检索结果-南通市图书馆

作者：李彦汶河北科技大学

学位级别：硕士

随着我国经济的快速发展,中国的金融交易市场得到了迅速的发展,期货市场在整个金融市场中有着很重要的地位,能够对国民经济起到平衡、弹簧等宏观作用。铜作为一种重要的金属,在人们生产生活中有着重要的作用,尤其在新能源、电力等领域... 详细信息

随着我国经济的快速发展,中国的金融交易市场得到了迅速的发展,期货市场在整个金融市场中有着很重要的地位,能够对国民经济起到平衡、弹簧等宏观作用。铜作为一种重要的金属,在人们生产生活中有着重要的作用,尤其在新能源、电力等领域对铜的需求量极大,铜价格的起伏变化会影响到许多制造业的生产和经营,造成投资风险,甚至影响到国家经济的发展。在这样的背景下,为了更好地规避铜价格波动的风险,进行沪铜期货价格预测就显着有十分重大的意义。本文提出了一种基于CNN-gru的沪铜期货价格预测模型用于预测下一个交易日的沪铜期货收盘价。该模型由两部分构成,分别为CNN(Convolutional Neural Networks,卷积神经网络)和gru(Gated Recurrent Unit,门控循环单元)。CNN用于对输入的时间序列数据进行特征提取,选取出影响沪铜期货收盘价的重要特征;gru用于对提取完特征后的时间序列进行预测。为了证明CNN-gru预测模型的有效性,本文通过对比实验的方法,分别构建了CNN、RNN(Recurrent Neural Network,循环神经网络)、gru三种对比模型。四种模型均使用2000年1月1日到2019年12月31日的沪铜期货日数据和股票日数据进行模型训练,在训练中保存最优模型;并使用最优模型预测2020年1月1日到2020年12月31日的沪铜期货下一交易日收盘价。实验结果表明CNN-gru模型的MAE、RMSE均最小,R最接近于1。因此CNN-gru模型更加适合预测沪铜期货下一交易日的收盘价。本系统主要是实现了用户登录、用户管理、个人信息管理、历史数据管理、沪铜期货历史数据统计、沪铜期货价格预测六个功能模块,为投资者规避沪铜期货价格波动风险提供更多的参考。

关键词： CNN gru 时间序列沪铜期货预测

基于gru+GCN双编码器的代码注释自动生成模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于GRU+GCN双编码器的代码注释自动生成模型

作者：詹海波江西师范大学

学位级别：硕士

注释能很好地提高代码的可读性,为软件项目的维护、合作与分享带来极大的便利,对项目的重要性不言而喻;但是许多项目中存在注释缺失或不完整的现象。自动代码注释生成工作能有效地弥补这些项目缺失的注释,以及为新开发的项目生成注释,... 详细信息

注释能很好地提高代码的可读性,为软件项目的维护、合作与分享带来极大的便利,对项目的重要性不言而喻;但是许多项目中存在注释缺失或不完整的现象。自动代码注释生成工作能有效地弥补这些项目缺失的注释,以及为新开发的项目生成注释,以节省开发人员的时间。近年来自动代码注释生成的研究集中在用深度学习的方法实现,并借助AST刻画的代码的结构信息融入到模型。目前这些方法通常选用基于循环网络的序列到序列模型,无法将树状形式的AST作为直接输入,导致不能完整的利用AST信息。我们提出gru+GCN的双编码器模型,来为Java代码生成方法级别的注释。选用gru网络来编码代码的语义信息,使用GCN作为AST的编码器,用于编码代码的结构信息。实验结果表明,本文的模型生成的注释总体上是合格的,证明了模型的有效性。同时本文的模型在SBLEU（%）,C-BLEU（%）,METEOR（%）上分别获45.58,23.58,20.67的得分,总体上达到了较为良好的效果。但另一方面,本文的模型只比单个语义编码器模型高出1.4左右的值,这一现象再次说明代码结构信息的编码还有很长的路要走。

关键词：代码注释生成抽象语法树深度学习 gru GCN

基于HEC-HMS水文模型和gru智能模型的小清河流域洪水预报研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于HEC-HMS水文模型和GRU智能模型的小清河流域洪水预报研究

