基于CSSA-CatBoost-LSTM的风机状态预测

来源：电子测量技术杂志2025年第24期北京时间：

作者：孙家栋，李子恒，陈德基，施珮

单位：1.无锡学院江苏高校优秀科技创新团队(实时工业物联网) 无锡 214105; 2.南京信息工程大学计算机学院 南京 210044

摘要：针对风机状态预测中特征提取不充分及单一模型预测精度不足的问题，提出一种融合CatBoost算法与长短期记忆网络（LSTM）的风机运行状态预测方法。首先，基于风机传感器特征和时序特征，使用SVFE和MVFE方法交叉融合生成全局复合特征，并结合熵权法改进的灰色关联分析实现特征降维。其次，通过引入混沌映射改进的麻雀搜索算法（CSSA）对LSTM模型超参数进行全局寻优，实现最优参数组合的自适应筛选与精准确定。最后，通过最优加权组合策略对CatBoost与优化后的LSTM进行深度融合，以提升预测精度与模型泛化能力。以中国宜昌某磷化工企业风机为例，对所提CSSA-CatBoost-LSTM风机状态预测方法进行了验证，验证结果表明该方法在准确性和可靠性方面有显著提升。

关键词：CatBoost;长短期记忆网络;熵权法;灰色关联分析方法;混沌映射;麻雀搜索算法

基金资助：国家自然科学基金(62072216)、江苏省高校自然科学研究面上项目(21KJB520020)、无锡学院引进人才科研启项经费(2023r005)项目资助