تخمین عمر مفید باقی مانده از سیستم‌های مهندسی با استفاده از شبکه‌های LSTM

شبکه‌های حافظه بلند مدت (LSTM) شاخه‌ای مهم از شبکه‌های عصبی مصنوعی (rnn) هستند که قابلیت یادگیری وابستگی بلند مدت را دارند. در سال‌های اخیر، جایگزین LSTM (تغییر LSTM اصلی بالا) مدل حالات برای انواع مشکلات یادگیری ماشین به ویژه پردازش زبان طبیعی شده‌است. با این حال، در صنعت، این شبکه عصبی عمیق قدرتمند (DNN) باعث نگرانی گسترده نشده است. در تحقیقی که بر روی فن‌آوری پیشبینی و مدیریت سلامت (phm) برای سیستم‌های مهندسی پیچیده تمرکز دارد، تخمین عمر مفید (rul) یکی از چالش برانگیزترین مشکلات است که می‌تواند به اقدامات و نگهداری مناسب منجر شود تا از شکست‌های فاجعه‌بار جلوگیری شود و زیان‌های اقتصادی سیستم را به حداقل برساند. پس از آن، هدف از این مقاله، استفاده از شبکه‌های عصبی LSTM برای دستیابی به دقت پیش‌بینی rul خوب است که در موارد عملیات پیچیده، شرایط کاری، کاهش مدل و نویزهای قوی، بیش‌ترین توانایی حافظه کوتاه‌مدت را دارد. علاوه بر این، برای ارتقای توانایی شناخت در مورد فرایندهای تخریب مدل، یک تکنولوژی دیفرانسیلی دینامیکd برای استخراج اطلاعات درون چهارچوب تعیین شده پیشنهاد شده‌است. این قضیه

Long Short-Term Memory (LSTM) networks are a significant branch of Recurrent Neural Networks (RNN), capable of learning long-term dependencies. In recent years, vanilla LSTM (a variation of original LSTM above) has become the state-of-the-art model for a variety of machine learning problems, especially Natural Language Processing (NLP). However, in industry, this powerful Deep Neural Network (DNN) has not aroused wide concern. In research focusing on Prognostics and Health Management (PHM) technology for complex engineered systems, Remaining Useful Life (RUL) estimation is one of the most challenging problems, which can lead to appropriate maintenance actions to be scheduled proactively to avoid catastrophic failures and minimize economic losses of the systems. Following that, this paper aims to propose utilizing vanilla LSTM neural networks to get good RUL prediction accuracy which makes the most of long short-term memory ability, in the cases of complicated operations, working condit