作者：齐喜玲天津大学

学位级别：硕士

受气候变化和人类活动影响,极端降雨事件频率升高,导致山洪、城市内涝等极端水文事件频发。小清河流域因特殊地理位置,加剧了流域内洪涝灾害发生。针对小清河流域近年来洪涝灾害突出、洪水预报精度低和灾害损失严重等问题,在分析小清河... 详细信息

受气候变化和人类活动影响,极端降雨事件频率升高,导致山洪、城市内涝等极端水文事件频发。小清河流域因特殊地理位置,加剧了流域内洪涝灾害发生。针对小清河流域近年来洪涝灾害突出、洪水预报精度低和灾害损失严重等问题,在分析小清河流域旱涝变化特征,测站缺少降雨资料时进行数据移用研究的基础上,开展黄台桥测站以上流域HEC-HMS水文模型和gru智能洪水预报模型研究,从多角度对两者对比分析,并验证gru智能模型的适用性。主要研究内容和成果如下:(1)采用SPI和Pa两种降雨指数从多尺度分析旱涝变化特征,针对雨量数据缺少测站采用CEEMD-SPA方法进行移用研究。结果表明,Pa随着计算尺度增加,降雨呈现增加趋势;SPI随着计算尺度增加,频率高于5%的洪涝等级数目增加,正常事件频率呈减小趋势,旱涝事件频率增大。针对吴家铺雨量站数次雨量数据缺失现象,提出CEEMD-SPA方法对邻近雨量站根据综合联系度进行移用,提高了降雨数据移用的准确性,增加雨量资料为洪水预报提供充分的降雨数据。(2)采用HEC-HMS建立黄台桥测站以上流域分布式水文模型,基于Arc GIS提取水系将流域划分为6个子流域,并利用土壤类型和土地利用计算子流域CN值,在对HEC-HMS中各子分区8个参数率定的基础上,开展洪水预报研究。结果表明,场次洪水预报值的平均绝对误差和均方根误差较大,洪峰时刻误差在±1h,洪峰流量误差在10%左右,径流深误差小于20%,均满足规范属于合格预报,合格率达到100%,确定性系数在0.70-0.81,模型预报精度达到乙级。(3)在降雨分类和洪水过程与前期降雨洪水关系分析基础上建立黄台桥测站以上流域gru智能洪水预报模型,经过训练进行洪水预报验证。结果表明,场次洪水预报值平均绝对误差和均方根误差较小,峰现时刻误差在1h内,洪峰流量误差在10%左右,场次洪水径流深误差在2%左右,径流深较HEC-HMS模型明显减小,所有误差均满足规范,合格率达到100%,确定性系数均在0.95以上,确定性系数较HEC-HMS模型提高0.2左右,预报精度达到甲级。(4)采用“利奇马”台风期间洪水对基于K-means降雨分类gru智能模型的适用性验证。结果表明,gru模型预报的场次洪水洪峰流量误差为1.92%,径流深误差为0.28%,峰现时刻误差为0h,确定性系数在0.90以上,预报精度达到甲级,gru模型较HEC-HMS模型洪水预报结果误差明显减小,确定性系数精度提高。验证了gru模型在小清河流域洪水预报中的适用性,表明gru智能模型在洪水预报能够达到很好的效果。

关键词：小清河流域洪水预报旱涝变化特征 HEC-HMS gru

基于混合模型EEMD-TW-gru对中国A股市场股票价格预测的实例研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于混合模型EEMD-TW-GRU对中国A股市场股票价格预测的实例研究

作者：王博瑞兰州大学

学位级别：硕士

对于股票价格的预测是近几年来机器学习和深度学习领域中热门的研究方向之一,其主要方法是将原始的股票价格序列送入神经网络,通过神经网络进行拟合,最终对未来的价格进行预测。更进一步地,研究人员会对原始股票价格序列进行处理,比如... 详细信息

