[tf.keras]利用LSTM預測泵傳感器剩餘壽命(一)—簡介

本系列文章使用的數據為Kaggle的一項競賽[Pump sensor data for predictive maintenance](泵傳感器數據可進行預測性維護)所提供的資料：
https://www.kaggle.com/nphantawee/pump-sensor-data

在此系列文章，我們將利用長短期記憶(Long Short-Term Memory，LSTM)預測機器還剩餘幾天會故障，使用的Library及API為tensorflow.keras。

LSTM簡介：
LSTM的中文名稱是長短期記憶，它可以記憶不定時間長度的數值，適合於處理和預測時間序列中間隔和延遲非常長的事件 [1]。
目前的應用包括：

• 時間序列
• 機器控制
• 語音識別
• 自然語言處理
• 手寫識別
• 自動駕駛汽車
• 動畫

數據簡介：
數據的提供者在一個小組中工作，該小組需維護距離城鎮非常遙遠的小區域的水泵，去年有7個系統故障。這些故障給許多家庭面臨嚴重的生活問題。當系統出現故障時，團隊無法看到數據中的任何規律，因此他們也不確定應該特別注意哪些地方。
數據中大約有55個欄位，包含序號、時間、52個機器數據以及機器的狀態。
其中，機器的狀態包含：

• broken(故障)：7個
• recovering(修復中)：14477個
• normal(正常狀態)：220320個

在下一章節，我們將整理這些數據，做更詳細的說明。

[tf.keras]利用LSTM預測泵傳感器剩餘壽命(二)—數據預處理

參考文獻：
[1] 長短期記憶
https://zh.wikipedia.org/wiki/%E9%95%B7%E7%9F%AD%E6%9C%9F%E8%A8%98%E6%86%B6