lstm原文_论文精选|基于改进LSTM的振动信号在线预测自适应更新模型

点击蓝字关注我们

文章发表在JIM期刊，01 April 2020, 链接：

https://doi.org/10.1007/s10845-020-01556-3

摘要

工业生产中，压缩机振动信号受生产环境及外部因素的影响，因此为了保证模型的有效性，振动信号的预测模型需要实时更新，但是长短时记忆网络(LSTM)结构复杂，难以适用于数据实时更新的生产环境中。为了解决这一问题，本文将在线学习方法引入预测模型中，提出误差LSTM(E-LSTM)模型，其主要思想是根据模型的预测误差来提高模型的精度和效率。首先，将LSTM网络的隐含层神经元分块，在每个时间步长只激活部分模块，激活模块的数量由测试误差决定，从而提高模型的训练速度，提高模型效率；其次，E-LSTM模型可以根据数据分布自适应调整训练方法，从而提高模型的准确性。本文利用两类数据集验证了模型的性能，采用LSTM模型进行对比试验，结果表明E-LST