北京航空航天大学学报 ›› 2018, Vol. 44 ›› Issue (4): 772-784.doi: 10.13700/j.bh.1001-5965.2017.0285

• 论文 • 上一篇    下一篇

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. 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
  • 收稿日期:2017-05-08 出版日期:2018-04-20 发布日期:2018-04-27
  • 通讯作者: 吴际 E-mail:wuji@buaa.edu.cn
  • 作者简介:王鑫,男,博士研究生。主要研究方向:数据驱动技术;吴际,男,博士,副教授,硕士生导师。主要研究方向:模型驱动、软件可靠性分析;刘超,男,博士,教授,博士生导师。主要研究方向:软件工程、软件测试。
  • 基金资助:
    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)

Exploring LSTM based recurrent neural network for failure time series prediction

WANG Xin1, WU Ji1, LIU Chao1, YANG Haiyan1, DU Yanli2, NIU Wensheng1,3   

  1. 1. School of Computer Science and Engineering, Beijing University of Aeronautics and Astronautics, Beijing 100083, China;
    2. Fengtai Vocational Education Central School, Beijing 100076, China;
    3. Aeronautical Computing Technique Research Institute, Aviation Industry Corporation of China, Xi'an 710068, China
  • Received:2017-05-08 Online:2018-04-20 Published:2018-04-27
  • Supported by:
    China Civil Aviation Special Research Project (MJ-S-2013-10); Technology Foundation Program of the National Defense Technology Industry Ministry (JSZL2014601B008); National Natural Science Foundation of China (61602237)

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

Abstract: Effectively forecasting the failure data in the usage stage is essential to reasonably make reliability plans and carry out reliability maintaining activities. Beginning with the historical failure data of complex system, a long short-term memory (LSTM) based recurrent neural network for failure time series prediction is presented, in which the design of network structure, the procedures and algorithms of network training and forecasting are involved. Furthermore, a multilayer grid search algorithm is proposed to optimize the parameters of LSTM prediction model. The experimental results are compared with various typical time series prediction models, and validate that the proposed LSTM prediction model and the corresponding parameter optimization algorithm have strong adaptiveness and higher accuracy in failure time series prediction.

Key words: long short-term memory (LSTM) model, recurrent neural network, failure time series prediction, multilayer grid search, deep learning

中图分类号: 


版权所有 © 《北京航空航天大学学报》编辑部
通讯地址:北京市海淀区学院路37号 北京航空航天大学学报编辑部 邮编:100191 E-mail:jbuaa@buaa.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发