基于LSTM循环神经网络的故障时间序列预测_王鑫1
需积分: 0 128 浏览量
2022-08-03
16:03:31
上传
评论
收藏 935KB PDF 举报
北 京 航 空 航 天 大 学 学 报
Journal of Beijing University of Aeronautics and Astronautics
收稿日期: 2017-05-08； 录用日期: 2017-08-11; 网络出版时间:
网络出版地址:
基金项目: 中国民用航空专项研究项目（MJ-S-2013-10）；国防科工局技术基础项目（JSZL2014601B008）；国家自然科学基金（NSFC NO.61602237）
*通讯作者: Tel.: 010-82317624 E-mail： wuji@buaa.edu.cn：
http://bhxb.buaa.edu.cn jbuaa@buaa.edu.cn
DOI：10.13700/j.bh.1001-5965.2017.0285
基于 LSTM 循环神经网络的故障时间序列预测
王鑫
1
，吴际
1,*
，刘超
1
，杨海燕
1
，杜艳丽
2
，牛文生
1,3
（1. 北京航空航天大学 计算机学院, 北京 100191；2. 丰台职业教育中心学校, 北京 100076；3. 中航工业西安航空计算技术研究所, 西安
710068)
摘 要：有效地预测使用阶段的故障数据对于合理地制定可靠性计划以及开展可靠性维护活动
等具有重要的指导意义。从复杂系统的历史故障数据出发，提出了一种基于长短期记忆(long short-term
memory, LSTM)循环神经网络的故障时间序列预测方法，包括网络结构设计、网络训练和预测过程实现
算法等，进一步以预测误差最小为目标，提出了一种基于多层网格搜索的 LSTM 预测模型参数优选算法，
通过与多种典型时间序列预测模型的实验对比，验证了所提出的 LSTM 预测模型及其参数优选算法在故
障时间序列分析中具有很强的适用性和更高的准确性。
关 键 词：长短期记忆模型；循环神经网络；故障时间序列预测；多层网格搜索；深度学习
中图分类号：O213.2；V37；TP18
文献标识码：A 文章编号：1001-5965.2017.0285
对于有高可靠性和安全性需要的复杂系统，
有效地预测使用阶段的可靠性指标是十分重要的。
目前，已有众多方法用来解决可靠性预测问题，
这些方法大致可以分为三类
[1]
：(1)基于故障机理
的方法(physics-of-failure, PoF)，PoF 是一种根据
故障发生的内在机制和根本原因进行间接预测的
方法；(2)数据驱动的方法(data-driven, DD)，DD
是一种应用统计学或者机器学习等技术手段对可
靠性指标进行直接预测的方法；(3)融合的方法，
这种方法是一种 PoF 和 DD 相结合的方法。近年
来，数据驱动的方法由于其便捷性和高效性等特
点，在实际可靠性预测中的应用日渐广泛
[2, 3]
。
故障时间序列，作为一个重要的可靠性指标，
能够展示故障的动态演化过程，并且已经被多种
数据驱动的方法预测，比如自回归移动平均
(autoregressive integrated moving average,
ARIMA)
[4]
、奇异谱分析(singular spectrum analysis,
SSA)
[5]
、支持向量回归(support vector machines
regression, SVR)
[6]
、人工神经网络(artificial neural
network, ANN)
[7]
等。由于可靠性数据通常不易获
取，已有的研究大多是面向组件级故障数据的，
比如文献
[7]
提供的柴油机涡轮增压器和汽车发动
机故障时间序列。这些数据表现为规则性很强的
曲线形态并且能够被单一模型很好地拟合和预测。
然而，对于系统级故障数据，比如文献[3]提供的
民航飞机整机故障时间序列，由于其复杂且不规
则的曲线形态，已有的单一模型很难达到理想的
预测效果
[8]
。为此，文献[8]提出了一种基于 SSA
和 SVR 的混合方法，该方法首先从原始数据中提
取故障特征成分然后分别建模和预测，得到了比
单一模型更好的实验结果。然而，混合方法的构
建过程复杂、人工依赖性强，不利于在实际中推
广和使用。
近年来，随着深度学习技术的不断发展，一
些深度学习模型逐渐被应用到时序数据的研究中。
深度学习模型是一种拥有多个非线性映射层级的
深度神经网络模型，能够对输入信号逐层抽象并
提取特征，挖掘出更深层次的潜在规律
[9]
。在众
多深度学习模型中，循环神经网络(recurrent
neural network, RNN)将时序的概念引入到网络结
构设计中，使其在时序数据分析中表现出更强的
适应性。在众多 RNN 的变体中，长短期记忆(long
short-term memory, LSTM)模型
[10]
弥补了 RNN 的
梯度消失和梯度爆炸、长期记忆能力不足等问题，
2017-10-13 14:05:10
http://kns.cnki.net/kcms/detail/11.2625.V.20171013.1405.003.html
剩余12页未读，继续阅读
评论0