基于机器学习的轴承故障诊断研究

利用来自DC竞赛轴承故障检测数据集做了基于机器学习的轴承故障诊断研究。首先查看了轴承故障和正常状态的分布，然后利用XGBoost算法筛选出了20个核心建模特征，最后根据筛选出来的核心建模特征构建了随机森林、SVM和KNN3种机器学习模型，通过计算准确率、召回率、精确率、F1得分和ROC曲线下的面积（AUC）这5个性能指标来评估基于3种机器学习算法构建的预测模型在测试集上的预测效果。对比3个模型在测试集上表现的性能指标可以发现，基于随机森林算法构建的轴承故障诊断预测模型在AUC和准确率这两个核心指标上的评分都比其他两个模型高，它们的值都超过了90.00%，尤其是AUC达到了96.21%，效果最优。     

需求驱动的云平台产品关键设计特征识别方法

为完善云服务平台产品设计知识发现系统,同时进一步提升需求与服务的匹配效率,提出一种基于转换器的双向编码表征(BERT)和随机Lasso的产品关键设计特征识别方法.首先,实验采用真实产品用户反馈数据集并对其进行人工标注,以BERT预训练语言模型为基础,建立输出层以训练设计领域命名实体识别模型,实现对显性设计特征的自动识别.实验表明,所提方法可以实现较好的性能,精确率、召回率、F1分数分别为90.55％、97.16％ 和93.68％.同时,提出一种知识迁移思想,在当前大数据环境下,利用随机Lasso算法挖掘其中蕴含的关键设计特征并加以重用,实现了对隐性设计特征的精确定位.     

基于深度图像的零件识别及装配监测

针对机械产品装配中零件和装配体的识别、监测问题,提出一种基于深度图像和像素分类的装配体零件识别及装配监测方法。首先构建装配体深度图像标记样本集,包括合成标记样本集和真实标记样本集;然后提取深度差分特征,利用随机森林分类器对深度图像的像素进行分类,获取像素预测图像;最后通过对比像素预测图像和颜色标签图像对装配体各零件进行识别,并对比待测状态像素预测图像和正确装配像素预测图像,实现对装配过程的监测。为了提高边缘像素点的分类准确率,引入边缘因子。实验结果表明,该方法不但准确率高,而且兼具一定实时性和鲁棒性,在装配维修诱导、装配监测和自动化装配领域具有一定应用价值。     

基于朴素贝叶斯分类器的公共自行车系统故障诊断方法

针对公共自行车没有安装车载检测传感器、流动及停放区域较大、管理部门无法及时发现自行车故障等问题,提出了基于朴素贝叶斯分类器的自行车故障诊断方法。通过分析公共自行车系统(PBS)租用记录、维修记录和用户评价,选取15个状态分类特征作为自行车故障检测的特征向量;根据朴素贝叶斯分类器后验概率,获取每个状态分类特征对类的贡献率;以召回率作为评价指标来预测诊断故障自行车。采用杭州市PBS 2016年的相关数据对模型进行实践验证,通过预测模型输入特征值的优化,测试样本的召回率达85.79%,精度较为理想。     

基于数字孪生技术的工业机器人故障预测方法

为了提高工业机器人的运行效率，采用数字孪生技术和卷积神经网络算法设计了工业机器人故障的预测方法。首先设计了工业机器人故障预测的基本架构，然后利用数字孪生技术构建了虚实映射的工业机器人的物理模型，并提取工业机器人的运动姿态特征，最后利用卷积神经网络算法构建了工业机器人电机故障的预测模型，通过对故障特征信号特征提取和分类，实现了故障的实时预测。仿真结果表明：通过孪生虚拟模型获取的工业机器人运行状态与实际运行状态高度重合，采用提出的故障预测方法对100组数据处理，得到的正确率、精确率、召回率和F1值4个性能指标分别为0.961 7、0.903 5、0.925 4和0.923 1，均明显高于其他两种对比方法，为工业机器人进行故障诊断和预测提供有力的技术支持。     