对于股票价格的预测是近几年来机器学习和深度学习领域中热门的研究方向之一,其主要方法是将原始的股票价格序列送入神经网络,通过神经网络进行拟合,最终对未来的价格进行预测。更进一步地,研究人员会对原始股票价格序列进行处理,比如使用时间序列的方法,或者给原始股票价格序列加上权重,使其更符合一般投资者的经验直觉。通过上述的方法进行组合研究,也是该领域的热门方向之一。本文就是基于过去学者所提出的方法进行组合研究,并针对中国股市提出了一种新型混合模型EEMD-TW-gru。本文将以中国A股市场中4支行业不同且上市时间较长的股票作为数据集对本文所提出模型进行验证。将数据集划分为训练集和测试集,将四支股票的收盘价格序列分别进行分解,并且对分解后的子序列加上权重,送入神经网络进行拟合,最终将分解的预测结果进行加总得到最终所需的预测价格。其中时间序列分解方法采用了Wu和Huang等人提出的EEMD方法,预测模型为Cho等人提出的循环神经网络gru,子序列所加的权重为本文所提出的方法。实例研究结果显示,本文所提出的方法能有效提高A股收盘价格预测的精度,对于投资者在股票市场中投资有一定的参考意义。同时本文还进行了时间序列分解方法的比较研究,对比了4种不同时间序列分解方法在股票价格预测中的表现。研究结果可为后续该领域的研究提供参考。

关键词： LSTM gru 时间序列分解时间权重

疫情下基于RNN-gru神经网络的上市公司财务预警模型研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

疫情下基于RNN-GRU神经网络的上市公司财务预警模型研究

作者：王晨桂林电子科技大学

学位级别：硕士

企业财务危机预警是企业财务管理工作中的重要组成部分之一,是以信息化的方式帮助企业预测财务风险、规避财务危机的研究型工具。企业财务危机的产生,受到组织架构、管理层决策、经济事件、政策法规、地缘局势、公共事件等内因和外因的... 详细信息

企业财务危机预警是企业财务管理工作中的重要组成部分之一,是以信息化的方式帮助企业预测财务风险、规避财务危机的研究型工具。企业财务危机的产生,受到组织架构、管理层决策、经济事件、政策法规、地缘局势、公共事件等内因和外因的叠加因素的影响。近年来,在经济全球化风险不断加深的背景下,自然灾害、公共卫生事件、战争以及地缘局势变动等“黑天鹅”事件的产生不断地从外部增加对企业财务危机预警的能力要求,特别是2019年底突发的全球性公共卫生事件新型冠状病毒肺炎疫情（COVID-19）给上市企业带来巨大冲击,在此背景下将“疫情”要素考虑进财务预警分析尤为重要。本文借助情感词典法将样本企业年报中的“疫情”相关描述量化为指标,利用非参数检验和因子分析结合的方法,分析132家ST与ST企业的财务与非财务数据。同时,考虑到同一企业在不同时期的生产经营成果可能发生的动态性的变化,本文在构建企业财务预警模型时考虑数据的时间序列特性,引入RNN和gru方法实现对企业成为ST类型企业风险的高效预测,对上市企业在后疫情时代的财务危机预警管理体系的完善具有重要意义。本研究最终从30个初始财务预警指标筛选出包括“疫情”指标在内的14个财务预警指标,将其纳入财务预警模型进行训练,并用RNN和gru方法纳入数据时间序列特征,将训练所得的RNN＿gru、RNN和gru模型进行对比,发现引入RNN和gru方法的模型预测准确率普遍高于线性回归、朴素贝叶斯、SVM和BP神经网络构建的模型预测准确率,且RNN＿gru模型效果最优。

关键词：财务危机财务预警模型 RNN gru COVID-19

基于AT-LSTM-gru的血糖预测模型研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于AT-LSTM-GRU的血糖预测模型研究

作者：靳帅杰郑州大学

学位级别：硕士

近年来,基于神经网络的深度学习方法在医学领域取得许多重要成果,且在处理医学序列问题上具有显著优势。糖尿病是一种以高血糖为特征,且伴随着许多并发症的慢性疾病。由于糖尿病患者在治疗以及日常生活中都极易出现低血糖,严重影响到患... 详细信息

