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BPNN-XGBoost组合模型的瓦楞纸板线湿部生产速度预测方法

目的 满足瓦楞纸板行业日益个性化的定制需求,减小复杂多变的生产条件对瓦楞纸生产速度的影响,帮助企业合理安排生产,提高生产线管控水平。方法 首先对瓦楞纸板生产速度进行重采样,统一订单参数和各传感器参数采样间隔,采用ButterWorth滤波器进行高通滤波,并采用四分位距统计量方法筛选稳定的湿部生产速度区间,提取B瓦和BC瓦的数据,然后根据提取的数据使用BP神经网络和XGBoost预测湿部生产速度,并采用贝叶斯优化和网格搜索分别寻优2种模型的超参数,最后使用粒子群算法组合2种模型的预测结果。结果 实验结果表明,2个模型都具有一定的预测能力,其中XGBoost的预测效果更好,组合模型的预测效果最好。结论 基于BPNN-XGBoost组合模型的方法能有效预测瓦楞纸板湿部生产速度,可指导实际生产。     

基于集成学习的涡扇发动机剩余寿命预测

针对现有基于神经网络的剩余使用寿命预测方法存在训练时间较长的问题,提出一种基于XGBoost(extreme gradient boosting, XGBoost)算法的预测模型。首先,清洗历史数据,重构出涡扇发动机剩余使用寿命的完整退化轨迹数据;其次,分析各个特征与剩余使用寿命之间的相关性,依据零方差标准筛选可用特征;最后,通过XGBoost算法建立剩余使用寿命预测模型,并采用网格搜索法优化模型参数。结果表明,基于XGBoost算法的模型预测性能优于GBDT(gradient boosting decision tree),其中,拟合优度(r²)提升了约5%;均方根误差(RMSE)降低约6.83%;训练时间缩短近4/5。与CNN-LSTM方法相比,虽然XGBoost方法的预测精度略低,但训练时间较短,综合效率更高。     

基于移动客户数据流失预测模型的比较分析研究

分析常见的预测模型,结合移动客户流失数据的特征,针对移动客户流失问题,建立基于ICSVM算法支持向量机预测模型。测试结果表明,与传统预测模型相比,该模型对于大数据集和不平衡数据问题,能取得更好的客户流失预测效果。     

基于数据驱动的大体积结构裂缝深度反演EI北大核心CSCD

裂缝是混凝土结构的主要病害,查明裂缝的深度能够为结构的耐久性和安全性评价提供可靠的信息,但同时也是混凝土结构检测的难点之一。提出了一种基于数据驱动的学习算法,通过考察波经过带缝结构传播的信号预测裂缝深度,采用扩展有限元法(Extended finite element methods,XFEM)和边界吸收层模型模拟了带缝大体积混凝土结构中的波传播过程,将接收点的观测信号和裂缝信息配对。基于人工神经网络的机器学习模型建立了基于XFEM数据集的裂缝深度预测模型。对于含未知裂缝信息的混凝土结构,通过测得的观测点信号,利用建立的机器学习模型实现裂缝深度的实时预测。通过2个数值算例验证了该算法的性能,结果表明所提出的数据驱动算法能够准确预测裂缝深度。     

基于MC-XGBoost模型的航空发动机振动特性预测EI北大核心CSCD

为探索航空发动机高压转子组件的装配参数对整机振动响应的影响,通过不平衡响应振动方程描述了装配阶段几何偏差和不平衡偏差与振型的机理关系,提出一种基于最大相关性(maximum correlation,MC)系数与极端梯度提升(XGBoost)的改进模型,MC-XGBoost预测模型。通过MC系数筛选影响振动性能的关键参数,即最相关的几何/不平衡装配参数;代入XGBoost模型进行振动特性预测。利用试验数据对预测模型进行验证,结果表明所提出的MC-XGBoost预测模型相比于RF、GBDT算法模型,具有更高的预测精度,能够为航空发动机面向装配质量的振动特性评估提供一种有效的评价方法。     

基于机器学习的风机叶片开裂预测研究

为了预测风机叶片开裂的状态,使用机器学习的方法对风机叶片状态进行分类预测.首先对SCADA采集的原始数据进行预处理,然后采用逻辑回归与XGBoost集成学习算法对预处理后的数据进行建模,并通过性能度量的评价指标比较两种算法的效果与泛化能力.结果表明,XGBoost在风机叶片开裂的分类预测上有更好的效果,其预测准确率达到...     