基于标签传播的涉烟车辆异常检测

烟草行业与政府财政收入密切关联,走私假烟不仅会造成国家税收流失,同时也会扰乱市场、危害消费者的健康,如何对涉烟车辆实施有效的监管,对烟草行业的发展有重要意义。针对涉烟车辆的问题,并结合实际采集的车辆数据特征,提出了基于标签传播的涉烟车辆异常检测算法。通过对车辆数据集进行有用特征提取,并采用随机森林算法实现特征选择,在此基础上使用标签传播算法对异常车辆进行分类。结果表明,在历史数据和异常车辆标签较少的情况下,基于标签传播的涉烟车辆异常检测算法能有效的检测出大部分涉烟车辆。在给定数据集中,算法检测出异常点的召回率为57.7%,远超其他传统机器学习模型。该算法可为运输违禁物品车辆的侦查提供辅助支持。     

改进随机森林的电力负荷预测方法

精确的电力负荷预测是电力分配设备与配电网设计的关键。针对目前电力负荷预测精度低、模型训练慢的问题,提出了一种基于改进随机森林的并行化电力负荷预测方法。该方法首先利用灰色关联投影衡量历史样本属性与待预测日属性之间的相似性,构建相似历史样本数据集。然后基于遗传算法对随机森林的决策树进行进化搜索,提高集成预测精度。最后通过Hadoop分布式集群实现了电力负荷预测的并行化,提升了预测效率。实验结果表明,相比其它预测方法,该方法电力负荷预测值与负荷真实值之间的拟合度最高,且并行化能够降低预测时间消耗。     

基于随机森林算法的改性水润滑轴承摩擦性能预测*

为验证随机森林算法在预测改性水润滑轴承摩擦学性能上的可行性,利用Python编写算法,并通过已知实验数据进行仿真建模。通过已知数据对算法的准确性进行验证,其接受者操作特征（ROC）曲线的均值为0.85,证明模型的准确性较高。在不同温度及载荷工况条件下通过实验对预测模型进行验证,实验结果与预测结果间的误差均在5%左右,表明构建的随机森林模型可以用于改性水润滑轴承的摩擦学性能预测。研究结果表明：温度对于该改性水润滑轴承的平均摩擦因数有较大的影响,而负载对平均摩擦因数的影响较小,但是对于轴承的运转稳定性影响较大。     

基于改进支持向量机的客户流失分析研究

针对客户关系管理中的客户流失问题,建立了基于支持向量机的预测模型.基于实际客户流失数据样本数据量大、正负样本分布不平衡的特点,提出了一种改进支持向量机算法,并将其用于电信行业的客户流失预测.通过实际电信客户数据集测试,与传统的预测算法比较,证明这种算法适合解决大数据集和不平衡数据,具有更高的精确度.     

基于BP神经网络混凝土泵车臂架故障预测研究

针对混凝土泵车臂架结构复杂,故障频繁发生的特点,提出了一种基于BP神经网络臂架故障预测方法。臂架在工作过程中,工况参数的不同直接影响到臂架关键点应变大小。基于此,引入BP神经网络,选取臂架倾角、臂架加速度作为输入量,臂架应变作为输出量,构建了3层BP神经网络模型。通过构造试验方案获取样本数据,随机选取训练集、测试集,利用MATLAB工具对BP神经网络进行训练和验证,并对臂架故障进行了预测。实例验证了BP神经网络对臂架故障预测方法的可行性,该方法的提出相对于传统的现场监控方法更简便,并为臂架工况参数的选择提供了基础支持。     

基于VGG16模型的快速闭环检测算法

深度卷积神经网络在图像特征表示方面优于传统手工特征,将其用于闭环检测时还存在计算时间随着数据增长不断增加的问题。为了解决这一问题,提出了一种基于VGG16模型的快速闭环检测算法。该算法使用在ImageNet上预训练的VGG16网络模型提取图像卷积特征,并通过一种自适应粒子滤波方法得到闭环候选帧,以固定运算时间。在主流的闭环检测数据集City Centre和New College上对此算法进行测试,实验结果显示,该算法在两个数据集上可以分别达到92%准确率下70%召回率和96%准确率下61%召回率,超过了同类算法,并有效解决了计算时间增长的问题。     

