Investigación sobre la vida útil y la predicción del rendimiento del filtro integrando el mecanismo de atención y...

Área de la Ciencia:

• Ingeniería Ambiental
• Ingeniería Química
• Ciencia de Datos

Sus antecedentes:

• La calidad del aire en salas limpias es fundamental para la eficiencia del sistema y la calidad del producto.
• La degradación de los medios de filtración de gas requiere un mantenimiento predictivo avanzado.
• Las estrategias de reemplazo tradicionales son insuficientes para escenarios de contaminación complejos.

Objetivo del estudio:

• Desarrollar un modelo preciso de predicción de la Vida Útil Restante (RUL) para medios de filtración de gas.
• Integrar múltiples técnicas de aprendizaje automático para mejorar las capacidades predictivas.
• Proporcionar un marco unificado para la predicción conjunta del rendimiento del filtro y la RUL.

Principales métodos:

• Desarrolló un modelo PSO-RF-BiLSTM-Attention que integra Random Forest, BiLSTM, autoatención y PSO.
• Diseñó una plataforma experimental para simular la degradación del filtro de carbón activado bajo SO2.
• Recopiló datos operativos multidimensionales para el entrenamiento y la validación del modelo.

Principales resultados:

• El modelo PSO-RF-BiLSTM-Attention superó significativamente a los modelos de referencia.
• Se logró una reducción de aproximadamente el 58,7% en el Error Absoluto Medio (MAE).
• Se aumentó el coeficiente de determinación (R2) en aproximadamente un 5,6%.

Conclusiones:

• El modelo propuesto predice eficazmente el rendimiento y la RUL de los medios de filtración de gas en escenarios de degradación complejos.
• Demostró la viabilidad de un marco unificado para la predicción conjunta.
• Ofrece un soporte eficaz para las estrategias de mantenimiento inteligente en entornos de salas limpias.