《表1 各种模型方法实验对比结果》

  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TL-LSTM的轴承故障声发射信号识别研究》

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

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。