基于PX-LBP和像素分类的装配体零件识别研究

针对机械产品装配维修诱导中零件和装配体的识别、监测问题,对装配体零件识别及装配监测进行了研究,对LBP算子进行了改进,提出了一种基于像素局部二值模式(PX-LBP)和像素分类的装配体零件识别及装配监测方法。首先将LBP算子与像素分类融合,提出了PX-LBP算子;然后对深度图像进行了PX-LBP特征提取,生成了训练集和测试集;最后训练随机森林分类器,并利用训练好的随机森林分类器实现了对测试集深度图像的像素分类,生成了像素预测图像,通过像素预测图像与标记图像对比实现了装配体零件的识别及装配过程的监测。研究结果表明:该方法对于模型深度图像的像素识别率可达到98.81%,对于真实装配体深度图像的像素识别率也可达到77.51%;该方法兼具了一定的实时性与鲁棒性,可用在装配维修诱导、装配监测和自动化装配邻域中。     

基于深度CNN-LSTM神经网络的加工过程实时异常监测模型

为了有效兼顾加工过程实时信号的多维特征和序列特征,以实现精度更高的加工状态异常监测,本文提出了一种基于深度卷积-长短时记忆神经网络(Convolution Neural Network-Long Short Time Memory,CNN-LSTM)的异常监测模型.该模型以数控系统中采集的实时数据为输入,先利用CNN提取其高维特征并生成特征向量,再利用LSTM进行序列特征提取,最后通过逻辑回归得到异常诊断结果.实验表明,该模型的准确率、精确率、召回率等性能指标均超过98.5％,明显优于其他异常监测模型.     

基于全卷积神经网络和结构化森林的结构体裂纹分割方法

针对现有深度学习方法在复杂背景下无法保证裂纹特征映射的有效传递和融合,结构化森林对相似、随机的裂纹特征无法准确判别的问题,提出一种基于全卷积神经网络和结构化森林的结构体裂纹分割方法。首先,以全卷积神经网络框架为基础构建5种消融神经网络用于扩充细微裂纹全局特征;其次,提出一种基于多尺度结构化森林的裂纹分割参数竞争策略用于效改善细微裂纹区分能力;最后利用基于消融神经网络和结构化森林的耦合分割方法进行裂纹图像的联合预测。在2类结构体裂纹数据集上对所提方法进行实验验证表明,所提方法能够在复杂相似背景下提高裂纹检测的精度,可以实现有效的结构体健康监测。     

基于声发射数据融合与特征提取的起重机故障诊断

声发射特征的有效提取是起重机故障诊断和寿命预测的关键,且数据融合是通过融合多个原始特征来提取重要特征的方法。文中利用各种信号处理技术,从起重机重要部件的原始声发射信号中提取声发射特征,并采用随机森林方法从提取的特征中选择相关的特征子集。随后,选用8种降维方法对所选特征进行融合,来提取二维故障特征和健康指标。最后,利用巴氏距离和支持向量机验证故障诊断的准确性,计算出一种新的指标来选择合适的预测健康指标,并利用长短期记忆方法来预测起重机的剩余使用寿命,由实际工程中的起重机声发射数据验证了所提方法的有效性。     

一种基于流形正则化随机配置网络的 化工过程故障识别方法

考虑到化工过程故障数据的复杂非线性特性和样本潜在的根本结构特征,提出了一种基于流形正则化随机配置网络的故障识别方法。该方法在经典随机配置网络的基础上,在嵌入流形约束的监督机制下随机选取隐含参数,逐个添加隐含节点,然后使用流形正则化最小二乘法计算隐含层的输出权值,保留了数据的重要几何特征,避免了信息冗余,有利于更好地识别出区别于不同类别的相关特征。在测试集上的实验表明,该方法对TE故障和半导体故障的识别准确率分别达到了87.72%和84.27%,均高于随机向量函数连接网络和随机配置网络方法。而且对于大部分故障类型,该方法的精确率和召回率较高,验证了所提方法进行故障识别的有效性和所建立模型的良好泛化能力。     

