《表2 诊断服务：基于深度迁移学习的滚动轴承剩余使用寿命预测》

  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

《基于深度迁移学习的滚动轴承剩余使用寿命预测》

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

不同方法下的滚动轴承RUL预测值误差结果如表2所示。通过表2的误差可看出，LSTM网络模型在轴承2-1、轴承2-3、轴承2-4和轴承2-5上寿命预测的效果优于SVM模型，但在轴承2-2上预测的效果略差于SVM模型，而经过迁移学习的DTL-LSTM网络模型在轴承2-2上的RUL预测效果明显优于LSTM网络模型和SVM模型，经分析是由于轴承2-2提供的训练样本不足，导致LSTM网络模在轴承2-2上预测精度略差于SVM模型。上述结果表明LSTM网络在处理时间序列数据方面的优势，但是易受训练样本不足的影响，而迁移学习能够有效解决LSTM模型由于训练样本少导致预测精度不足问题。