基于CBDAE和TCN-Transformer的工业传感器时间序列预测

来源：南京信息工程大学学报·自然科学版杂志2025年第4期北京时间：

作者：许涛，南新元，蔡鑫，赵濮

单位：许涛,新疆大学 电气工程学院, 乌鲁木齐, 830046,南新元,新疆大学 电气工程学院, 乌鲁木齐, 830046,蔡鑫,新疆大学 电气工程学院, 乌鲁木齐, 830046,赵濮,新疆大学 电气工程学院, 乌鲁木齐, 830046

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

基金资助：国家自然科学基金(62303394);新疆维吾尔自治区自然科学基金(2022D01C694);新疆维吾尔自治区高校基本科研业务费科研项目(XJEDU2023P025)