循环传感器数据的深度卷积神经网络
原文中文,约500字,阅读约需2分钟。发表于: 。通过使用一个液压系统测试数据集,本研究聚焦于传感器基于的状态监测,并探索了使用深度学习技术的应用。我们比较了三种模型的性能:一个使用常规方法的基准模型,一个具有早期传感器融合的单一卷积神经网络模型,以及一个具有晚期传感器融合的双路卷积神经网络模型 (2L-CNN)。基准模型通过晚期传感器融合取得了令人印象深刻的 1%...
本研究使用液压系统测试数据集,探索了传感器基于的状态监测的深度学习应用。比较了三种模型的性能,其中基准模型通过晚期传感器融合取得了1%的测试误差率。然而,卷积神经网络模型由于传感器特征的多样性而遇到挑战,导致了20.5%的误差率。进一步研究发现,单独训练每个传感器可以提高准确性。评估2L-CNN模型的性能时,考虑最不理想和最理想传感器的组合,错误率降低了33%。研究强调了有效应对多传感器系统复杂性的重要性。