利用随机森林识别二元自相关过程异常

针对二元自相关过程异常模式识别问题,提出基于随机森林的模式分类器。首先采用Monte-Carlo仿真方法搭建二元自相关过程AR模型,并通过该模型随机产生数据集;其次,使用数据集进行基于随机森林分类器的异常模式识别实验;最后,结合BP神经网络的实验结果,对比两者的识别性能。实验结果表明,在相同的训练时长下,随机森林对二元相关过程异常模式的识别有着更高的识别准确率,验证了随机森林的优异性能。     

基于PCA-RF的热轧带钢板凸度预测

为了满足日益增长的带钢板凸度预测精度和速度要求，建立了一种基于降维的主成分分析（Principal Component Analys is,PCA）协同随机森林（Random Fore s t,RF）的板凸度预测模型。首先，应用Pauta准则去除异常值，用五点三次平滑公式进行降噪处理；其次采用主成分分析法对数据进行降维，利用载荷矩阵选取关键控制变量；最后利用关键控制变量建立基于随机森林的板凸度预测模型，并与支持向量机回归（Support Vector Regression,SVR）、最近邻（K Nearest Ne ighbor,KNN）、轻量梯度提升机（light Gradie nt Boos ting Machine,LightGBM）、极端梯度增强（Extre m e Gradie nt Boos ting,XGBoos t）和梯度提升决策树（Gradie nt Boos ting De cis ion Tre e,GBDT）模型进行比较。结果表明，PCA-RF模型将参数由93维降低到15维，极大地减少了建模时间，且PCA-RF对测试集预测的决定系数（Coefficient of...     

基于RFE-BXGBoost的轴承套圈沟道表面缺陷识别方法

轴承套圈是轴承部件的重要组成部分，其表面缺陷影响轴承的服役期限。为了解决轴承沟道表面缺陷难以被准确识别的问题，提出了一种基于特征递归消除的贝叶斯极度梯度提升树(RFE-BXGBoost)的轴承套圈沟道表面缺陷识别模型(方法)。首先，基于特征衍生的思想，对轴承沟道的时域、频域等特征进行了提取，使用了极度梯度提升树(XGBoost)作为基于特征递归消除(RFE)的基学习器，对影响轴承沟道表面缺陷最佳特征子集进行了选择，并过滤了冗余特征；然后，利用基于贝叶斯优化的XGBoost模型组成弱分类器，为了降低模型预测结果的方差，使用有放回随机抽样法，对基分类器进行了选取；最后，根据抽样结果，利用投票法获得了最终的表面缺陷识别结果，并使用轴承套圈沟道实测数据集进行了模型预测性能的测试。实验结果表明：基于RFE-BXGBoost的表面缺陷识别模型的识别准确率为0.90,F1-score为0.879,优于仅使用自适应提升法(Adaboost)、随机森林、梯度提升树的表面缺陷识别结果。研究结果表明：该表面缺陷识别模型对复杂零部件和系统的表面缺陷识别有一定的效果。     

近红外高光谱成像技术快速鉴别国产咖啡豆品种

结合近红外高光谱成像技术和不同的判别分析模型对4种国产咖啡豆品种进行了快速无损判别。通过高光谱成像仪提取874~1 734nm波段内的光谱数据,去除首尾噪声波段后,分别基于925~1 680nm波段的全谱波段和通过连续投影算法(SPA)选择的特征波长,建立了偏最小二乘判别分析(PLS-DA)、随机森林(RF)、K最邻近算法(KNN)、支持向量机(SVM)模型和极限学习机(ELM)5种判别分析模型。基于上述判别模型对咖啡豆品种进行鉴别;然后通过准确率、命中率和否定率3个参数对鉴别结果进行了评价。实验显示,基于全谱和特征波段建立的模型均取得了较好的判别效果,其中ELM模型效果均为最优,每个品种建模集和预测集的准确率、命中率和否定率均在93.5%以上。研究结果表明,基于近红外高光谱成像技术结合模型判别分析方法可以实现对国产咖啡豆品种的识别,特征波长的选择减少了变量数,但判别效果与全谱相当。