基于长短期记忆网络时序数据趋势预测及应用

为了研究状态监测大数据对设备运行状态的估计和预测,提出了一种人工经验与主成分分析相结合的长短期记忆网络方法（AEPCA-LSTM）,利用运行过程中的监测时序数据对设备运行趋势进行预测。首先,通过基于人工经验的主要成分分析方法（AEPCA）从状态监测系统中提取与目标变量最相关的状态变量作为输入;其次,利用长短期记忆网络（LSTM）对目标变量趋势变化进行预测,并考虑运行过程中新数据样本的持续产生,对模型进行定期更新,以提高模型的动态适应性。最后,将所提出的方法应用于船舶副机系统的涡轮增压器转速预测中,结果表明该方法相对于传统的PCA-LSTM和LSTM,具有更小的预测平均误差0.18037,即展现了其在时序数据趋势预测的优势。