基于多指标加权分析的航空客户价值预测模型

目的:提高对航空业客户价值问题的预测性能。方法:首先从客户全生命周期维度出发,选择合适的当前价值指标和潜在价值指标,提出指标加权的方法,分别使用k-近邻(KNN)算法、局部离群因子检测方法(LOF算法)、孤立森林(iForest)算法对数据进行清洗;然后采用Density-Based Spatial Clustering of Applications with Noise(DBSCAN)算法对客户进行聚类;最后根据随机森林(RF)算法预测性能作为评价指标,选择出最高准确率对应的数据集和对应的指标权重,构建最终预测客户价值的评估模型。结果:对航空业客户数据进行仿真实验,实验结果显示与传统的预测模型相比,本预测模型具有较高的预测性能。结论:使用数据清洗、指标加权、随机森林搭建的模型具有有效性和很强的实践性。     

基于机器学习的热导率预测模型研究

传统的理论研究、实验研究及计算仿真已无法满足科学家对新材料的探索与设计。数据驱动的机器学习算法对材料的筛选与性能预测有着推动作用。将机器学习算法应用到材料信息学,基于现有材料热导率数据集,建立机器学习热导率预测模型,通过交叉验证来对机器学习回归模型进行评估。利用机器学习算法建立描述符与热导率属性之间的映射模型,可用于大规模的材料筛选,从而指导实验研究。     

MTO背景下基于负荷控制的内生交货期设置方法

针对按订单生产情境,提出了一种基于负荷控制的订单内生交货期估算方法,在客户询单的时刻,考虑到系统内所有设备的既有负荷(包括已确认负荷和未确认订单的折算负荷),结合订单自身工艺数据来推算订单的投放日期及在各台设备上的通过时间,进而得到订单的预计交货期。通过仿真实验证实,所提出算法相对于传统交货期设置方法更能准确、稳定地估算交货期,以帮助订货生产企业在客户询单阶段获得可靠的交货期数据。     

基于XGBoost的车身尺寸装配质量智能预测模型

针对汽车多级制造系统中传统机器学习方法处理多元数据样本时间久、精度低等问题,提出一种基于XGboost的车身尺寸装配质量智能预测模型,解决多级制造系统的车身装配精准预测控制问题。首先,通过对车身多级装配过程的分析,对数据样本进行预处理,建立基于Spearman系数的不同特征要素的绝对相关性矩阵;其次,对生产流程的相关数据实时采集、清洗及挖掘分析,提出数据分析流程与数据处理框架,建立基于XGBoost的车身尺寸装配质量智能预测模型,并通过对模型性能的有效评估实现对车身尺寸装配的精准控制;最后,仿真实例对比分析表明,基于XGboost的质量智能预测模型能精准地解决多级制造系统中的车身装配质量控制问题。     

基于经验模态分解的冷水机组能耗预测模型

针对实际工程中采集的磁悬浮冷水机组的功率时间序列多为非线性、非平稳信号的问题,提出基于经验模态分解的机器学习能耗预测模型,此模型从信号本身尺度特征出发对信号进行分解,具有良好的局部适应性。将基于经验模态分解的机器学习模型预测结果与原始机器学习模型的预测结果进行比较,结果表明,采用经验模态分解的磁悬浮冷水机组能耗预测模型能够提高预测精度。     

基于机器学习的电喷印精度预测方法研究

目的 节省电流体喷射打印精度预测的时间和解决电流体工艺参数的选择问题,达到提高电流体打印的质量和效率的目的。方法 为了对电流体喷射打印精度进行预测,提出有限元模型与机器学习相结合的方法。基于线性回归、支持向量回归和神经网络等机器学习算法建立4种参数与射流直径的关系模型。结果 算法结果表明:支持向量回归和神经网络预测模型的决定系数R²能达到0.9以上,表示模型可信度高;支持向量回归和神经网络预测模型指标都比线性回归预测模型的小。结论 机器学习算法可对电喷印打印精度进行有效预测,预测效率提高了十几倍,节省了精度预测的时间。     

