通過(guò)準(zhǔn)確預(yù)測(cè)工業(yè)老化過(guò)程(IAP)，諸如化學(xué)工廠中催化劑的緩慢失活，可以進(jìn)一步提前安排維護(hù)事件，從而確保工廠的成本效益和可靠操作。到目前為止，這些劣化進(jìn)展通常由機(jī)械模型或簡(jiǎn)單的經(jīng)驗(yàn)預(yù)測(cè)模型來(lái)描述。為了準(zhǔn)確預(yù)測(cè)IAP，提出了數(shù)據(jù)驅(qū)動(dòng)模型，將一些傳統(tǒng)的無(wú)狀態(tài)模型(線性和核嶺回歸，以及前饋神經(jīng)網(wǎng)絡(luò))與更復(fù)雜的狀態(tài)遞歸神經(jīng)網(wǎng)絡(luò)(回聲狀態(tài)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò))進(jìn)行比較。此外，還討論了有狀態(tài)模型的變體。特別是使用關(guān)于劣化動(dòng)態(tài)的機(jī)械預(yù)知識(shí)的有狀態(tài)模型(混合模型)。有狀態(tài)模型及其變體在足夠大的數(shù)據(jù)集上訓(xùn)練時(shí)可能更適合生成近乎完美的預(yù)測(cè)，而混合模型可能更適合在不斷變化的條件的較小數(shù)據(jù)集下的情況下更好地泛化。