长短周期记忆网络微调的氧气浓缩器寿命预测模型迁移

TP391.4; 针对寿命预测模型迁移问题,提出了一种长短周期记忆网络微调(long short-term memory fine tune,LSTM-fine-tune)的迁移模型,利用理想条件下的试验数据对模型进行训练.在迁移过程中,对部分LSTM网络层进行冻结,利用实际服役环境下的数据对网络其他部分进行修正.为验证模型的泛化能力,采用不同相位与幅值的正弦函数生成数据,通过学习数据获取正弦函数的经验知识,并应用至其他正弦函数的回归,结果表明LSTM-fine-tune 模型能够快速拟合,平均均方误差仅为 1.0335,明显低于直接预测误差1.5368.为通过实际监测数据检验本方法泛化能力,...

Full description

Saved in:
Bibliographic Details
Published in国防科技大学学报 Vol. 45; no. 4; pp. 243 - 252
Main Authors 崔展博, 景博, 焦晓璇, 潘晋新, 王生龙
Format Journal Article
LanguageChinese
Published 空军工程大学 航空工程学院,陕西 西安 710038 01.08.2023
Subjects
transfer learning
life prediction
寿命预测
灰狼优化器
grey wolf optimizer
oxygen concentrator
迁移学习
氧气浓缩器
Online AccessGet full text
ISSN1001-2486
DOI10.11887/j.cn.202304024

Cover

More Information
Summary:TP391.4; 针对寿命预测模型迁移问题,提出了一种长短周期记忆网络微调(long short-term memory fine tune,LSTM-fine-tune)的迁移模型,利用理想条件下的试验数据对模型进行训练.在迁移过程中,对部分LSTM网络层进行冻结,利用实际服役环境下的数据对网络其他部分进行修正.为验证模型的泛化能力,采用不同相位与幅值的正弦函数生成数据,通过学习数据获取正弦函数的经验知识,并应用至其他正弦函数的回归,结果表明LSTM-fine-tune 模型能够快速拟合,平均均方误差仅为 1.0335,明显低于直接预测误差1.5368.为通过实际监测数据检验本方法泛化能力,分别获取了试验条件下与实际服役环境下氧气浓缩器的数据,对模型的泛化能力进行验证.结果表明,迁移后训练集预测精度提高了 43.0%,测试集预测精度提高了20.2%.
ISSN:1001-2486
DOI:10.11887/j.cn.202304024