典型文献
基于退化阶段识别与LSTM-fine-tune的氧气浓缩器多阶段退化预测
文献摘要：
退化预测是装备健康管理的重要技术途径,近年来,大量时间序列预测方法在退化预测中得到应用.然而,众多大型装备由于结构复杂,功能多样,在退化过程中存在明显的阶段性,采用单一的模型对不同阶段的退化进行预测将会出现明显的精度降低,针对不同阶段对模型重新训练也会带来时间和算力的损失.针对多阶段退化的问题,引入了迁移学习的思想,提出了一种退化阶段识别与LSTM-fine-tune结合的多阶段退化预测方法,采用退化数据对LSTM模型训练,之后对部分网络参数进行冻结,在识别到装备出现新的退化阶段后,利用新阶段的退化数据对模型进行微调,以快速匹配不同阶段的数据.为验证模型的有效性,本文以氧气浓缩器为例进行模型应用.结果表明,本文方法能够有效识别氧气浓缩器3个阶段的退化,每个阶段的预测均方差分别为0.507、8.976和0.375,远低于不分段直接预测的均方误差76.87,在训练时间上,对比于每个阶段重新训练时间大幅缩短,在训练精度上,明显优于维纳过程、Lstar等传统方法.
文献关键词：
长短周期记忆网络;模式识别;迁移学习;氧气浓缩器
中图分类号：
作者姓名：
黄崧琳;景博;潘晋新;焦晓璇;王生龙
作者机构：
空军工程大学航空工程学院 西安 710038
文献出处：
引用格式：
[1]黄崧琳;景博;潘晋新;焦晓璇;王生龙-.基于退化阶段识别与LSTM-fine-tune的氧气浓缩器多阶段退化预测)[J].电子测量与仪器学报,2022(07):136-143
A类：
氧气浓缩器,Lstar,长短周期记忆网络
B类：
退化阶段识别,fine,tune,多阶段退化,退化预测,技术途径,时间序列预测,大型装备,功能多样,新训,来时,和算,算力,迁移学习,退化数据,模型训练,分网,网络参数,冻结,微调,快速匹配,验证模型,模型应用,不分,直接预测,均方误差,训练时间,维纳过程,模式识别
AB值：
0.253158
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
