《表1 RMSE指标下各预测算法对比结果》
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。
图表编号 | XD00157075500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.15 |
作者 | 郭梦溪 |
绘制单位 | 福州大学物理与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |