基于生成对抗网络和CNN-LSTM模型的循环刀片磨损状态预测
Chao Zeng1, Chengchao Wang2, Xueqin Xiong3
1School of Nuclear Science and Technology, University of South China, Hengyang, China.
PloS one
|June 18, 2025
概括
这项研究引入了一种新的方法,用于使用生成对抗网络 (GAN) 和CNN-LSTM模型预测圆刀片磨损. 该方法在复杂条件下显著提高了准确性,提高了废燃料组件切割的安全性和效率.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
- 材料科学 材料科学 材料科学
背景情况:
- 精确监测圆刀片磨损对于有效和安全切割废燃料组件至关重要.
- 目前的预测模型因数据限制和模型稳定性问题而难以应对复杂的工作条件.
研究的目的:
- 开发一种准确和强大的方法,用于预测圆形刀片在具有挑战性的环境中磨损.
- 为了应对数据采集,复杂特征提取和模型可靠性在磨损预测方面的挑战.
主要方法:
- 一种结合生成对抗网络 (GAN) 和CNN-LSTM模型进行磨损预测的新方法.
- 数据预处理,包括重叠采样,波形无声化和规范化.
- 通过皮尔森相关系数 (PCC) 优化的GAN,将数据增加到每一个故障状态的300个样本 (共2100个).
主要成果:
- 拟议的CNN-LSTM模型在识别圆刀片磨损状态方面实现了100%的准确性.
- 这一表现超过了传统模型,如长期短期记忆 (LSTM) 86.2%和辐射基函数神经网络 (RBFNNs) 94.9%.
结论:
- 该研究成功地克服了磨损预测数据集中小样本大小的局限性.
- 开发的方法提供了一个高效和准确的解决方案,用于在复杂的条件下识别圆刀片的磨损,这对于提高核燃料再加工安全性和效率至关重要.
