基于注意力的BiLSTM-XGBoost模型用于数字微流体系统的可靠性评估和寿命预测
Lifeng He1, Qili Yang1, Junxi Chen1
1Zhongkai University of Agriculture and Engineering, College of Information Science and Technology, Guangzhou, Guangdong Province, China.
PeerJ. Computer science
|September 24, 2025
概括
这项研究引入了数字微流体 (DMF) 设备的新预测模型,结合了BiLSTM和XGBoost. 它准确地预测系统健康和故障时间,提高可靠性和寿命测试.
科学领域:
- 微流体学 微流体学
- 机器学习 机器学习
- 可靠性工程可靠性工程
背景情况:
- 传统的数字微流体 (DMF) 可靠性测试依赖于实时数据,导致延迟和限制复杂的滴滴分析.
- 现有的方法过度依赖传感器反和检测歇斯底里.
研究的目的:
- 开发一种新的,准确的DMF设备健康和故障时间的预测模型.
- 克服传统可靠性测试方法的局限性.
主要方法:
- 一种基于注意力的双向长期短期记忆 (BiLSTM) 和极端梯度增强 (XGBoost) 的叠加方法.
- 使用综合模型来识别健康状态和预测故障时间.
主要成果:
- 该BiLSTM-XGBoost模型实现了高预测准确性,MAPE为1.6464,RMSE为0.3667,MAE为0.2557,R平方为0.9949.
- 在预测准确度方面表现优于基线方法.
结论:
- 拟议的模型可以及时准确地监测DMF设备的健康状况,识别问题并预测DMF设备的故障.
- 显著提高系统可靠性和寿命评估.
