《表3 基于CNN的气路诊断验证统计结果》
采用本课题构建的深度神经网络,经过3个epochs(1个epoch表示过了1遍训练集中的所有样本)的循环学习,训练集合上的准确率即可达到了较高的程度。训练10个epochs之后,保存生成模型。在测试验证集上,对于训练得到的模型进行监测,最终得到的故障检测准确率指标接近100%,即全部测试数据识别诊断均为正确,可见基于CNN的深度学习能力,其分类能力能够实现较高的精度指标。由此可见,深度学习方法较传统分类方法,在气路故障诊断应用上能够得到较大的准确率提升。
图表编号 | XD00120280300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.25 |
作者 | 元尼东珠、罗亚锋、房红征、杨浩 |
绘制单位 | 青海民族大学计算机学院、火箭军装备部驻北京地区第八军事代表室、北京航天测控技术有限公司、北京市高速交通工具智能诊断与健康管理重点实验室、装备全寿命周期状态监测与健康管理技术与应用国家地方联合工程研究中心、北京航天测控技术有限公司、北京市高速交通工具智能诊断与健康管理重点实验室、装备全寿命周期状态监测与健康管理技术与应用国家地方联合工程研究中心 |
更多格式 | 高清、无水印(增值服务) |