基于LSTM循环神经网络的故障时间序列预测王鑫.pdf

2018 年 4 月 北京航空航天大学学报 April 2018 44 4 Journal of Beijing University of Aeronautics and Astronautics Vol． 44 No. 4 第 卷 第 期 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 1 1 ，* 1 1 2 1 ，3 王鑫 ，吴际 ，刘超 ，杨海燕 ，杜艳丽 ，牛文生 (1． ， 100083 ;2． ， 100076 ; 北京航空航天大学 计算机学院 北京 丰台职业教育中心学校 北京 3． ， 710068 ) 中航工业西安航空计算技术研究所 西安 : 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 (LSTM) ， 、 记忆 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 ， ， LSTM 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有哪些信誉好的足球投注网站的 预测模 ， ， LSTM 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 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。 : (LSTM) ; ; ; 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 (2018)04-0772-13 ［4］ 对于有高可靠性和安全性需要的复杂系统， toregressive Integrated Moving Average ，AＲIMA) 、 ［5］ 有效地预测使用阶段的可靠性指标是十分重要 奇异谱分析(Singular Spectrum Analysis ，SSA) 、 。 ， 支持向量回归(Support Vector machines Ｒegres-