基于长短期记忆网络时序数据趋势预测及应用

• 作者: 杨柯 范世东
• 来源期刊: 推进技术
• 关键词: 主成分分析 长短期记忆网络 人工经验 时序数据 趋势预测
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 测试 试验 控制|Test, Experiment and Control
• 页码范围: 675-682
• 页数: 8页
• 分类号: U672
• 语种: 中文
• DOI: 10.13675/j.cnki.tjjs.200394

摘要

为了研究状态监测大数据对设备运行状态的估计和预测,提出了一种人工经验与主成分分析相结合的长短期记忆网络方法(AEPCA-LSTM),利用运行过程中的监测时序数据对设备运行趋势进行预测.通过基于人工经验的主要成分分析方法(AEPCA)从状态监测系统中提取与目标变量最相关的状态变量作为输入;利用长短期记忆网络(LSTM)对目标变量趋势变化进行预测,并考虑运行过程中新数据样本的持续产生,对模型进行定期更新,以提高模型的动态适应性.将所提出的方法应用于船舶副机系统的涡轮增压器转速预测中,结果表明,该方法相对于传统的PCA-LSTM和LSTM具有更小的预测平均误差0.18037,展现了其在时序数据趋势预测的优势.