《表1 各种模型方法实验对比结果》
5种方法及LSTM模型在NU205EM型号滚动轴承数据集上的对比实验结果如表1所示。从表1可以看出,虽然DNN和BP训练上花费时间较少,但是在训练集和测试集的识别准确率相比于其他模型很低,所以这两种方法应用时一般需要人工提取特征作为模型,来提高最后的识别准确度。而DBN相比于DNN和BP在识别准确率上有一定提高,但是其需要训练时间也增高很多,而且DBN的超参数较难调节,往往会花费大量的时间进行模型调优,并且随着一些优秀的权重初始化方法出现,采用权重预训练思想的DBN模型逐步被摒弃。RNN、LSTM及其变体GRU虽然训练和测试时间相比于DNN、BP、DBN大幅增加,但在训练集和测试集上的识别准确率远远高于三者。并且实验结果也表明,LSTM相比于RNN、GRU更适用于本学习任务,展现出更为优异的特征提取性能。图9所示为各模型随迭代次数增加,在训练集上的识别准确率折线图。从图9可以看出,红色的LSTM识别准确率曲线明显优于其他模型方法。虽然其他模型在一些任务上可能会优于LSTM模型方法,但通过对比实验表明LSTM模型更适用于滚动轴承故障的声发射信号分类任务,能更为有效地提取出每种故障抽象特征。
图表编号 | XD0097358600 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.01 |
作者 | 于洋、何明、刘博、陈长征 |
绘制单位 | 沈阳工业大学、沈阳工业大学、沈阳工业大学、沈阳工业大学 |
更多格式 | 高清、无水印(增值服务) |