数据赋能离散式制造的特定工件的质量符合率预测北大核心

物联网和5G技术的发展使得生产制造环节中产生的大量数据被收集变成可能。中国智能制造的创新和发展离不开数据驱动,基于数据驱动的离散式生产制造中特定工件的质量符合率,对制造企业的生产制造过程控制极为重要,是实现智能生产和智能决策的关键环节。通过对国内外关于质量符合率的研究进行文献综述,界定离散式制造、特定工件和质量符合率的概念,基于实际生产特定工件中收集的12 934笔数据建立质量符合率随机森林模型和Bagging模型,分别对包含20个变量的数据集进行学习。根据两个模型预测精度的对比分析,表明随机森林模型对质量符合率的预测更加有效,其预测精度达99.47%。此外,基于数据样本集,对影响特定工件质量水平的变量进行重要性分析,找出关键变量,提取不同质量水平的特定工件的重要特征,为提高特定工件质量符合率提供决策依据和指导。     

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。     

基于机器学习的钛合金弹性模量预测方法研究

目的 探索一种高效可行的预测方法以提高钛合金弹性模量的预测精度,采用第一性原理计算方法与机器学习相结合的方式建立高精度的预测模型。方法 通过数据挖掘获取材料数据库中钛合金的力学性质微观结构参数,结合第一性原理计算方法构建初始数据集,并对其进行预处理,包括噪音消除、归一化及标准化,以得到高质量的数据集。同时,采用随机森林特征重要性分析法对输入参数进行筛选,去除弱相关变量以降低预测模型的复杂度。在此基础上,构建随机森林模型、支持向量机模型、BP神经网络模型及优化后的GA-BP神经网络模型,综合对比各模型的回归能力,分析误差后选出最优的算法模型。结果 最终建立了钛合金弹性模量预测模型,其中随机森林模型、支持向量机模型、BP神经网络模型、GA-BP神经网络模型的预测相关系数R分别为0.836、0.943、0.917、0.986。结论 GA-BP模型对弹性模量的预测误差基本保持在5%～7%。遗传算法可以优化BP神经网络的权值和阈值,使预测精度大幅提升。说明通过该方法可以实现钛合金弹性模量的预测,大大节省研发和实验成本,加快高性能材料的筛选。     

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.     

快速重组制造系统的构建原理及其应用

快速重组制造系统是一种适应21世纪全球化市场竞争的新型制造系统。提出了基于组态式柔性制造单元组成的陈列式布局的快速重组制造系统的创新结构体系,建立了以生产效益为该系统方案设计和运行决策目标的随机模型,应用排队网络模型和静态马尔科夫工件运送方式得出系统重组时缓冲区容量的优化配置和最优工件运送策略的算法,研制了作为构建快速重组制造系统核心的新颖的组态式柔性制造单元的原型,并给出生产工程中应用所创建的阵列式可重组制造系统的成功案例。     

基于多生理参数的飞行员任务负荷评估

目的 建立基于多生理参数的飞行员任务负荷评估模型，对飞行员任务负荷水平进行识别和评估方法 通过生理测量设备在模拟飞行实验中获取飞行员的心电和眼动数据，使用CRITIC法建立任务负荷量化模型，根据量化的客观综合评分建立样本数据集标签，避免了人为打标签的主观性，依据评分结果将任务负荷映射为六个等级(1-6),建立了1537个有效样本数据，构建随机森林模型进行训练测试。结果 模型的训练准确率达到了98.9%,测试准确率为94.3%,准确率均高于其他对比算法。使用该模型对飞行员的任务负荷进行预测，预测结果和主观NASA-TLX量表得分之间的相关系数值为0.836(P<0.01),呈现出较强的显著性。结论 基于随机森林模型的飞行员任务负荷评估模型具有较高的辨识精度，对减少飞行员任务负荷过高而引起飞行事故具有一定的现实意义。     

基于SDN的智能入侵检测系统模型与算法

基于软件定义网络(SDN)的集中式管理、全局控制等优势,提出了一种智能的入侵检测系统架构模型。基于该模型,可以动态使用不同的机器学习算法对入侵的数据流进行检测,从而提升系统的检测性能。本文针对入侵数据流多特征、不平衡性等特点,提出了一种改进的随机森林算法,通过动态更新决策树的权重来提高分类的准确度。使用KDD CUP99数据集对改进的算法进行训练和测试,实验结果表明,改进的随机森林算法在检测精度、代价等指标上都得到了明显的提升,验证了新模型和新算法的有效性。     

基于机器学习的高熵合金生成相预测研究

近年来关于机器学习技术预测高熵合金生成相相关工作相继被报道,但存在采用的高熵合金生成相经验参数少、未考虑制备工艺对高熵合金生成相影响的不足.针对此,本文基于人工神经网络、K近邻、支持向量机以及集成学习4种机器学习算法,收集了19种经验参数,对搜集的982种高熵合金进行模型预测.研究发现,与前人采用的5种经验参数相对比,采用17种经验参数的机器学习模型预测生成相精度从75.75％提升到了79.78％.并且发现采用熔铸法制备的高熵合金数据集训练模型,得到的模型预测精度比多种制备工艺制备的高熵合金数据集进一步提升了4.36％.结果表明,增加合适的经验参数和采用单一的熔铸法制备的高熵合金数据集有助于提升机器学习模型预测的精度.     

