时间序列分析在工业领域其重要作用，通过洞察数据趋势，改善工业过程的运行效率、可靠性和安全性。近年来，结合了机器学习和最优化理论的方法在这一领域取得了显著的进展。这些方法可以自动化处理大量复杂的时间序列数据，识别隐藏的模式和趋势，提供更准确的预测，减少生产中的故障和停机时间，并在实时监测下进行决策以优化工业过程。

 本研究课题提出TCN-GAWO方法，一种用于时态卷积网络（TCN）的遗传算法增强型权重优化方法。TCN-GAWO结合了遗传算法的进化过程和基于梯度的训练，可以达到比传统TCN更高的预测/拟合精度。TCN-GAWO的性能也更加稳定。在TCN-GAWO中，首先用随机的初始权重生成多个TCN，然后对这些TCN进行单独的训练，接下来在TCN之间进行选择-交叉-突变的过程，得到进化后的子代。基于梯度的训练和选择-交叉-突变轮流进行，直到收敛。然后选择具有最佳性能的TCN。特别地，TCN-GAWO方法结合了进化算法和梯度训练，充分发挥了它们的优势，提高了预测精度和稳定性。

 本课题积极开展分析方法的落地应用，目前研究成果已应用于风电机组关键部件剩余寿命预测和航空发动机润滑系统性能建模。在风电领域，帮助规划维护计划，减少停机时间，提高发电效率。在航空领域，建立发动机润滑系统的性能基线模型，提高飞机的安全性和可靠性。本课题将紧密集合产业发展，不断优化分析方法，提升工业生产效率和大型设备可靠性。