基于遗传优化的剩余使用寿命预测
人工智能
2021-05-25 v1
摘要
剩余使用寿命（RUL）预测的应用在能源优化、成本效益与风险缓解方面已变得极为重要。现有 RUL 预测算法大多由深度学习框架构成。本文中，我们实现 LSTM 与 GRU 模型，并将所得结果与一种提出的经遗传训练的神经网络进行比较。当前模型仅依赖 Adam 与 SGD 进行优化和学习。尽管这些模型在此类优化器下表现良好，但预测预后中即便微小的不确定性也会导致巨大损失。我们希望通过利用遗传算法增加一层优化来提升预测的一致性。超参数——学习率与批大小被优化至超出人工能力所及。这些模型及所提架构在 NASA 涡扇喷气发动机数据集上进行了测试。该优化架构可自主预测给定超参数并给出更优结果。
引用
@article{arxiv.2102.08845,
title = {Genetically Optimized Prediction of Remaining Useful Life},
author = {Shaashwat Agrawal and Sagnik Sarkar and Gautam Srivastava and Praveen Kumar Reddy Maddikunta and Thippa Reddy Gadekallu},
journal= {arXiv preprint arXiv:2102.08845},
year = {2021}
}
备注
Submitted to SUSCOM, Elsevier