基于元启发式改进的粒子群算法，并结合BiGRU-CNN模型的端到端AIoT维护框架，用于泵故障监测与预防

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：An End-to-End AIoT Maintenance Framework for Fighting Pumps Failure Monitoring Based on Metaheuristic Improved Particle Swarm Algorithm and Combining BiGRU-CNN Models

该研究针对消防泵故障监测难题，提出基于IPSO优化的BiGRU-CNN混合模型，通过参数自适应调整提升复杂场景下的诊断精度和鲁棒性，实验表明其损失降低22.96%，验证集性能提升显著，且支持多采样率实时应用。

　　

摘要

在应急响应系统中，消防泵至关重要，其意外故障可能会带来灾难性后果。当前的监测技术往往无法充分捕捉实际操作中复杂的时间和地理故障模式。本研究开发了一种先进的人工智能物联网（AIoT）框架，用于监测和故障排除消防泵的问题，而消防泵是应急响应系统中的关键组成部分。该框架采用了IPSO-BiGRU-CNN这一混合深度学习模型，该模型结合了双向门控循环单元-卷积神经网络（BiGRU-CNN）和改进的粒子群优化（IPSO）算法。通过调整BiGRU-CNN模型的参数，IPSO方法在具有挑战性的实际应用环境中提高了诊断的准确性和韧性。为了评估IPSO-BiGRU-CNN的性能，研究人员在故障数据集上进行了大量实验，并将其与几种传统技术进行了比较，包括循环神经网络（Recurrent Neural Network）、GRU、长短期记忆网络（Long Short-Term Memory）、BiGRU、CNN以及CNN-BiGRU。实验结果表明，IPSO-BiGRU-CNN模型的性能显著优于这些传统模型，分别在损失率（loss）上提高了22.96%、验证损失率（ValLoss）提高了65.45%、分类精度（CP）提高了16.89%、验证分类精度（ValCP）提高了93.76%、平均绝对误差（MAE）提高了17.39%、验证平均绝对误差（ValMAE）提高了46.22%、均方误差（MSE）提高了23.68%、验证均方误差（ValMSE）提高了63.12%、精确度（PRE）提高了4.46%、验证精确度（ValPRE）提高了4.72%、召回率（REC）提高了4.73%以及验证召回率（ValREC）提高了4.83%。该模型对不同数据采样率的适应性进一步增强了其在实时AIoT应用中的实用性。所提出的框架为消防泵的预防性维护提供了一种可靠且有效的方法，能够及时诊断故障并减少停机时间。本研究强调了将元启发式优化与深度学习相结合在关键基础设施智能故障诊断中的潜力。