工業時間序列是反映生產過程的結構化數據。工業時間序列的分析和預測對優化工業流程、提升效率具有重要意義。而工業生產過程的動態變化導致時間序列數據分布漂移，使得傳統靜態預測模型無法長期保持高效性。傳統的模型更新方法如重新訓練的計算和存儲成本高昂，增量微調的方式易導致已學模式的災難性遺忘。這限制了現有模型在非平穩工業環境中的應用效果。
中國科學院沈陽自動化研究所提出了面向非平穩工業時間序列預測的自適應持續學習（ACL）方法，提升了預測模型的適應性和泛化能力。相關研究成果以An Adaptive Continual Learning Method for Nonstationary Industrial Time Series Prediction為題，發表在IEEE Transactions on Industrial Informatics上。
該研究從網絡訓練和網絡結構兩個方面改進了持續學習方法。研究通過基于提示的網絡參數學習保留了先前任務的“暗知識”，緩解災難性遺忘，并引入軟記憶緩沖區使模型能夠更好地學習當前任務，進而在穩定性與可塑性之間實現平衡。進一步，研究在網絡結構層面提出了時間敏感的激活函數TimeRelu，使網絡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電數據集和實際的磨礦分級過程數據集上驗證了有效性。
這一成果有望應用于智能礦山、鋼鐵冶金等復雜工業場景中的預測性維護和生產過程優化等場景。下一步，該團隊將針對任務劃分的自動化和概念漂移檢測等問題開展研究，探討元學習等前沿技術在增強模型動態適應能力方面的潛力。
研究工作得到國家自然科學基金和遼寧省重點研發項目的支持。
面向非平穩時間序列預測任務的持續學習框架
持續學習任務示意圖
本文鏈接：科研人員提出面向非平穩工業時間序列預測的自適應持續學習方法http://m.lensthegame.com/show-12-473-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任，僅提供存儲服務。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。