基于LSTM循环神经网络的故障时间序列预测

被引：429

作者：

王鑫 ^{[1
]}

吴际 ^{[1
]}

刘超 ^{[1
]}

杨海燕 ^{[1
]}

杜艳丽 ^{[2
]}

牛文生 ^{[1
,3
]}

机构：

[1] 北京航空航天大学计算机学院

[2] 丰台职业教育中心学校

[3] 中航工业西安航空计算技术研究所

来源：

北京航空航天大学学报 | 2018年 / 04期

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;

D O I：

10.13700/j.bh.1001-5965.2017.0285

中图分类号：

TP183 [人工神经网络与计算]; V267 [航空器的维护与修理];

学科分类号：

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。

引用

页码：772 / 784

页数：13

共 14 条

[1] 奇异谱分析在故障时间序列分析中的应用
王鑫
吴际
刘超
牛文生
张华
张奎
[J]. 北京航空航天大学学报, 2016, (11) : 2321 - 2331
[2] 基于ARMA模型的故障率预测方法研究
李瑞莹
康锐
[J]. 系统工程与电子技术, 2008, (08) : 1588 - 1591
[3] Long short-term memory neural network for traffic speed prediction using remote microwave sensor data[J] . Xiaolei Ma,Zhimin Tao,Yinhai Wang,Haiyang Yu,Yunpeng Wang.Transportation Research Part C . 2015
[4] Singular spectrum analysis and forecasting of failure time series[J] . Claudio M. Rocco S.Reliability Engineering and System Safety . 2013
[5] Basic Singular Spectrum Analysis and forecasting with R[J] . Nina Golyandina,Anton Korobeynikov.Computational Statistics and Data Analysis . 2013
[6] Failure and reliability prediction by support vector machines regression of time series data
Moura, Marcio das Chagas
Zio, Enrico
Lins, Isis Didier
Droguett, Enrique
[J]. RELIABILITY ENGINEERING & SYSTEM SAFETY, 2011, 96 (11) : 1527 - 1534
[7] Electricity consumption forecasting in Italy using linear regression models
Bianco, Vincenzo
Manca, Oronzio
Nardini, Sergio
[J]. ENERGY, 2009, 34 (09) : 1413 - 1421
[8] Forecasting with cue information: A comparison of multiple regression with alternative forecasting approaches[J] . K. Nikolopoulos,P. Goodwin,A. Patelis,V. Assimakopoulos.European Journal of Operational Research . 2006 (1)
[9] Framewise phoneme classification with bidirectional LSTM and other neural network architectures[J] . Alex Graves,Jürgen Schmidhuber.Neural Networks . 2005 (5)
[10] Practical selection of SVM parameters and noise estimation for SVM regression[J] . Vladimir Cherkassky,Yunqian Ma.Neural Networks . 2003 (1)

← 1 2 →