基于双向长短期记忆网络的润滑油运动黏度预测

在复杂的工业环境中,对润滑油黏度进行实时、精准的预测对于保障机械设备安全稳定运行至关重要,但现有预测方法多未能充分挖掘多维传感器数据间复杂的时序依赖与特征关联。为解决润滑油数据相关特征的分析和预测问题,提出一种融合双向长短期记忆网络(Bi-LSTM)与注意力机制的深度学习模型。以某46号汽轮机油的运动黏度、水含量、温度、密度等多维实时监测数据为基础,构建特征处理与时间序列预测两大核心模块。其中,特征处理模块利用自注意力机制捕捉各油品指标间的内在关联,并结合多层感知机(MLP)提取深层非线性特征;时间序列预测模块则通过双路并行的Bi-LSTM结构,分别处理原始数据与深度特征,以捕捉全面的长期依赖关系,再经由注意力机制对不同时间步的贡献进行权重调整,最终实现对未来黏度变化的精确预测。相比标准的Bi-LSTM、LSTM及BP神经网络模型,所提出的模型的均方根误差(RMSE)分别降低了20.5%、29.1%和30.5%,平均绝对误差(MAE)也明显低于其他模型。在模拟传感器故障(特征屏蔽)和数据噪声干扰的鲁棒性测试中,所提出的模型仍能保持较高的预测准确性。

资料为PDF文档格式.

本文档关键词:黏度,润滑油,双向,短期,预测