《表4 RUL预测结果对比》

  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

《航空发动机的健康指标构建与剩余寿命预测》

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

将实时数据代入构建好的DBN–HMM模型中，由式（19）计算出剩余寿命.本文对比了多源信息融合、多层感知机（MLP）、深度卷积网络（DeepCNN）、长短期记忆网络（LSTM）和传统的隐马尔可夫模型（HMM）的剩余寿命预测结果，对比结果如表4所示.NR表示此项数据原文没有提到.可以看出在RMSE指标上，基于DBN–HMM的结果大于DeepCNN的结果，但明显小于基于MLP和传统HMM的结果.MAE指标上，多源信息融合方法效果最好.在FPR、FNR和A等准确度指标上，DBN–HMM预测效果更好，剩余寿命预测准确度相对较高.此外，本文提出的DBN–HMM方法能够对系统健康状态进行识别，相比于以上方法，在预测RUL的基础上能够更全面地监测系统退化过程，便于给出系统健康状态评估结果.