压系统历史运行数据提取各个能量转换单元的能耗数据[0118]步骤2.2，采用Z_score异常值检测法计算能耗数据集中每个能耗数据的的Z_稳性分析用于检验数据是否具有稳定的分布特征，避免非平稳数据带来的预测结果偏差，[0137]i=f'(w'x+b)b'为偏置向量，隐藏层神经元通过解码器解码输出重构后的能耗特征集将特征提取过后得到的能耗特征集中的特征序列作为输入层输入给测。首先采用自编码器对电机与液压泵的数据进行特征提取，将输入数据通过编码器[0147]i=f'(w'x+b)[0156]步骤4.1，采集模锻装备液压系统为y[0160]步骤4.3，采用迁移学习测层将这个新空间表示映射到有权重θ参数化的输出，然后将第i个任务下的预测损失转y任务中学习到的重要参数。使用EWC增量算法可以找到模型在新旧数据当中损失函数都很迁移学习算法将源域的模型迁移至目标域进行能耗的预测，以适应新场景下的预测需求。迁移学习算法域对抗神经网络(DANN)能够将领域自适应和特征学习结合在一个训练过程y间表示映射到有权重θ参数化的输出，因此可将第i个任务下的预测损失转化为以下优化y性两个方面对模型的有效性进行评估，评价指标包括均方根误差(RootMeanSquare[0192]步骤6，利用优化后的各个能耗预测子模型对模锻装备液压系统能量转换单元进