隨著物聯(lián)網(wǎng)的發(fā)展,對物聯(lián)網(wǎng)設(shè)備進(jìn)行故障預(yù)測,提高其可靠性變得越來越重要.如果能夠預(yù)測故障,就能夠進(jìn)行相應(yīng)的準(zhǔn)備來避免故障或減少損失.本文闡述了故障預(yù)測的現(xiàn)有技術(shù),傳統(tǒng)的方法需要對設(shè)備建立數(shù)理模型,很多系統(tǒng)和設(shè)備的模型很復(fù)雜.本文提出了基于長短期記憶網(wǎng)絡(luò)（LSTM）的設(shè)備故障預(yù)測方法,使用攝像頭的故障日志數(shù)據(jù)建立模型,對其故障進(jìn)行預(yù)測.該模型以最小化均方根誤差為目標(biāo),使用當(dāng)前時(shí)間以前的故障記錄作為模型的輸入,對下一次故障的發(fā)生時(shí)間進(jìn)行預(yù)測,并使用當(dāng)前故障的發(fā)生時(shí)間更新模型以進(jìn)行下一次故障的預(yù)測.相比于傳統(tǒng)的ARIMA和SVR算法,預(yù)測結(jié)果的均方根誤差減少了89%以上,優(yōu)于現(xiàn)有的預(yù)測算法,具有較強(qiáng)的實(shí)用意義. 

【文章來源】：小型微型計(jì)算機(jī)系統(tǒng). 2020,41(12)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

模型總體架構(gòu)

LSTM層的結(jié)構(gòu)

LSTM神經(jīng)元結(jié)構(gòu)

【參考文獻(xiàn)】：
期刊論文
[1]基于維修日志的飛機(jī)設(shè)備故障原因判別方法[J]. 王銳光,吳際,劉超,楊海燕.  軟件學(xué)報(bào). 2019(05)
[2]基于自學(xué)習(xí)SOM和ARMA算法的數(shù)控機(jī)床滾動(dòng)軸承健康預(yù)警研究[J]. 夏筱筠,林滸.  小型微型計(jì)算機(jī)系統(tǒng). 2019(01)
[3]基于神經(jīng)網(wǎng)絡(luò)的地鐵短時(shí)客流預(yù)測服務(wù)[J]. 侯晨煜,孫暉,周藝芳,曹斌,范菁.  小型微型計(jì)算機(jī)系統(tǒng). 2019(01)
[4]AM-BRNN:一種基于深度學(xué)習(xí)的文本摘要自動(dòng)抽取模型[J]. 沈華東,彭敦陸.  小型微型計(jì)算機(jī)系統(tǒng). 2018(06)
[5]基于執(zhí)行序列的嵌入式軟件時(shí)序異常檢測[J]. 王博,白曉穎,陳文光,SONG Xiaoyu.  計(jì)算機(jī)學(xué)報(bào). 2017(12)
[6]一種基于自適應(yīng)監(jiān)測的云計(jì)算系統(tǒng)故障檢測方法[J]. 王燾,顧澤宇,張文博,徐繼偉,魏峻,鐘華.  計(jì)算機(jī)學(xué)報(bào). 2018(06)
[7]云環(huán)境下基于統(tǒng)計(jì)監(jiān)測的分布式軟件系統(tǒng)故障檢測技術(shù)研究[J]. 王燾,張文博,徐繼偉,魏峻,鐘華.  計(jì)算機(jī)學(xué)報(bào). 2017(02)
[8]一種狀態(tài)事件故障樹的時(shí)間特性分析方法[J]. 徐丙鳳,黃志球,胡軍,魏歐,李偉湋.  軟件學(xué)報(bào). 2015(02)
[9]智能視頻監(jiān)控技術(shù)綜述[J]. 黃凱奇,陳曉棠,康運(yùn)鋒,譚鐵牛.  計(jì)算機(jī)學(xué)報(bào). 2015(06)
[10]一個(gè)基于微處理器功能模型的可靠度評(píng)估系統(tǒng)[J]. 張仕健,許彤,章隆兵,胡偉武.  計(jì)算機(jī)學(xué)報(bào). 2008(03)



本文編號(hào)：3083669