基于LSTM应用于硬盘的集成特征归一化与剩余使用寿命估计机制
机器学习
2019-06-18 v3 机器学习
摘要
随着新兴智能社区的出现，提高系统整体可用性正成为一个主要关注点。为提高系统中组件的可靠性，我们提出一种推断模型来预测这些组件的剩余使用寿命(Remaining Useful Life, RUL)。本文中我们研究后端数据服务器组件如硬盘，其会发生退化。深度长短期记忆(Long-Short Term Memory, LSTM)网络用作这一快速、数据驱动决策框架的骨干，并动态捕获输入数据的模式。在文中，我们讨论了神经网络的架构并描述了选择各种超参数的机制。此外，我们描述了从高度无组织且类别不平衡的大数据中提取有效训练集所面临的挑战，并建立了通过广泛数据预处理、特征提取以及利用未知剩余使用寿命硬盘的在线模拟集进行验证的在线预测方法。我们的算法在预测接近失效临界区的设备RUL时表现尤为良好。利用所提方法，我们能够以0.8435的平均精度预测磁盘是否会在未来十天内失效。我们还展示了在同一制造商不同型号设备上，通过迁移学习可使用在某特定型号上训练的架构来预测其RUL。
引用
@article{arxiv.1810.08985,
title = {Mechanisms for Integrated Feature Normalization and Remaining Useful Life Estimation Using LSTMs Applied to Hard-Disks},
author = {Sanchita Basak and Saptarshi Sengupta and Abhishek Dubey},
journal= {arXiv preprint arXiv:1810.08985},
year = {2019}
}
备注
9 pages, 13 figures, 2 tables