论文学习——LSTM Encoder-Decoder方法预测设备剩余使用寿命

已于 2022-05-16 21:01:39 修改
阅读量1.9k 收藏 6
点赞数 3
分类专栏： 小论文准备 文章标签： lstm 学习 深度学习
于 2022-05-15 21:59:01 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42521185/article/details/124786419
版权

文章目录


写在前面：《交通运输工程学报》；主办单位：长安大学；双月刊；中文核心
在这里插入图片描述

1 摘要

  1. 方法： LSTM Encoder- Decoder
  2. 数据集：C-MAPSS
  3. 过程：① 对获取的传感器数据进行预处理，利用LSTM-Encoder 进行编码得到了设备状态的特征信息；② 利用 LSTM Decoder 进行解码，利用解码后的信息预测 “剩余使用寿命”
  4. 对比试验： LSTM D-LSTM

2 结语

  1. 通过将Encoder Decoder 框架与LSTM 相结合，可以得到更加准确的结果。此方法适用 多元时间序列数据预测
  2. 进一步的研究工作是将 Encoder-Decoder LSTM 和 Attention机制相结合。

3 引言

pass

4 日记

这篇文章结束学习了，因为这个作者应该想表达的是 Seq2Seq 模型吧，在Seq2Seq模型中，就是用的 encoder + decoder 来实现的，每个encoder和decoder内部用的就是 LSTM （当然也可以是其他的，比如RNN），这一技术是2015-2016年流行的，后来推出了attention+seq2seq模型，在后来到2017推出的是transformer模型，放到2019年，已经有了很多关于Transformer的变体，比如说Bert， swin Transformer，等等，现在已经是2021年，所以说这篇文章没有学习的必要的！