近年来,基于神经网络的深度学习方法在医学领域取得许多重要成果,且在处理医学序列问题上具有显著优势。糖尿病是一种以高血糖为特征,且伴随着许多并发症的慢性疾病。由于糖尿病患者在治疗以及日常生活中都极易出现低血糖,严重影响到患者的生命健康和生活质量。随着传感器技术不断进步,连续血糖监测系统(Continuous Glucose Monitoring System,CGMS)可以实时地监测患者血糖值,获取血糖序列,进而可以通过深度学习方法预测血糖值,并采取相应措施以控制患者血糖水平,减轻其所受伤害。然而,血糖序列具有时变性、非线性和非平稳性的特点。因此,如何利用深度学习方法提高血糖预测精度成为研究难题。除此之外,还存在如何增加提前预测时间,并且与低血糖预警结合起来等问题。针对上述问题本文开展以下研究。(1)数据预处理。对CGMS采集的血糖序列进行预处理,首先利用离散小波变换进行降噪,去除高频成分,接着通过差分处理降低非平稳性,变为平稳序列,最后将其转为易于模型训练的监督型学习数据。(2)模型构建。提出基于AT-LSTM-gru的血糖预测模型。由于各时刻血糖值对未来时刻血糖值有不同程度的影响力。首先利用注意力机制对不同时间点赋予不同权重,接着利用长短时记忆网络(Long Short-Term Memory,LSTM)强大的学习能力学习历史血糖值与未来血糖值之间的联系,其次利用门控循环网络(Gated Recurrent Unit,gru)的快速训练能力继续学习。最后添加全连接层,输出形成预测的血糖曲线,并在此基础上进行低血糖预警。(3)实验验证。在来自河南省人民医院100例糖尿病患者的数据集上对所提出的模型进行验证。分别测试了模型在提前15、30、45和60分钟的血糖预测和低血糖预警表现,其提前60分钟的血糖预测误差为0.232mmol/l,低血糖预警准确率为98.49%。实验结果表明,相比传统的时间序列预测方法和常规神经网络模型,所提模型拥有更低的预测误差和更高的预警准确率。接着设置不同阈值,观察其对低血糖预警的影响。最后对预测出的血糖曲线提取出一系列血糖波动指标,分析各血糖波动指标与预测误差的关系。

关键词：血糖预测 CGMS LSTM gru 注意力机制低血糖预警

基于CEEMDAN-gru的黄金期货价格预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于CEEMDAN-GRU的黄金期货价格预测研究

作者：王进北京交通大学

学位级别：硕士

黄金作为性质稳定,相对稀有的贵金属,一直以来在经济安全和社会稳定方面具有重要作用,其价格变动引起政府、企业和投资者的密切关注。近两年来国际形势动荡,战争不断,叠加全球疫情的影响,黄金期货价格也波动剧烈,对投资者而言涌现了大... 详细信息

黄金作为性质稳定,相对稀有的贵金属,一直以来在经济安全和社会稳定方面具有重要作用,其价格变动引起政府、企业和投资者的密切关注。近两年来国际形势动荡,战争不断,叠加全球疫情的影响,黄金期货价格也波动剧烈,对投资者而言涌现了大量投资机会,预测模型可以帮助投资者更好的决策。目前关于黄金期货市场的研究较多采取的是日收盘价数据,为了更好的体现期货的特点,贴合实际情况,本文选取黄金期货每5分钟的收盘价来进行研究。本文采用自适应噪声完全集成经验模态分解算法(CEEMDAN)与门控循环神经网络(gru)结合建立CEEMDAN-gru模型,对COMEX黄金期货和沪金2112黄金期货进行预测分析。先用CEEMDAN方法分解黄金期货价格序列,得到本征模态函数(IMFs)和残差序列,充分体现数据内在规律,再通过gru神经网络的训练,完成对黄金期货价格序列的预测。将CEEMDAN-gru的预测结果同GARCH模型、RNN模型、LSTM模型、CEEMDAN-RNN模型、CEEMDAN-LSTM模型以及gru模型进行对比,证明CEEMDAN-gru模型的优越性。最后基于CEEMDAN-gru模型,提出了适合于两种黄金期货的择时策略,该策略以价格真实值和模型的预测值为基础,制定相应的交易信号,根据交易信号来进行开仓、平仓、止损的操作。通过多次实验确定了最优的开仓、平仓和止损阈值,选取时间段来进行回测,并进行了策略稳定性分析,发现基于CEEMDAN-gru模型设计的策略表现很好。

关键词： CEEMDAN gru 高频黄金价格时间序列

基于ARMA模型与gru模型集成学习在量化投资中的应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于ARMA模型与GRU模型集成学习在量化投资中的应用

作者：张晨阳广西大学

学位级别：硕士

能够预测一件事情的发生,一直是人们想要探讨的问题,通过细致而又精确的预测,可以提前做一些准备,有较好的事情发生,则积极准备让它变得更好。如果预测到一些较为不好的事情即将发生,则提前做好准备,尽量减少损失。随着科学技术,人类社... 详细信息

