基於長短期記憶遞迴神經網路深度學習之剩餘可用壽命預測

10.29428/9789860544169.201801.0143

許哲昇；江振瑞

智慧工廠 ； 剩餘可用壽命 ； 長短期記憶 ； 遞迴神經網路 ； 深度學習 ； 時間序列 ； smart factory ； remaining useful life ； long short-term memory ； recurrent neural network ； deep learning ； time series

NCS 2017 全國計算機會議

2017（2018 / 01 / 01）

761 - 766

繁體中文

本論文提出一個基於長短期記憶遞迴神經網路深度學習方法，以預測機器或系統剩餘可用壽命。所提之方法，可以有效找出時間序列中間隔相當長的資料間的相依關係。我們以NASA C-MAPSS包含上百組推進引擎狀態的資料集，驗證所提方法預測引擎剩餘可用壽命的準確度，並與文獻中相關的多層感知器、支援向量迴歸、相關向量迴歸和卷積神經網路等方法做比較。我們發現，無論是在均方根差，或是在資料集本身定義的評分函數方面，所提的方法都是最佳的。

This paper proposes a deep learning method to predict the remaining useful life (RUL) of machines or systems. The proposed method is based on the long short-term memory (LSTM) model of the recurrent neural network (RNN). It can effectively extract the relationship between data items that are far separated in the time series. The proposed method is applied to the NASA C-MAPSS data set for prediction accuracy evaluation and is compared with the multi-layer perceptron (MLP), support vector regression (SVR), relevance vector regression (RVR) and convolutional neural network (CNN) methods. The proposed method is better than other methods in terms of the root mean squared error (RMSE) and the scoring function.