山外小楼听夜雨.
关注
  • 3
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
encoder-decoder-lstm:使用编解码器LSTM进行序列预测
05-11
编码-解码器-lstm 使用keras，numpy和panda的LSTM模型进行序列到序列的预测。 笔记 该项目是使用PyScaffold 3.0.3设置的。 有关PyScaffold的详细信息和使用信息，请参见 。
深度学习笔记(六)：Encoder-Decoder模型和Attention模型
热门推荐
Multiangle's Notepad
10-15 12万+
这两天在看attention模型，看了下知乎上的几个回答，很多人都推荐了一篇文章Neural Machine Translation by Jointly Learning to Align and Translate 我看了下，感觉非常的不错，里面还大概阐述了encoder-decoder(编码)模型的概念，以及传统的RNN实现。然后还阐述了自己的attention模型。我看了一下，自己做了一些摘
C-MAPSS数据集详细介绍
weixin_46275898的博客
05-21 894
第一列同样是样本序号，从1-100，也是100个样本，第二列是采集数据的时序，上述样本1含有从1到31次时序采集的状态数据，预测未来发生故障前剩余的时序次数，及剩余的url，真实的url标签存放在RUL_FD001中。当前基于机器学习的剩余寿命预测方法的研究异常火爆，其中C-MAPSS数据集在该领域的使用非常广泛，为了方便各位同仁的学习和理解，借此文章向大家简单介绍一下。第一列表示样本序号，样本序号从1-100即共100个样本，第二列表示采集数据的时序，直到发生故障：即样本1发生故障前的192个时序数据。
基于LSTM encoder-decoder模型实现英文转中文的翻译机器
marlinlm的博客
10-26 1334
介绍了如何构建一个基于pytorch lstm的机器翻译模型。
使用LSTM实现C-MAPSS数据集里面的剩余寿命预测（Pytorch）
qq_61908212的博客
12-19 2781
在现代工业生产中，提高效率和降低成本是最重要的追求的目标。同时，对。提出了越来越高的要求设备的安全性和可靠性。系统一旦出现故障，将造成巨大的损失以人力和财力。故障排除有助于确定原因设备或系统出现问题时，精确定位单个部件。这速度加快维修流程，减少停机时间，提高生产效率。预测性维护通过监测设备状况来防止损坏并降低维修成本和性能数据，预测可能出现的故障，并在故障发生之前制定维护计划。因此，可以大大减少故障排除和预测性维护计划节省了人力，提高了可靠性、可用性和可维护性设备效率。
Encoder+Decoder+LSTM 预测图像帧
PMPWDF的博客
09-23 1万+
Git代码地址：https://github.com/wdf19961118/LSTM 问题描述： 在这里基于卷积循环神经网络，做一个图像序列的预测。输入连续的16张图像帧，图像大小（3,128,128）。利用卷积网络对每连续的16张图像进行Encoder特征提取，然后将提取的特征序列输入到循环神经网络（LSTM）中，之后通过Decoder反卷积成原图像大小的troch（3,12,8,...
基于深度学习Encoder-Decoder框架的聊天机器人.zip
02-15
1. 人工智能：聊天机器人是AI的一个实例，它利用深度学习技术如循环神经网络（RNN）、长短时记忆网络（LSTM）或Transformer架构，通过编码器（Encoder）对输入的对话历史进行理解，解码器（Decoder）则生成相应的...
英文翻译中文，基于LSTM的Encoder-Decoder架构.zip
最新发布
05-22
英文翻译中文，基于LSTM的Encoder-Decoder架构LSTM (Long Short-Term Memory) 是一种特殊的循环神经网络（RNN）架构，用于处理具有长期依赖关系的序列数据。传统的RNN在处理长序列时往往会遇到梯度消失或梯度爆炸的...
基于LSTM的Encoder-Decoder模型、基于Transformer的序列预测模型和BeLSTM模型来预测电力变压器油温
05-22
LSTM (Long Short-Term Memory) 是一种特殊的循环神经网络（RNN）架构，用于处理...由于LSTM能够有效地处理长期依赖关系，它在许多序列建模任务中都取得了很好的效果，如语音识别、文本生成、机器翻译、时序预测等。
Encoder-Decoder （based on RNNS / LSTM）用于序列学习方案
沈春旭的博客
05-19 8224
1.RNN Encoder-Decoder      所谓的Sequence2Sequence主要是泛指一些Sequence到Sequence的映射问题，Sequence在这里可以理解为一个字符串序列 / 图像序列（视频），当我们在给定一个字符串序列后，希望得到与之对应的字符串序列（如 翻译、如语义对应的）时，这个任务就可以称为Sequence2Sequence了。       在现在的深度学习领...
LSTM-Autoencoder:Tensorflow中的LSTM自动编码器和LSTM预测器
05-16
