LSTM循环神经网络+故障时间序列预测
需积分: 0 192 浏览量
2022-12-03
00:43:54
上传
评论
收藏 1.09MB PDF 举报
2018
年
4
月
第
44
卷
第
4
期
北京航空航天大学学报
Journal of Beijing University of Aeronautics and Astronautics
April 2018
Vol． 44 No. 4
收
稿日期
： 2017-05-08；
录用日期
： 2017-08-11；
网络出版时间
： 2017-10-13 14： 05
网络出版地址
： kns． cnki． net /kcms/detail /11． 2625 ． V． 20171013． 1405． 003． html
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
（ 61602237）
*
通
信作者
． E-mail： wuji@ buaa． edu． cn
引
用格式
：
王鑫
，
吴际
，
刘超
，
等
．
基于
LSTM
循环神经网络的故障时间序列预测
［J］．
北京航空航天大学学报
，2018 ，44 （4 ）
： 772-
784． WANG X ，WU J ，LIU C ，et al． Exploring LSTM based recurrent neural network for failure time series prediction［J］． Journal
of Beijing University of Aeronautics and Astronautics，2018 ，44 （4 ） ： 772-784 （in Chinese） ．
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
100083； 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
（ 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
（ LSTM）
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（ 2018） 04-0772-13
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
3
类
［1］
：
①基
于故障机
理
（ Physics-of-Failure ，PoF）
的方法
，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
（ Data-Driven ，DD）
的方法
，
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
（ Au-
toregressive Integrated Moving Average，AＲIMA）
［4］
、
奇
异谱分析
（ Singular Spectrum Analysis，SSA）
［5］
、
支
持向量回归
（ Support Vector machines Ｒegres-
sion，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
剩余12页未读，继续阅读
资源评论
