融合改进PSO算法与CNN-GRU的电机绝缘寿命预测模型

摘要

针对电机绝缘寿命预测的效率和精度有待提高的问题，提出融合改进PSO算法与CNN-GRU的电机绝缘寿命预测模型(IPSO-CNN-GRU)。首先，为了获取原始数据中的时空特征信息，把采集到的一维时间序列数据转换为二维时空数据，利用卷积神经网络(CNN)和门控循环神经网络(GRU)联合获取数据时空特征的能力，将卷积层、池化层、GRU层、全连接层串联起来，通过调整相邻层之间的维数，建立CNN-GRU模型；然后，为了进一步提高CNN-GRU模型的辨识能力，利用改进的粒子群算法(IPSO)对其超参数(CNN卷积核数、GRU隐层节点数、全连通层节点数、学习速率)进行优化。在实验中，首先利用基准函数进行优化对比实验，结果表明：IPSO算法相较于其他算法具有更好的寻优精度和更快的收敛速度；然后利用公开的电机绝缘体失效数据集进行实验，结果表明：IPSO-CNN-GRU模型相较于已有模型在预测精度上提高了2.06%,是有效的电机绝缘寿命预测模型。

关键词

电机绝缘寿命预测 / 卷积神经网络 / 门控循环神经网络 / 粒子群算法 / 超参数 / 收敛速度 / 预测精度