基于特征选择的风机检修流程预测性监控方法

TP301; 针对风机检修业务流程中存在的操作失误和工作延期等问题,应用业务流程预测性监控方法,预测业务的下一事件、下一事件执行时间和剩余时间,以提醒工作人员预防和避免风险的发生.首先,针对不同预测任务,提出一种基于优先级的特征自选取策略,并使用LightGBM(Light Gradient Boosting Machine)算法作为特征选择策略的依托预测模型,得到对预测结果有积极影响的输入特征;然后,针对不同预测任务分别采用LightGBM算法和LSTM(Long Short Term Memory)神经网络构建预测模型;最后,经实验评估和分析,在风机检修业务流程中,特征选择策略能够为不同的...

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 30; no. 8; pp. 2745 - 2755
Main Authors 郭娜, 刘聪, 李彩虹, 刘文娟, 王雷, 曾庆田
Format Journal Article
LanguageChinese
Published 山东理工大学电气与电子工程学院,山东 淄博 255000%山东理工大学计算机科学与技术学院,山东 淄博 255000 01.08.2024
山东科技大学计算机科学与工程学院,山东 青岛 266590%山东理工大学计算机科学与技术学院,山东 淄博 255000%山东科技大学计算机科学与工程学院,山东 青岛 266590
Subjects
剩余时间
next event
流程预测性监控
wind turbine overhauls
下一事件
特征选择
remaining time
风机检修
process prediction monitoring
feature selection
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2023.BPM14

Cover

More Information
Summary:TP301; 针对风机检修业务流程中存在的操作失误和工作延期等问题,应用业务流程预测性监控方法,预测业务的下一事件、下一事件执行时间和剩余时间,以提醒工作人员预防和避免风险的发生.首先,针对不同预测任务,提出一种基于优先级的特征自选取策略,并使用LightGBM(Light Gradient Boosting Machine)算法作为特征选择策略的依托预测模型,得到对预测结果有积极影响的输入特征;然后,针对不同预测任务分别采用LightGBM算法和LSTM(Long Short Term Memory)神经网络构建预测模型;最后,经实验评估和分析,在风机检修业务流程中,特征选择策略能够为不同的预测任务提供有效特征,确保预测的准确率,具有实际应用价值.对于不同预测任务而言,LightGBM算法更适用于下一事件任务预测,LSTM模型更适用于时间方面的任务预测.
ISSN:1006-5911
DOI:10.13196/j.cims.2023.BPM14