企业要坚定信心积极应对挑战

近期笔者走访了部分大型纸包装企业,并在亚洲包装大会期间接触了部分纸包装企业,听取了企业领导关于国际金融风暴对纸包装行业有何影响的看法及采取何种对策。大部分纸包装企业反映,金融风暴对纸包装行业不存在直接影响,而是客户的间接影响。主要表现为,出口配套产品纸箱需求量有较大幅度的下降,减产幅度较大,约占出口包装纸     

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GRA-RFR的油气集输管道内腐蚀速率预测

针对油气管道腐蚀预测领域传统的机器学习算法存在的诸如参数和模型结构确定困难、泛化误差大等问题,将随机森林回归算法(RFR)引入油气集输管道腐蚀预测领域,构建了灰色关联分析(GRA)融合随机森林回归算法(RFR)的预测模型。运用灰色关联分析进行数据处理以获取最优特征变量,再结合随机森林回归模型对内腐蚀速率进行预测,并基于相同的训练集建立BP神经网络和SVM的预测模型与之对比。结果表明:RFR预测模型的均方根误差和拟合优度分别为3.78%,0.996 5,预测效果优于常规的BP模型和SVM模型,具有较高的预测精度和鲁棒性,可为管道工程的防腐蚀设计提供价值依据。     

坚定信心 冷静面对 共度难关

当经济危机肆虐全球的今天,当这股经济寒流或多或少地入侵纸包装领域的时候,经济危机环境下的中国纸包装业又经历了怎样的影响和冲击?在订单减少、客户流失、资金紧张的情况下,纸包装企业如何化险为夷,顺利度过这个危机期?是否能在重新洗牌的过程中抓住机会呢?     

纸包装行业自动化智能化步伐加快

正近年来,包装行业整体产能过剩、竞争加剧、订单短缺、资金压力过大等因素使得包装企业生存状况恶化,行业整合及淘汰过剩产能非常必要和紧迫。无论是整合与淘汰,提高产能集中度,都必须走增加科技含量、生产设备自动化智能化的道路。当智能化在各个产业上空盘旋寻找降落机会时,纸包装行业已经张开双臂欢迎它们。上海龙利得的"无人工厂"投产,放了一个大礼炮,宣告了纸包装行业迈进智能化的辉煌开篇。     

基于改进遗传算法的铸造造型任务批调度模型

以单件小批量生产模式为主导的铸造生产具有订单种类多样、产品制造周期长、车间自动化程度低等现象,针对铸造企业客户订单多材质、铸件产品多类别以及造型熔炼多约束的特点,建立了一个以造型任务总完工时间最小的铸造造型任务批调度模型,并提出了一种改进的遗传算法对模型进行求解。算法设计了一种基于单件与砂箱类型的双层编码方案,在初始化阶段通过结合批首次匹配(BFF)规则进行分批,以提高初始种群的质量,在迭代阶段设计了一种基于批次交换的局部搜索方法,以避免算法陷入局部次优解。最后通过对某铸造企业的实际生产数据进行案例分析,验证了所提模型的有效性和算法的优越性。     

实验室力值类设备故障预测及算法比较

为提高设备管理的数字化水平,节约实验室管理成本,建立实验室设备故障预测模型,实现设备故障数据的有效利用。选取力值类设备的运行故障数据作为分析对象,基于统计方法对各影响量进行相关性分析,分别采用RidgeCV、XGBoost、LightGBM三种回归模型对该数据集进行拟合,比较、选择适宜预测设备首次故障前时间的算法。以r²、均方误差、可解释方差和平均绝对误差为模型精度衡量指标,经网格搜索-交叉验证优化后的LightGBM算法预测精度、运行速度最优,设备已服役时间和设备原值是确定首次故障前时间最为重要的特征。通过对设备故障数据的有效统筹,结合大数据分析技术,可针对不同类型设备建立符合自身规律的故障预测模型,探索出一条实验室管理的提质增效之路。