基于CBDAE和TCN-Transformer的工业传感器时间序列预测

摘要

在真实的工业物联网环境中，传感器信号常受外界噪声干扰，难以获取纯净数据，这影响了基于数据驱动的时间序列预测任务的准确性.为此，基于改进的对比盲去噪自编码器(Contrast Blind Denoising AutoEncoder, CBDAE)和TCN-Transformer网络，本文提出一种新型时间序列预测框架，称为MoCo-CBDAE-TCN-Transformer.该框架通过引入额外的动量编码器、动态队列和信息噪声对比估计正则化，增强了对时间序列数据动态特征的捕捉能力，并有效利用历史负样本信息.在无需噪声先验知识和传感器纯净数据的前提下，通过捕捉和对比时间相关性和噪声特征，实现传感器数据的盲去噪.去噪后的数据通过TCN-Transformer网络进行时间序列预测.TCN-Transformer网络结合残差连接和膨胀卷积的优势以及Transformer的注意力机制，显著提高了预测的准确性和效率.最后，在公开的四缸过程数据集上进行仿真验证，实验结果表明，与传统的去噪方法和时间序列预测模型相比，本文设计的模型能够获得更好的去噪效果和更高的预测精度，其实时处理能力适合部署在实际的工业环境中，为工业物联网中的数据处理和分析提供了一种有效的技术方案.

关键词

去噪自编码器 / 动量编码器 / 动态队列 / 信息噪声对比估计 / 时间卷积网络 / Transformer