黄冠泽

（广东工业大学，广州 510006）

0 引言

随着柔性材料加工技术的快速发展，柔性薄膜材料的制备工艺也不断得到完善。新型柔性薄膜材料制品，如柔性电路板、太阳能电池薄膜等在各个行业的使用日益增多。柔性材料卷对卷设备（Roll to Roll，R2R）作为薄膜材料的主要生产设备之一，被广泛应用到柔性电路板（FPC）、有机发光二极管（OLED）、太阳能电池薄膜、干粘合剂等柔性薄膜材料的制备生产当中[1-3]。卷对卷设备加工过程具有高速、高精度、持续生产的特点。当其核心零部件发生性能衰退，加工精度将大幅度下降，引起柔性薄膜产品的变形，使得良品率降低，造成经济损失。非常有必要对卷对卷设备进行预测性维护。

近年来，有学者进行了LSTM（Long Short-Term Memory）在预测性维护领域的应用研究[4-7]，取得了一定进展，证明了LSTM 网络在预测性维护领域应用的可行性。但是LSTM网络的预测结果仍存在误差叠加及预测结果滞后[8]、学习速率低[9]等问题。Funa[10]中提到，建立RUL 预测模型时，传统的LSTM模型不能合理利用在线数据和非生命周期数据。

金樑[11]中提出一种SVM 算法加权融合LSTM 算法的模型，在短期电力负荷预测实验中得到不错的结果，预测误差小且速度快，表明SVM 对于LSTM 神经网络具有降低预测滞后率的效果。因此，本文提出了LSTM-SVM 算法融合预测模型，将完整且经过训练的LSTM 模型的softmax 输出层更换为SVM分类器，再进行SVM分类器的训练，最后得到LSTM-SVM算法融合模型。又由于自身算法的抗拟合特性，SVM 常被用于解决神经网络过拟合的问题[7]，提升算法融合网络的抗过拟合特性。……