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。     

基于知识-数据混合驱动的综合能源系统多元负荷预测方法

当前的综合能源系统(IES)负荷预测方法几乎都是单一的数据驱动方法,忽略了IES中的能量耦合关系。此外,在现有的研究中,数据驱动方法的训练数据主要集中于历史负荷、气象等影响因素,较少考虑可再生能源出力以及不同能源供应给IES负荷预测结果带来的影响。针对上述问题,本文提出一种知识-数据混合驱动的IES多元负荷预测方法。该方法首先通过解析模型对IES中的能量耦合特性知识进行描述,并利用该知识模型对原始样本数据进行重构。然后将重构后的新样本数据作为数据驱动模型的训练样本,并使用基于随机森林算法的特征选择方法和Dropout技术提高模型的泛化能力。最后采用某IES工业园区的实际数据对本文所提方法的有效性进行了验证。仿真结果表明,该方法相较于传统单一数据驱动模型具有更好的预测效果和较高的可靠性。     

基于支持向量回归的叶片挤压出料温度预测研究

目的 针对传统叶片精锻过程中存在的质量波动较大的问题,提出一种预测传统叶片精锻质量的方法。方法 以GH4169转子叶片精锻的挤压工序为研究对象,以叶片精锻挤压过程中的160组模拟结果为数据集(以其中的120组数据为训练集、其余40组数据为测试集),对截面点的出料温度进行预测。首先利用特定的数据预处理手段及特征工程提升模型的预测精度及泛化能力,建立SVR预测模型,然后基于网格搜索算法和粒子群优化算法(GS–PSO)对预测模型中参数C和γ进行调节,得到优化后的模型,最后将测试数据集带入优化后的模型中,将预测值与真实值进行对比。结果 单一的SVR模型预测效果不佳,利用GS–PSO算法优化后,模型自适应度由0.007 8左右降到0.005 2左右,模型收敛快且优化效果显著。30颗粒子迭代50次的最终优化结果为:C=425.432 8,γ=1.883 2,模型优化后的预测值与实际值之间拟合度较好,每组数据的预测误差都远小于10%。结论 经GS–PSO优化的出料温度SVR预测模型在测试集中有较好的预测效果,满足行业数据预测要求的一般标准,对传统叶片精锻过程指标预测具有较好的参考意义。     

基于支持向量机的高速公路事故实时风险预测

以高速公路事故数据、交通流数据和天气数据为基础,以交通流为事故主要影响因素,建模预测高速公路事故实时风险。将事故记录作为病例组,采用病例对照方法来配对匹配实验样本,通过随机森林算法从众多变量中筛选出对事故风险影响最重要的10 个特征变量,以支持向量机建立模型预测事故实时风险。实验表明,通过随机森林筛选重要的特征变量,再使用支持向量机建模预测事故风险具有可行性,且以高斯核、Sigmoid核作为支持向量机的核函数比线性核函数和多项式核函数时分类准确性更高;其中,高斯核下支持向量机模型对事故风险预判的准确率达73.20%,对正常交通流的分类达91.44%。     

基于随机森林的影片票房预测

提出了一种剪枝的随机森林算法,利用互联网收集到的影片上映前一个月的相关数据,建立模型,预测我国影院影片上映首周票房。该票房预测模型将预测问题转换为分类问题,把票房收入离散化为8个类别,能够预测影片在某影院的票房收入范围。以68个影院1年的票房作为数据基础进行评估验证,结果表明该模型优于一般统计模型。使用此模型可辅助制片方、发行方和营销公司进行决策,也可帮助影院经营者优化放映排期,使影院票房收入最大化。     

基于本征正交分解的波浪力随机场降维模拟

基于平稳多变量随机过程理论,推导了基于正交随机变量的本征正交分解(POD)公式,在此基础上,通过定义POD公式中正交随机变量集的随机函数形式,建议了平稳多变量随机过程模拟的POD-随机函数方法。该方法与传统基于随机相位角的POD都是基于正交随机变量POD的特例,然而该方法仅需两个基本随机变量即可实现对平稳多变量随机过程的精细表达。根据线性化的Morison方程,推导了波浪力多变量随机过程的功率谱密度函数矩阵,利用POD-随机函数方法,实现了波浪力多变量随机过程模拟的高效降维。最后,结合P-M波浪谱,给出了水平向波浪力多变量随机过程的功率谱密度矩阵,并对水平向波浪力随机场进行数值模拟分析。算例表明,该方法所需的基本随机变量最少,生成的代表性样本数量少且构成一个完备的概率集,在模拟精度方面亦具有显著优势。     

