计算机应用研究

作者：周壮,周凤,

单位：贵州大学a.公共大数据国家重点实验室;b.计算机科学与技术学院,贵阳550025；

关键词：自编码器,深度自编码器,降噪自编码器,变分自编码器,长短时记忆网络,剩余寿命预测,无监督学习,

基金：贵州省自然科学技术基金资助项目(黔科合基础［2019］1088)；；

针对额外提取数据特征的方法需要花费大量时间和人力成本、轴承退化的线性预测精度低等问题，以及时序数据具有时间依赖关系的特点，提出了端到端的结合长短时记忆网络的深度变分自编码器模型（E2E Deep VAE-LSTM）用于轴承退化预测。通过改进VAE的结构，并结合LSTM，该模型可以在含有异常值的数据集上直接进行训练和预测；使用系统重建误差表征轴承退化趋势，实现了轴承退化的非线性预测。在三个真实数据集上的实验结果表明，E2E Deep VAE-LSTM模型可以得到满意的预测结果，预测精度均高于现有的几种AE类模型及其他几种方法，且具有良好的泛化能力和抗过拟合能力。

来源：2022年第7期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2022年第7期