基于残差神经网络的风机叶片结冰故障诊断

风力发电机叶片结冰故障直接影响风力发电机的运行安全和发电效率.针对这一问题,提出一种基于一维残差神经网络(1DRes-CNN)的叶片结冰诊断模型,该模型通过风机SCADA数据进行风机叶片结冰故障诊断.首先通过标记标签、数据分割、类间平衡和归一化对SCADA数据进行预处理;然后基于叶片结冰物理机制和XGBoost特征重要...     

自动化包装生产线电机无传感器驱动故障诊断

目的 为了解决自动化包装生产线针对电机驱动故障诊断复杂化和精度低的问题,提高复杂生产环境下电机运行的稳定和人员的安全,提出一种基于XGBoost特征重构和神经网络预测电机驱动故障的精准预测方法.方法 首先通过XGBoost算法运用一部分训练数据构建特征树,随后将剩余训练数据输入XGBoost算法得到重构的特征,然后再运用One-hot编码,将重构特征映射到欧式空间,进一步放大特征的差异,最后输入经过参数调整的神经网络模型中完成故障预测.结果 相较于未经XGBoost特征构建的神经网络模型,文中提出的结构在数据测试集随机分割的验证集和测试集上均取得了接近100％的分类精度,验证了模型的有效性和稳定性.结论 较好地实现了针对自动化包装生产线电机驱动故障的无传感器高精度诊断,有利于提高复杂生产环境下的电机稳定性和人员安全性.     

基于集成分类器的泡罩包装药品缺陷识别

目的 针对药品生产包装过程中常出现缺陷泡罩包装药品的问题,研究一种基于多特征构建与集成分类器的泡罩包装药品缺陷识别方法.方法 该方法通过集成2个不同的分类器算法分别对药品图像类别进行预测,并采用联合判定函数对2个预测输出值进行联合决策,得到最终分类结果.第1个分类器模型通过将图像转化到HSV颜色空间,分割出泡罩区域和药片区域,进行特征设计,并在提取多项特征参数后构建BP神经网络分类算法给定药品类别预测.第2个分类器模型应用多层卷积神经网络取代传统算法对图像特征进行提取,并输出药品图像类别的预测值.根据2个分类器的性能进行算法集成,构成最终集成分类器.结果 实验结果表明,该集成分类模型对数据集中泡罩包装药品图像进行分类识别测试,准确率达97％以上.结论 集成分类模型不仅提高了单一分类器的识别准确率,也具有更佳的稳定性.该方法取得了卓越的分类效果,具有较高应用性.     

起落架载荷标定模型的集成学习方法

为解决飞机起落架载荷标定实验使用线性回归建立标定方程结果不理想的问题,考虑到实验中起落架压缩行程和应变片布片位置等因素对标定载荷的非线性影响,运用特征融合、集成学习理论,通过使用AdaBoost和XGBoost非线性回归方法,构建起落架载荷标定模型。首先,通过起落架载荷标定实验获取实验数据,使用主成分分析方法建立输入特征矩阵;其次,构建起落架载荷标定模型,将起落架三向加载载荷分别作为标签向量,训练集和测试集根据随机取样原则划分,使用AdaBoost和XGBoost两种方法训练标定模型;最后,在测试集中对载荷进行拟合预测,并使用均方根误差、平均绝对误差、决定系数、耗时4个评价指标对模型进行评估。实验结果显示,与广泛使用的最小二乘法相比,XGBoost方法建立的标定模型能够更好地拟合加载载荷,在不考虑时效性的场景下XGBoost算法更具优势。研究结果对提高飞机起落架载荷实测准确性以及飞机结构健康监测的进一步研究具有重要价值。     

基于残差神经网络的风机叶片结冰故障诊断

风力发电机叶片结冰故障直接影响风力发电机的运行安全和发电效率。针对这一问题，提出一种基于一维残差神经网络(1DRes-CNN)的叶片结冰诊断模型，该模型通过风机SCADA数据进行风机叶片结冰故障诊断。首先通过标记标签、数据分割、类间平衡和归一化对SCADA数据进行预处理；然后基于叶片结冰物理机制和XGBoost特征重要性计算选取与叶片结冰最相关的特征；最后利用构建好的1DRes-CNN模型进行叶片结冰诊断、实验结果表明，经过优化选取的特征，相较于SCADA全部特征作为1DRes-CNN模型输入，风叶结冰诊断准确率提升约为7 %。此外，与卷积神经网络、支持向量机和随机森林模型相比，该模型具有更高的诊断性能和泛化能力。     

