史柏迪，庄曙东，蔡 鸣，江志伟

(1.河海大学机电工程学院，江苏常州 213022； 2.南京航空航天大学，江苏省精密仪器重点实验室，江苏南京 213009； 3.梅特勒·托利多测量技术有限公司,江苏常州 213022)

0 研究背景及现状

在物流需求和劳动力缺口矛盾面前[1-2]，动态称重技术是物流业发展的必然之路。在当前工业5.0与大数据模式下，复杂机电耦合系统的精确监控与状态预测[3-4]直接依赖于传感器实时返回的高维时序数据，但随之而来便是高维时序数据处理所带来的挑战。统计学回归[5]、全连接层DNN网络[6]、机器学习模型受限于模型特征，需将时序数据Flatten重组为1D数据进行处理，一方面忽略数据维度意义，且协同打包处理直接丢失采样信号的时序性，极大影响模型的监控与预测精度。

在动态测量中各压力传感器以1 024 Hz的速率进行信号采集，可将其改写为格式为Rn×t×s的数据，n为传感器数、t为时间维度、s为每秒采样频率，Hz。低速下传动稳定、压力信号平缓，使用DNN[7]或机器学习模型加权处理采样点信号便可精确输出质量。但在高速重载下，货物冲击[8]、电机振动及环境干扰[9](风力、空气对流、温度)等时序非线性干扰信号均被放大[10]，此外，传感器信号经过滤波处理后依旧存在较大噪度。上述时序系统具有无序性与复杂度，使用传统DNN网络、机器学习类模型处理压力信号无法有效获取其时域与频域特性，最终加权输出精确质量。上述问题其本质为高维时间序列分析，因数据量大、维度高、且数据点之间的相互耦合，基于统计学、机器学习算法的模型无法有效进行分析处理。……