改进的沙猫群优化算法协助 GraphSAGE-GRU 延长发动机的剩余使用寿命

科学领域:

• 机械工程 机械工程
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 对于预测剩余使用寿命 (RUL) 的深度学习方法提供了强大的数据处理,但在发动机退化过程中经常忽视非欧几里德空间中的参数相互依赖性.
• 现有的深度学习方法可能无法完全捕捉操作参数中的复杂关系,从而限制了预测准确性.

研究的目的:

• 为准确的发动机RUL预测提出一个改进的沙猫群优化辅助的GraphSage-GRU (ISCSO-GraphSage-GRU) 模型.
• 通过纳入非欧几里德空间中的参数相互依赖来解决当前深度学习方法的局限性.

主要方法:

• 使用最大信息系数 (MIC) 识别和描述测量引擎参数之间的相互依赖关系.
• 开发了一个ISCSO-GraphSage-GRU模型,将从参数相互依赖中获得的图形数据输入GraphSage-GRU.
• 增强了沙猫群群优化 (SCSO) 以帐映射为人口初始化和一种新的自适应方法来改善勘探和开发.

主要成果:

• 在CMAPSS数据集上,ISCSO-GraphSage-GRU模型表现出高效率和高级性能.
• 实现了大于0.99的确定系数 (R2),表明模型与数据的强度匹配.
• 获得了小于6的根平均平方误差 (RMSE),表示高预测精度.

结论:

• 拟议的ISCSO-GraphSage-GRU模型成功地克服了现有的深度学习方法在引擎RUL预测方面的局限性.
• 整合MIC用于参数相互依赖性分析和ISCSO用于模型优化,可以实现优越的预测性能.
• 该研究验证了开发模型的先进功能,用于准确可靠的发动机健康监测.