基于改进LSTM网络的小型发电机故障预测方法  

作　　者：张珂汇 邓杰明 宾茂梨 冯建强 刘庆[1] 

机构地区：[1]重庆邮电大学,重庆400065

出　　处：《中文科技期刊数据库（引文版）工程技术》2021年第3期113-114,共2页

摘　　要：Attention是一种从关键部分进行特征提取,从而获得更重要信息的机制,在小型发电机故障预测任务中,拥有故障特征的数据集即为重要信息。本文提出了一种使用Attention机制改进的LSTM网络进行小型发电机的故障预测工作。将搭建的模型通过Keras机器学习框架进行部署,并使用RMSE、MAPE等评价方法对改进后的模型进行评价,从而验证算法的可行性。实验结果表明,使用Attention机制改进的LSTM算法在小型发电机故障预测工作中有更高的准确性,同时,在预测中也具有更好的稳定性,达到了较高的可用性。

关 键 词：LSTM 机器学习 故障预测 循环神经网络 

分 类 号：TM315[电气工程—电机]