摘要：典型的编码器-解码器——Transformer存在二次时间复杂度、高内存使用及模型结构复杂等固有限制,造成Transformer用于滚动轴承剩余寿命(RUL)预测会表现出较低预测精度和较低计算效率的问题。为此,提出一种新型编解码器——策略梯度informer(PG-informer)模型,并将其应用于滚动轴承RUL预测。首先,在PG-In-former的新型编解码器体系结构——informer中设计了概率稀疏自注意力(PSSA)机制替代Transformer中原有的自注意力机制,以提高非线性逼近能力并减少时间和空间复杂度;然后,PG-informer采用自注意力蒸馏(SAD)操作减少参数维度和参数量,并提高了对时间序列的预测鲁棒性;此外,PG-informer的生成式解码器对解码输入进行一步解码输出预测结果,无需动态多步解码,提升了对时间序列的预测速度;最后,构造了策略梯度学习算法来提高对PG-informer参数的训练速度。PG-informer的以上优势使所提出的基于PG-informer模型的滚动轴承RUL预测方法可以获得较高的预测精度、较好的鲁棒性和较高的计算效率。对辛辛那提大学智能维护系统中心的1号滚动轴承的RUL预测实验结果表明,所提出方法预测得到的RUL值为963min,其RUL预测误差仅为6.50%,比基于Transformer的RUL预测方法预测精度更高、预测误差更小、鲁棒性更好;所提出方法所耗费的RUL预测时间仅为132.37s,比基于Transformer的RUL预测方法的预测时间更短。以上实验结果验证了所提出方法的有效性。

摘要：为避免过度主观评估飞行员工作负荷管理(WLM)胜任力,提出了一种基于飞行参数数据的进近阶段WLM评估方法。首先,考虑到飞行参数数据的相关性和冗余性,采用主成分分析(PCA)对数据进行降维;其次,将WLM评估问题转化为长时间序列预测问题,并设计了一类基于informer的深度学习预测模型框架;最后,结合实际飞行参数数据及专家教员评估分数,以传统的深度神经网络(DNN)及长短期记忆网络(LSTM)为基准,对WLM胜任力评估任务进行算法性能对比分析。结果表明,随着序列的增长,基于informer模型的预测模型在评估WLM能力中表现出更有效的性能,可为数据驱动的胜任力评估提供一定的关键信息支撑。

摘要：为了支持可再生能源的布局及装机容量规划,长时间序列的电力负荷和光伏出力系数预测至关重要。光伏出力系数反映了光伏发电系统实际运行中的发电效率,但由于难以准确预测来年的气象信息,每日最大光伏出力系数的预测具有挑战性。为了克服这个限制,提出了利用每7 d计算1次的每日最大光伏出力系数的最大值和最小值构建一个包络线,通过预测该包络线的上限和下限,提供每日最大光伏出力系数可能的区间。这种包络线建模方式有助于在克服气象信息不确定性的同时提供更为鲁棒和可靠的预测结果。选用informer模型作为预测框架,并与Transformer,LSTM和RNN模型进行了比较。基于实际电力负荷数据序列和光伏出力系数包络线上、下限数据序列进行仿真试验,验证了informer模型的可行性和良好的预测精度。