《表1 RMSE指标下各预测算法对比结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于改进的LSTM的设备剩余使用寿命应用研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

从实验结果可以看出，CNN-LSTM的算法精度明显优于其他算法，由于CNN已经成功应用到图像领域中，所以提出了一种以一维CNN为基础的剩余寿命预测建模方法，与传统的浅层机器学习方法相比，取得了较好的效果。从以上比较结果不难看出，当训练样本数足够时，深度学习算法与传统的浅层模型相比，具有很大的优越性，而且还具有不需要进行人工特征工程、领域专家经验和适用性强等优点。特别是对于电力通信设备的RUL预测问题来说，由于监测传感器数据本身具有固有序列的特性，前后时间步之间存在着较强的时间依赖关系。而SVR、MLP等浅层模型，要想表达出数据中蕴含的规律，只能靠人工提取相应的时间特征。两者比较之后，可以得出这样的结论：（1）CNN-LSTM网络在时序特征提取能力方面具有无比的优势；（2）CNN-LSTM网络能将特征提取和RUL预测两个部分完美的整合在一起。因此，CNN-LSTM网络在电力通信设备剩余寿命预测问题上具有很大的发展潜力。