基于机器学习的住宅能耗预测

针对机器学习模型在住宅能耗预测领域的应用进行研究。首先在能耗数据集中对住宅能耗的影响因素进行分析,NSM(当前时刻距离当天零时的秒数)与家电能耗的相关性最强,相关系数为0.22,其次是照明能耗,相关系数为0.21。其次提出并讨论4种家电能耗的数据驱动预测模型:支持向量机、BP神经网络、随机森林和梯度提升机。其中,基于集成学习方法的2个模型——随机森林和梯度提升机是表现性能最好的模型,梯度提升机能耗预测模型在训练集中有最小的均方根误差RMSE(9.99),随机森林能耗预测模型在测试集中有最小的均方根误差RMSE(77.07),集成学习方法在住宅能耗预测方面具有优势。     

基于物联网边缘的智能装配工艺多模态数据质量保障方法研究

目前,物联网和大数据技术的发展和使用掀起了一场新的工业革命。其中,广泛的网络连接和数据交换使制造技术和制造流程正在变得自动化和智能化。在智能制造的背景下,加强对智能制造过程中装配工艺数据的安全保障,是实现产品安全生产和交付的一个关键因素。本文以智能制造场景中的装配工艺多模态数据为研究基础,提出了一种基于物联网边缘的多模态数据质量保障方法。本方法可对用于智能决策的多模态数据存在的冗余标签进行清洗,以提升智能制造场景中装配过程中的数据质量,进而保障生产安全。     

融合材料领域知识的数据准确性检测方法

材料数据由于小样本、高维度、噪音大等特性, 用于机器学习建模时常常会产生与领域专家认知不一致的结果。面向机器学习全流程, 开发材料领域知识嵌入的机器学习模型是解决这一问题的有效途径。材料数据的准确性直接影响了数据驱动的材料性能预测的可靠性。本研究针对机器学习应用过程中的数据预处理阶段, 提出了融合材料领域知识的数据准确性检测方法。该方法首先结合材料专家认知构建了材料领域知识库。然后, 将其与数据驱动的数据准确性检测方法结合, 从数据和领域知识两个角度对材料数据集进行基于描述符取值规则的单维度数据正确性检测、基于描述符相关性规则的多维度数据相关性检测以及基于多维相似样本识别策略的全维度数据可靠性检测。对于每一阶段识别出的异常数据, 结合材料领域知识进行修正, 并将领域知识融入到数据准确性检测方法的全过程以确保数据集从初始阶段就具有较高准确性。最后该方法在NASICON型固态电解质激活能预测数据集上的实验结果表明: 本研究提出的方法可以有效识别异常数据并进行合理修正。与原始数据集相比, 基于修正数据集的6种机器学习模型的预测精度都有不同程度的提升。其中, 在最优模型上R²提升了33%。     

多变量非高斯风压的高性能智能预测

为了提高最小二乘支持向量机(LSSVM)对多变量非高斯风压预测的精度和泛化能力,采用混合蚁群(ACO)和粒子群(PSO)智能算法优化LSSVM的正则化参数和核参数,从而形成了混合智能优化LSSVM(称为ACO+PSO-LSSVM)多变量非高斯风压预测算法。使用现场实测多变量非高斯风压数据,对ACO+PSO-LSSVM多变量非高斯风压预测算法的性能进行验证,并与基于蚁群(ACO)和粒子群(PSO)智能优化LSSVM(分别称为ACO-LSSVM和PSO-LSSVM)的预测结果进行比较。比较结果表明,对于多变量非高斯风压预测,混合智能优化LSSVM(ACO+PSO-LSSVM)是高性能预测性算法,具有工程应用前景。     

基于机器学习的RAFM钢中子辐照脆化预测模型研究

构建低活化铁素体/马氏体(RAFM)钢的中子辐照脆化预测模型对聚变反应堆的安全运行和优化设计新型RAFM钢具有十分重要的意义。本研究基于收集的RAFM钢中子辐照数据集，采用相关性筛选、递归消除方法识别出影响RAFM钢中子辐照条件下韧脆转变温度(DBTT)的关键特征变量。利用筛选的关键特征变量，构建了具有良好预测能力的RAFM钢中子辐照DBTT预测模型。为进一步实现中子辐照条件下韧脆转变温度变化(ΔDBTT)的预测，首先构建了RAFM钢未辐照DBTT预测模型，然后将辐照前后DBTT预测模型相结合构建了RAFM钢中子辐照ΔDBTT预测模型。通过将模型预测的ΔDBTT与文献收集的数据进行对比发现，该模型具备较好的预测能力。     

基于改进自编码器和随机森林的窃电检测方法

作为智能电网的关键技术之一,高级计量架构凭借实时双向通信、按需应答等优点为电网提供重要的数据来源。面对当前日趋严重的窃电问题,有必要利用高级计量架构的数据发现非法窃电行为。因此,该文提出一种基于改进自编码器和随机森林的窃电嫌疑用户检测方法。通过改进自编码器提取隐含在电力用户用电量信息中的特征,应用批标准化算法优化训练过程,并采用这些特征来构建随机森林模型判断窃电嫌疑用户。运用真实数据集,通过仿真实验并对比现有的BP神经网络、极限学习机等模型验证所提出方法的有效性和准确性。