以嵌入式卷积 LSTM 为骨干的剩余使用寿命自动估计框架
机器学习
2020-08-11 v1 机器学习
摘要
预测性维护中的一项关键任务是通过分析多变量时间序列来预测剩余使用寿命（RUL）。利用滑动窗口方法，卷积神经网络（CNN）和传统的循环神经网络（RNN）方法由于能够学习优化特征，在此问题上取得了令人印象深刻的成果。然而，CNN 方法仅对序列信息进行了部分建模。由于传统 RNN（如长短期记忆网络（LSTM））中的展平机制，窗口内的时间信息未被完全保留。为利用多层次时间信息，许多结合 CNN 与 RNN 模型的方法被提出。在本工作中，我们提出了一种称为嵌入式卷积 LSTM（ECLSTM）的新 LSTM 变体。在 ECLSTM 中，一组不同的 1D 卷积被嵌入到 LSTM 结构中。由此，窗口之间和窗口内的时间信息均得以保留。由于模型的超参数需要仔细调优，我们还提出了一种基于带 hyperband 优化器的贝叶斯优化的自动预测框架，从而实现对网络架构的高效优化。最后，我们在多个广泛使用的 RUL 估计基准数据集上展示了所提 ECLSTM 方法相较最先进方法的优越性。
引用
@article{arxiv.2008.03961,
title = {Automatic Remaining Useful Life Estimation Framework with Embedded Convolutional LSTM as the Backbone},
author = {Yexu Zhou and Yuting Gao and Yiran Huang and Michael Hefenbrock and Till Riedel and Michael Beigl},
journal= {arXiv preprint arXiv:2008.03961},
year = {2020}
}
备注
16 pages, 5 figures