能够预测一件事情的发生,一直是人们想要探讨的问题,通过细致而又精确的预测,可以提前做一些准备,有较好的事情发生,则积极准备让它变得更好。如果预测到一些较为不好的事情即将发生,则提前做好准备,尽量减少损失。随着科学技术,人类社会等各个方面的不断进步,人们越发想要根据现在的状况预判未来事情的发展,为此,时间序列预测方法得到了飞跃的发展。目前主要有两种预测的方法。第一为传统经典的时间序列预测方法,例如GARCH、ARMA等。经过长时间的发展,时间序列在各个行业得到了非常广泛的应用,但是这种方法对数据要求很大,甚至很多时候需要很多假设,所以实际应用常会浪费很多时间,且有时并不能得到一个比较满意的结果,尤其是面对股票市场长时间走势不断地突变;第二为机器学习中的集中预测方法,最典型的为神经网络模型,神经网络由于其不拘泥于假设而且应用范围宽广,所以自从产生开始便得到了很高的重视,但是其很多模型过于复杂而导致运算时间过长甚至产生过拟合现象。在股市中,随着时间的推移,上市公司增多,国内经济跟国外联系更加紧密,数据越来越多,也越来越复杂,预测的难度也随之增大,出现了量化投资概念。为此现在有很多的学者想办法将二者结合起来,在保证二者优点的同时避免其缺点,然后在量化投资的使用中提高预测的精度。本文首先运用机器学习中集成学习的方法将时间序列中的自回归模型(AR模型)与门限回归模型(gru模型)结合起来,得到AR-gru模型。并将其运用于2005年1月至2018年7月上证指数日数据中进行学习,然后根据学习得到的结果对之后的数据进行预测,对比真实结果以及预测结果,分析其偏差情况。本文还提出了另一种集成学习模型,将时间序列中移动平均模型(MA模型)与门限回归模型(gru模型)集成起来,得到gru-MA模型。同样将其运用于2005年1月至2018年7月上证指数日数据中进行学习,然后根据学习得到的结果对之后的数据进行预测,对比真实结果以及预测结果,分析其偏差情况。最后将AR-gru模型、gru-MA模型、ARMA模型、gru模型的预测结果进行对比,得出新模型在预测精度上比原模型均高。

关键词：时间序列 ARMA gru 量化投资机器学习集成学习

基于Adabelief算法的PCA-gru模型的股指期货预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于Adabelief算法的PCA-GRU模型的股指期货预测研究

作者：胡文婷山东大学

学位级别：硕士

在当前国内与国际经济双向循环、相互促进的新时期,股指期货的发展受到了各国政府的高度重视。股指期货作为一种重要的金融衍生品,它的高收益特性也深受广大投资者的青睐。为了便于政府工作的顺利开展以及降低投资者们遭受巨大损失的风... 详细信息

