Multi-agent collaborative control parameter prediction for intelligent precision loading
Multi-agent collaborative control parameter prediction for intelligent precision loading
复制标题
智能精准装载的多智能体协同控制参数预测
DOI：
10.1007/s10489-022-03297-7
复制
发表时间：
2022-03
影响因子：
5.3
通讯作者：
Qichun Ouyang
中科院分区：
文献类型：
--
作者：
Zihua Chen;Chuanli Wang;Jingzhao Li;Shunxiang Zhang;Qichun Ouyang
摘要传统的可编程控制器系统由于人工预测调节精度低，容易导致负荷不准确和不可预测的问题。现有的基于各种深度学习模型的多智能体系统对高级多参数预测的能力较弱，而主要关注底层的通信共识。为了解决这个问题，我们提出了一种基于时间卷积网络的混合模型，该模型具有特征交叉方法和光梯度提升决策树（称为TCN-LightGBDT）。首先根据加载参数的容差范围选择初始数据集，并对偏差数据提供补充方法;其次，我们使用时间卷积网络来提取虚拟装载区域中的隐藏数据特征。此外，通过特征交叉方法重建二维特征矩阵。第三，我们将这些特征与基本历史特征相结合，作为光梯度提升决策树的输入，以预测不同组合的调整值。最后，将该模型与其他相关的深度学习模型进行了比较，实验结果表明，该模型能够准确地预测参数值。
AbstractDue to the low adjustment accuracy of manual prediction, conventional programmable logic controller systems can easily lead to inaccurate and unpredictable load problems. The existing multi-agent systems based on various deep learning models has weak ability for advanced multi-parameter prediction while mainly focusing on the underlying communication consensus. To solve this problem, we propose a hybrid model based on a temporal convolutional network with the feature crossover method and light gradient boosting decision trees (called TCN-LightGBDT). First, we select the initial dataset according to the loading parameters' tolerance range and supply supplementing method for the deviated data. Second, we use the temporal convolutional network to extract the hidden data features in virtual loading areas. Further, a two-dimensional feature matrix is reconstructed through the feature crossover method. Third, we combine these features with basic historical features as the input of the light gradient boosting decision trees to predict the adjustment values of different combinations. Finaly, we compare the proposed model with other related deep learning models, and the experimental results show that our model can accurately predict parameter values.
登录
查看更多内容
过程工业信息物理系统中大尺寸产品质量预测的随机森林贝叶斯优化
影响因子：
10.6
作者：
Wang, Tianteng;Wang, Xuping;Ruan, Junhu
通讯作者：
Ruan, Junhu
影响因子：
8.7
作者：
Duc‐Kien Thai;T. M. Tu;T. Bui;T.-T. Bui-T.
通讯作者：
Duc‐Kien Thai;T. M. Tu;T. Bui;T.-T. Bui-T.
影响因子：
3.9
作者：
Song, Jiancai;Xue, Guixiang;Li, Han
通讯作者：
Li, Han
影响因子：
3.9
作者：
C. T. Yaw;K. S. Yap;S. Wong;H. Yap;J. Paw
通讯作者：
C. T. Yaw;K. S. Yap;S. Wong;H. Yap;J. Paw
时域卷积网络和 LSTM 的真实网络流量混合预测方法
DOI：
10.1109/tase.2021.3077537
发表时间：
2021-05-20
影响因子：
5.6
作者：
Bi, Jing;Zhang, Xiang;Zhou, MengChu
通讯作者：
Zhou, MengChu