Tensorflow中的LSTM自动编码器和LSTM未来预测器。 这是基于本文的简单实现： : 要求 Tensorflow 1.4.0 的Python 3.5.4 Python软件包：numpy，matplotlib，os，argparse，scipy 用法 数据生成后实施重建或未来预测 使用旋转和移位生成数据：Image_generation.ipynb 使用LSTM自动编码器重建数据：Autoencoder.ipynb 输入重构和未来预测：AE_with_Predictor 结果 从复合模型 数据序列（从左到右）：0,1，...，t-1，t 轮换数据 在LSTM模型中输入序列数据后，重建数据并预测旋转多少 输入顺序 输入重构 未来预测 移位数据 在LSTM模型中输入序列数据后，重建数据并预测多少位移 输入顺序 输入重构 未来预测 参考实现 https://githu
使用自编码器与lstm预测金融时间序列
04-18
首先、wt（小波分析）过滤噪声 然后 saes（自编码器）提取强特征 最后用lstm进行学习训练
利用LSTM原理预测股市
12-05
利用深度学习的长短记忆原理（LSTM）对美国纳斯达克股市进行预测。
DeepLearing—CV系列（二十四）——Pytorch实现OCR识别图片转文字（2）——CRNN+CTC_Loss理论
wa1tzy的博客
07-15 2967
文章目录一、CRNN（卷积递归神经网络）1.1 CRNN介绍与网络结构1.1.1 网络结构二、网络结构详解2.1 CNN2.2 Map-to-Sequence2.3 RNN2.3 CTC Loss2.3.1 序列合并机制2.3.2 训练阶段2.3.3 划分标准2.3.4 CRNN总结结 一、CRNN（卷积递归神经网络） 1.1 CRNN介绍与网络结构 CRNN模型，即将CNN与RNN网络结合，共同训练。主要用于在一定程度上实现端到端（end-to-end）地对不定长的文本序列进行识别，不用先对单个文字进行切
【2020人工智能培训课】笔记八：深度学习之RNN、LSTM、encoder-decoder模型
Idiot 的博客
12-16 1128
Gensim 工具包 Gensim是一款开源的第三方Python工具包，用于从原始的非结构化的文本中，无监督地学习到文本隐层的主题向量表达。 它支持包括TF-IDF、LSA、LDA，和word2vec在内的多种主题模型算法，支持流式训练，并提供了诸如相似度计算，信息检索等一些常用任务的API接口。 三大经典深度学习网络：CNN GAN RNN 语言模型与RNN 语言模型就是指给定一个一句话前面的部分，预测接下来最有可能的一个词是什么。 语言模型是对一种语言的特征进行建模，它有很多很多用处。 比如在语音.
生成式LSTM网络,Encoder-Decoder LSTM网络,CNN LSTM（LRCN）网络建模介绍——长短期记忆(LSTM)系列_LSTM的建模方法（1）
AI量化交易实验室
12-07 1万+
导读 文中介绍了三种LSTM的建模应用，分别是生成式LSTM网络，Encoder-Decoder LSTM网络，CNN LSTM（LRCN）网络。 大致介绍了一下每种网络的建模方法和应用场景，这里仅做了解即可 原文链接： 生成性长短期记忆网络 编码器 - 解码器长短期存储器网络 CNN LSTM网络 生成式长短期记忆网络的介绍 生成模型 LSTM可以用作生成模型。 给定大量序列数...
GRU，LSTM，encoder-decoder架构，seq2seq的相关概念
qq_46348508的博客
12-11 1348
GRU模型有专门的机制来确定应该何时更新隐状态，以及应该何时重置隐状态。这些机制是可学习的。计算门控循环单元模型中的隐状态。
pytorch 实现 LSTM AutoEncoder 与案例
呆萌的代Ma
07-04 7360
文章目录LSTM AutoEncoder简介LSTM AutoEncoder 实现基本LSTM AutoEncoder网络结构LSTM+Fc AutoEncoder网络结构案例代码 LSTM AutoEncoder简介 基础的AutoEncoder可以参考：https://blog.csdn.net/weixin_35757704/article/details/118457110 而LSTM AutoEncoder是将原始的全连接变成了LSTM，然后构造出来的AutoEncoder模型，输入与输出是一样的
Pytorch+LSTM+Encoder+Decoder实现Seq2Seq模型
linxizi0622的博客
06-14 3241
将Seq2Seq模型个构建采用Encoder类和Decoder类融合
RNN Encoder-Decoder模型相对于DBN-LSTM模型在预测寿命上有何优势
06-11
RNN Encoder-Decoder模型和DBN-LSTM模型都是序列模型，但是它们的应用场景和优势不同。 RNN Encoder-Decoder模型适用于输入和输出的序列长度不一致，例如机器翻译模型，输入是一个语言的句子，输出是另一种语言的句子。在这种情况下，RNN Encoder-Decoder模型可以将输入序列编码成一个固定长度的向量，然后将该向量作为Decoder的初始状态，生成输出序列。这个向量可以捕捉输入序列的语义信息，因此可以更好地预测输出序列。 DBN-LSTM模型则适用于处理多维时间序列数据，例如多个传感器采集的数据。DBN-LSTM模型使用深度置信网络（Deep Belief Network，DBN）对输入数据进行预处理，然后使用LSTM模型对预处理后的数据进行建模。DBN-LSTM模型可以自动学习输入数据的特征表示，这有助于提高预测性能。 因此，在预测寿命这个问题上，如果输入和输出的序列长度不一致，可以选择RNN Encoder-Decoder模型；如果处理的是多维时间序列数据，可以选择DBN-LSTM模型。需要根据具体的数据和任务进行选择。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值