摘 要

Abstract 3

第一章 绪论 4

1.1 研究的背景和意义 4

1.2 基于人工神经网络的人工智能发展历程 5

1.3 本文研究内容和结构安排 6

第二章 系统设计 7

2.1 研究内容阐述 7

2.1.1 基于数据集的研究方案 7

2.1.2 其他方案的设想 8

2.2 预测系统设计 9

2.3 数据仓库设计 10

第三章 实现基于人工神经网络的预测 12

3.1 数据集处理 12

3.1.1 Hbase 的使用 12

3.1.2 对于数据整数化和归一化的考虑 12

3.2 基于TensorFlow2.0 13

3.2.1 数据管道 13

3.2.2 模型层 15

3.2.3 激活函数 17

3.2.4 损失函数、评估指标 18

3.2.5 优化器 18

3.3 训练模型 19

3.3.1 人工神经网络基础 19

3.2.2 反向传播算法 21

3.2.3 自定义训练过程 22

3.4 预测功能实现 24

第四章 性能优化 26

4.1 模型优化 26

4.1.1 学习速率 26

4.1.2 model.fit()和反向传播算法对比 27

4.1.3 激活函数relu和swish的对比 28

4.1.4 优化器adam和Nadam的对比 30

4.2 预测性能优化 31

4.2.1 处理无效数据 31

4.2.2 模拟功率演化过程 32

第五章 结论 34

参考文献 36

摘 要

电力行业经历百年发展，无数科学家花费无数心血撑起的机理模型的研究已经日趋成熟，目前单纯机理模型的应用逐步陷入投资回报平衡点的瓶颈。

而随着计算机时代的不断发展，电子数据载量的飙升，大数据带来的信息风暴正在变革我们的生活、工作和思维，大数据开启了一次重大的时代转型。同时，人工神经网络的研究使得人工智能在处理非线性适应信息处理的问题上，出现质的提升。大数据技术和人工智能技术相互扶持成长。两者的结合先是在图像、语音领域取得突破性进展，然后这一套方法论迅速地移植到不同领域。

在工业实际问题中，大型的自动化设备总是很难建立精确的机理模型。而深度学习可以通过数据做特征提取，发现隐含的特征项。而要进行深度学习就需要海量数据的支撑。明显地、我们可以尝试用大数据技术和人工智能技术解决工业问题。

本文结合工业背景下的剩余寿命预测问题、试图实现大数据技术和人工神经网络技术在工业问题中的应用。将会运用当前最流行的大数据框架lambda框架和深度学习框架tensorflow来解决IEEE PHM 2014 Data Challenge 中燃料电池剩余寿命预测问题。

关键词：大数据；人工神经网络；剩余寿命预测；

Abstract

After a hundred years of development, the research on the mechanism model supported by numerous scientists has become increasingly mature. At present, the application of the simple mechanism model has gradually fallen into the bottleneck of the return on investment equilibrium point.

With the continuous development of the computer era and soaring electronic data load, the information storm brought by big data is transforming our life, work and thinking, and big data has opened a major era transformation.At the same time, the study of artificial neural network makes artificial intelligence in the processing of nonlinear adaptive information processing problem, a qualitative improvement.Big data technology and artificial intelligence technology support each other to grow.The combination of the two made a breakthrough in the field of image and speech, and then the methodology was quickly transplanted to different fields.

In industrial practice, it is difficult to accurately model the mechanism of large automation devices.Deep learning can extract features from data and discover hidden features.Deep learning requires massive data.Obviously, we can try to solve industrial problems with big data technology and artificial intelligence technology.

This paper tries to realize the application of big data technology and artificial neural network technology in industrial problems by combining the problem of residual life prediction under the industrial background.The most popular big Data framework lambda framework and deep learning framework tensorflow will be used to solve the remaining life prediction problem of fuel cells in IEEE PHM 2014 Data Challenge.

Key Words：big data；artificial neural network；Residual life prediction；

第一章 绪论

研究的背景和意义

在工业生产环境下，通过前人和现代工程师、科学家的试验、观察、总结规律形成了很多的机理仿真模型、并且用这个模型提高了工业效能。这是传统的机理模型研究的方法。

而现下的自动化设备越来越复杂、机理模型要求更高的拟合度，此时机理模型的研究逐渐已经到达投资回报的瓶颈。人们逐渐尝试其他的研究方法来获得更高的投资回报比。