基于嵌套长短期记忆网络的机械装备剩余使用寿命预测方法

剩余使用寿命(remaining useful life,RUL)预测是保障机械装备可靠性、可用性和安全性的重要技术.本文提出一种基于嵌套长短期记忆(nested long short-term memory,NLSTM)网络的机械装备RUL预测方法,它通过融合多传感器监测信号,实现对机械装备RUL的精确预测.区别于普通LSTM网络,NLSTM将存储单元进一步加深,将一个LSTM神经元结构嵌套在原有LSTM的存储空间中,实现对多传感器时间序列信号中长期依赖性的深度捕捉.本文使用涡扇发动机和加工刀具两个实验案例来验证NLSTM的预测性能;从涡扇发动机案例验证可知,相比于LSTM,NLSTM的预测性能在两个指标上分别整体提升了4.66%和15.18%,且NLSTM的预测结果也优于文献中的其他先进方法;从加工刀具案例验证可知,NLSTM的预测结果在六个刀具上的预测结果均优于LSTM.

基于SVMD-MASSA-NLSTM的台区短期负荷预测

为提高电力短期负荷预测的精度,提出了一种基于逐次变分模态分解、改进的自适应麻雀搜索算法和嵌套长短期记忆网络的混合深度学习模型。首先,使用SVMD将原始数据分解为一定数量的模态函数和残差分量。其次,采用混沌逆向学习技术增加种群多样性,利用动态自适应权重,平衡开采和勘探能力。采用自适应螺旋搜索方法修改了SSA的发现者和追随者的位置更新公式,拓宽了个体搜索空间,提高了算法的全局搜索能力。然后,利用改进的SSA优化NLSTM模型的参数,即隐藏神经元数和学习率,将优化后的NLSTM应用于分解后的模态分量。最后对各模态分量的预测结果进行汇总,得到负荷预测结果。实验结果表明,文中所提模型较其他模型拥有更好的预测性能。

基于注意力CNLSTM模型的新闻文本分类

结合卷积神经网络(CNN)和嵌套长短期记忆网络(NLSTM)2种模型,基于注意力机制提出一个用于文本表示和分类的CNLSTM模型。采用CNN提取短语序列的特征表示,利用NLSTM学习文本的特征表示,引入注意力机制突出关键短语以优化特征提取的过程。在3个公开新闻数据集中进行性能测试,结果表明,该模型的分类准确率分别为96.87 %、95.43 %和97.58 %,其性能比baseline方法有显著提高。

基于残差NLSTM网络和注意力机制的航空发动机剩余使用寿命预测

针对长短期记忆(LSTM)网络对于多维数据特征识别和提取上存在不足的问题,在其改进模型嵌套式长短期记忆(NLSTM)网络的基础上,提出了一种基于注意力机制和残差NLSTM网络的剩余使用寿命预测方法。该方法将双层NLSTM网络代替残差块中的主网络,保留捷径连接中的卷积神经网络结构,既能充分提取时序特征又能保证有用数据在网络层中的跳层传递,并融入注意力机制构建多层残差网络,注意力机制的使用能够选择出对预测结果有重要影响的信息,有效提高预测的准确率。在航空发动机退化实验数据集上进行实验分析,结果表明:所述方法能有效建立监测数据与发动机健康状态之间的关系,剩余使用寿命预测误差较未改进残差结构方法平均降低10.8%,比未融入注意力机制方法平均降低18.9%,有效提高了预测精度。