《表3 5种模型的MAPE和SDAPE比较》

  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

《基于长短期记忆网络的风电机组齿轮箱故障预测》

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

按照上述方法选择合适的参数构建LSTM网络模型，对齿轮箱油温进行预测。为了验证此方法的优势，与神经网络（BP）、SVM、随机森林（random forest，RF）、岭回归（ridge regression，RR） 4种方法[22]进行比较。所有方法均采用相同的预处理，并在相同的数据集上进行模型训练、测试和验证。图6给出了在正常状态下，齿轮箱模型测试时几种不同方法的预测曲线。计算每一种方法的MAPE和标准差（SDAPE）个指标，结果见表3所示。