基于趋势因素平滑和塔斯马尼亚魔鬼优化的罗神经网络用于预测性维护中的异常检测
Ida Hector1, Rukmani Panjanathan2
1School of Computer Science and Engineering, Vellore Institute of Technology, Chennai, Tamil Nadu, 600127, India.
Scientific reports
|November 25, 2025
概括
本研究介绍了一种先进的深度学习模型,用于在预测性维护中检测异常. TFsTDO-SNN模型显著改善了设备故障预测,减少了停机时间并提高了运营效率.
科学领域:
- 工程 工程师 工程师 工程师
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 预测性维护对于防止设备故障和尽量减少现代工业中停机时间至关重要.
- 使用机器学习检测异常提供了一种新的方法,通过识别历史数据中的模式来预测设备故障.
研究的目的:
- 开发一种先进的深度学习模型,用于在网络物理系统的预测性维护中检测异常.
- 通过优化深度学习技术,提高检测精度和运营效率.
主要方法:
- 该研究提出了TFsTDO-SNN系统,将趋势因子平滑与塔斯马尼亚魔鬼优化 (TFsTDO) 和族神经网络 (SNN) 结合起来.
- 方法包括用于预处理的Box-Cox转换,用于特征选择的TFsTDO,用于异常注入的过量采样,以及用于异常检测的TFsTDO训练的SNN.
- 该模型在CNC磨床工具磨损数据集上进行了评估.
主要成果:
- TFsTDO-SNN模型实现了高性能指标:96.5%的精度,97.2%的回忆,96.9%的F1分数.
- 拟议的模型的性能优于传统的方法,如GA,AdaBoost,LSTM-自动编码器和CNN-LSTM.
- 实验结果证实了该模型的卓越检测精度和运行效率.
结论:
- TFsTDO-SNN模型为预测性维护应用中的异常识别提供了一个强大的解决方案.
- 该研究强调了使用可解释的人工智能和先进的优化方法进行未来改进的潜力.
- 这种方法在预测设备故障和优化维护策略方面提供了显著的改进.