基于集成学习的FRP加固混凝土梁抗弯承载力预测研究

为解决当前纤维增强复合材料(FRP)加固钢筋混凝土梁抗弯承载力预测中模型不统一、计算繁琐、精度有限等问题,建立了统一化的抗弯承载力预测模型。根据既有文献收集外贴式、端锚式和嵌入式3种FRP典型加固方式加固钢筋混凝土梁试验数据,确定影响加固梁承载力的关键因素,通过XGBoost(极限梯度提升树)算法训练回归各影响因素与加固后梁抗弯承载力间的非线性映射关系,得到统一化的FRP加固钢筋混凝土梁抗弯承载力预测模型。随后在测试样本集上对该模型的预测精度进行了验证,与基于支持向量回归(SVR)和人工神经网络(ANN)两种代表性机器学习算法得到的预测模型进行了横向对比,并分析了不同加固方式下的预测精度。研究结果表明：该文得到的基于XGBoost的抗弯承载力预测模型拟合优度R²=0.9417,可见整体精度较高,有良好的性能;相比基于传统机器学习算法SVR和ANN建立的预测模型,基于集成学习算法XGBoost的拟合优度分别提升了8.00%及6.70%,均方根误差减少了33.94%和30.72%,平均绝对误差减少了32.38%和30.51%,表明基于XGBoost的模型精度更高,远优...     

基于SCADA数据的风机叶片结冰检测方法

针对工作在寒冷地区的风机易出现的叶片结冰现象,提出一种基于SCADA数据的风机叶片结冰检测方法。根据叶片结冰会增大发电机的功率损耗,选择风速与网侧有功功率2个变量,利用主成分分析技术构造对叶片结冰敏感的风速与网侧有功功率在非主成分方向投影特征,通过选择最优阈值使逻辑回归分类器适用于不平衡分类,可以实现风机叶片结冰检测自动化与智能化。通过中国工业大数据创新竞赛数据验证了该方法的有效性。     

面向不均衡训练集的印刷图像套准状态检测方法

目的针对不均衡的印刷图像套准状态检测中存在的印刷套不准图像识别准确率低的问题,研究不均衡印刷图像训练集的预处理方法。方法提出不均衡印刷图像训练集数据的集成采样预处理方法。支持向量机先将不均衡的训练集数据分为支持向量和非支持向量,然后过采集少类样本(即印刷套不准图像)中的支持向量,欠采集多类样本(即印刷套准图像)中的非支持向量,实现训练集数据的均衡化。最后采用预处理后的均衡训练集对支持向量机模型进行训练,并优化模型参数。结果采用文中提出的集成采样方法对不均衡训练集预处理后获得支持向量机模型,通过对印刷图像套准状态进行识别,获得的少类样本识别率a+为0.9375,识别准确率几何平均数Gmean为0.9437,F测度为0.9574。结论文中提出方法获得的印刷套不准图像识别准确率a+,Gmean和F测度均优于实验中的其他方法。     

基于SMOTE-SVM的多准则库存分类北大核心

为了对不平衡的库存物料进行精准化的分类,提出了基于合成少数类过采样技术-支持向量机算法(SMOTE-SVM)的多准则库存分类模型。在Kraljic模型的基础上进行细化,建立了多准则库存分类指标体系。通过改进SMOTE对多分类不平衡物料数据集进行预处理,得到平衡的物料训练集,并结合SVM将库存物料分为四类。以D公司库存物料数据为例,采用多种算法进行分类对比,引入网格搜索法确定最优参数,留一法交叉验证得到算法分类精度,所提算法总分类准确率达到了97.81%,四类物料分类准确率均在90%以上。     

基于SMOTE-SVM的多准则库存分类

为了对不平衡的库存物料进行精准化的分类,提出了基于合成少数类过采样技术-支持向量机算法(SMOTE-SVM)的多准则库存分类模型。在Kraljic模型的基础上进行细化,建立了多准则库存分类指标体系。通过改进SMOTE对多分类不平衡物料数据集进行预处理,得到平衡的物料训练集,并结合SVM将库存物料分为四类。以D公司库存物料数据为例,采用多种算法进行分类对比,引入网格搜索法确定最优参数,留一法交叉验证得到算法分类精度,所提算法总分类准确率达到了97.81%,四类物料分类准确率均在90%以上。