文件大小：1.19M
摘要：在复杂的多机台、多任务并行生产环境中，产能预测面临数据量大、时空特征非线性耦合等挑战。现有方法如卷积神经网络、门控循环单元、长短时记忆网络和卷积神经网络-长短期记忆网络混合模型多侧重于单一特征的提取，未能充分挖掘时空特征的关联性，导致模型泛化能力弱、预测精度不足。为此，本文提出一种基于注意力的卷积神经网络-长短期记忆网络Convolutional Neural Networks - Long Short-Term Memory（CNN-LSTM-Attention）混合模型，对某工厂车间2018年至2022年的真实生产数据进行实验研究。实验采用平均精度误差、均方根误差、对称平均绝对百分比误差、和精度等评估指标，结果表明，CNN-LSTM-Attention模型在短周期和长周期预测中均达到了0.9以上的精度，显著优于传统方法，验证了其在实际应用中的可行性与有效性。
文章目录
引言
1 预测模型的构建
1.1模型结构
1.2 1D CNN提取空间特征
1.3 LSTM提取时序特征
1.4注意力机制加权处理关键特征
1.5模型泛化与损失函数
2 模型性能评估指标
3实验结果与分析
3.1数据集
3.2数据预处理
3.3消融实验与结果分析
4结论