在当前国内与国际经济双向循环、相互促进的新时期,股指期货的发展受到了各国政府的高度重视。股指期货作为一种重要的金融衍生品,它的高收益特性也深受广大投资者的青睐。为了便于政府工作的顺利开展以及降低投资者们遭受巨大损失的风险,研究股指期货的价格变动规律并合理的预测其未来价格就显得尤为重要。预测我国三大股指期货的价格变动,对于金融监管者而言,可以有助于他们做出经济决策、管理股市的系统风险、帮助企业制定融资计划,从而促进经济的对外开放;对于投资者而言,可以帮助他们更加理性的选择理财产品,从而获得更高的预期收益。因此,进行股指期货价格的预测意义重大。由于股指期货的价格具有高噪声、非线性、非平稳的特点,如果借助ARIMA、GARCH等传统的计量经济模型对其进行研究会存在很多不足之处。即使借助机器学习中经典的SVR模型、BP算法等对其进行研究,也可能达不到理想的效果。基于此,本文将围绕如何建立预测精度更高的神经网络模型来对我国股指期货的价格进行预测这一问题展开探究。具体做法是将Adabelief优化器、PCA方法、gru神经网络模型之间进行搭建组合,并在基本指标和技术指标的基础上加入投资者情感指标丰富因子池。最后对搭建好的模型分别采用手动调参和借助改进的PSO算法来实现模型的自动寻参过程,旨在进一步提高模型的预测性能。本文基于我国三大股指期货主力连续合约的日价格数据进行实证研究,并利用3个评价指标来判断模型的预测结果。首先基于Adam优化算法下的PCA-gru模型对我国沪深300股指期货进行初步考察,寻找PCA-gru模型在Adam优化器下的一组最优参数。接着把这组最优参数放到基于Adabelief优化算法下的PCA-gru模型中继续对沪深300股指期货数据进行训练和测试。研究发现:在相同数据集、相同模型和相同参数下,基于Adabelief优化算法下的PCA-gru模型取得了更好的预测精度。与基于Adam下的模型相比,模型的MAE减少了 0.5%,RMSE减少了 0.5%,R2提升了 1.1%。其次,又创新性的新选取了与投资者情绪密切相关的4个指标,借助主成分分析法来构建投资者情感指标,把该指标加入到基于Adabelief优化器下的混合模型中。对比发现:在相同优化器、相同模型和相同参数下,新加入投资者情绪指标后模型的MAE减少了 0.4%,RMSE减少了 0.3%,R2提升了 0.8%。最后,探索了 PCA-gru模型在Adabelief下的一组最优参数。再次验证了 Adabelief算法要优于Adam算法,即在不同优化器、不同参数、相同模型和相同数据集上,模型的MAE减少了 1.5%,RMSE减少了 1.4%,R2提升了 3.5%。为了避免模型结果出现的偶然性,我们同样对上证50股指期货和中证500股指期货也展开相应的探究。通过对三种股指期货未来价格的预测和对比,分析模型的应用效果。鉴于手动调参的时间成本较高,在文章末尾又增加了 PSO算法、IPSO算法来实现gru模型的超参数调节。最终的实证结果表明:(1)Adabelief优化器较Adam优化器具有更好的收敛性和泛化能力。(2)在引入利用PCA降维方法构建的投资者情感指标后,提高了模型的预测能力。(3)借助本文改进的PSO算法优化的gru模型在时间和预测精度上都具有很好的鲁棒性。

关键词：股指期货预测 Adabelief 投资者情感指标 IPSO gru

基于gru的柴油发电机组故障诊断与预测的研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于GRU的柴油发电机组故障诊断与预测的研究

作者：吴肃苏州大学

学位级别：硕士

故障诊断和预测技术在一定程度上改善了工业设备定期保养和故障发生后才诊断的不足。考虑到柴油发电机组有着广泛的行业应用,且已使用了较多的传感器,但只通过传感器信号与阈值的关系来判断设备是否出现故障,存在不能有效确定故障原因... 详细信息

故障诊断和预测技术在一定程度上改善了工业设备定期保养和故障发生后才诊断的不足。考虑到柴油发电机组有着广泛的行业应用,且已使用了较多的传感器,但只通过传感器信号与阈值的关系来判断设备是否出现故障,存在不能有效确定故障原因及无法识别某些故障等局限性。另外传感器信号是时间相关的,蕴含可预测性,采取合适的方法对此类数据进行分析,可以提高故障诊断和预测方法的准确率和效率。鉴于上述原因及深度学习的快速发展,本文基于工程硕士的实际工作背景开展研究。首先在研究故障诊断和预测技术现状的基础上,选取了对时序数据具有良好分类和预测能力的循环神经网络（Recurrent Neural Network,RNN）,并通过对实验选用的柴油发电机组的工作原理和性能的了解,建立该设备的数学模型,然后利用Simscape模块库建立该柴油发电机组主要系统的Simulink仿真模型。接着根据实验设备的常见故障模式,在仿真模型中设置部分典型故障,生成用于深度模型训练和测试的数据集。在数据分析和处理阶段,利用PyTorch机器学习库,设计并验证了门控循环单元（Gated Recurrent Unit,gru）,对比于其它一些故障诊断和预测方法,具有准确率高、模型简单等优点。在验证了 gru对故障诊断和预测具有显著有效性的前提下,进而把这一研究成果应用于实际设备。通过安装支持工业总线和无线通讯的电控模块,远程获取传感器数据和运行参数,进行故障诊断和预测,一定程度降低了设备的故障发生率,提高了设备运行效率和使用寿命。另外此方法是基于数据驱动的诊断和预测方法,具有很好的适用性,可以推广到其他设备或领域。

关键词： gru 时间序列故障诊断及预测柴油发电机组