基于深度学习的轴承故障识别-LSTM与CNN对比

1024程序员节快乐~

---

根据前两篇博文的实验结果，可以看出，两种模型相比，基于卷积神经网络的轴承故障诊断模型在各方面性能都更为优异。准确率比基于长短时记忆网络的轴承故障诊断模型高出近10%，而训练用时要节省近15分钟。其实对我来说最关键的是CNN训练快啊，我的电脑不是n卡，没有gpu加速，训练一次15分钟实在是有点膈应人（这期间占着我的内存我还不能开模拟器挂游戏）。

LSTM与CNN实验结果对比

网络模型	acc	loss	训练用时
LSTM	0.8716	0.803074	15m24s
CNN	0.96825	0.124567	21.8s

长短时记忆网络和卷积神经网络都可用于对序列数据的处理，如果序列数据的整体顺序很重要，那用长短时记忆网络处理效果更好；如果整体顺序没有意义，一维卷积神经网络效果同样很好，且计算代价更小。凯斯西储大学公开数据集中的数据仅记录了轴承故障信息，没有时间信息（因为轴承损伤压根就是人为钻出来的，怎么会跟时间有关呢），数据之间的整体顺序并不重要。所以综合考量，使用一维卷积神经网络构建所需要的滚动轴承故障诊断模型。

---

点击此处返回总目录：基于深度学习的轴承故障识别