Equipment remaining useful life prediction algorithm based on hyperparameter optimization and LSTM

doi:10.1063/5.0327489

Equipment remaining useful life prediction algorithm based on hyperparameter optimization and LSTM

2026-04-01

0

PRE

AI

DOI：10.1063/5.0327489

原文链接

原文求助

摘要

En 中文

针对工业设备剩余使用寿命（RUL）预测中的关键挑战，如时序数据中长期依赖关系的捕捉困难、超参数优化效率低下以及传统算法易陷入局部最优等问题，提出了一种集成改进粒子群优化（PSO）和LSTM注意力机制的新型预测模型。以航空发动机为研究对象，基于C-MAPSS基准数据集构建了标准化的数据预处理与特征工程流程，通过数据清洗、冗余特征消除及时间序列重构提升了输入数据质量。在模型设计方面，采用双向LSTM挖掘时序数据的内部关联性，并结合自注意力机制精确聚焦寿命退化关键特征；同时提出改进PSO算法，引入非线性递减惯性权重和自适应高斯变异算子，以实现LSTM核心超参数的全局优化。在C-MAPSS数据集的四个子数据集（FD001-FD004）上的对比实验表明，所提模型在均方根误差（RMSE）和性能评估得分（Score）两项核心指标上显著优于传统LSTM、门控循环单元（GRU）、支持向量回归（SVR）和随机森林等基线算法，且优于无注意力机制或未优化PSO的变体模型。在多工况与复合故障（FD004）的复杂场景下，模型RMSE仅为SVR的47.86%，Score仅为GRU的62.10%，展现出优异的预测精度、稳定性及复杂场景适应性。研究表明，注意力机制与改进PSO超参数优化具有协同效应，为工业设备预测性维护提供了可靠的RUL预测技术支持。

Keyword:

PROGNOSTICS

MODEL

Equipment remaining useful life prediction algorithm based on hyperparameter optimization and LSTM

摘要

期刊

机构

引用论文