《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》
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。
图表编号 | XD00216748700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.02 |
作者 | 汪立雄、王志刚、徐增丙、林辉 |
绘制单位 | 武汉科技大学冶金装备及其控制教育部重点实验室、武汉科技大学机械自动化学院、武汉科技大学冶金装备及其控制教育部重点实验室、武汉科技大学机械自动化学院、武汉科技大学冶金装备及其控制教育部重点实验室、武汉科技大学机械自动化学院、中国船舶工业集团公司第七〇八研究所 |
更多格式 | 高清、无水印(增值服务) |