摘要：利用探地雷达(GPR)进行沥青路面原位密度检测时,回归模型和电磁混合理论模型通常被用来建立密度和介电常数的关系,然而现有的模型对精确的参数校准要求较高且精度有限。为了进一步提升沥青路面原位密度预测精度,研究基于机器学习算法的密度预测模型,首先搭建了GPR测试平台,采用2.2 GHz探地雷达天线采集室内沥青混合料试件及现场沥青路面的电磁波反射信号;进而基于平均减法算法和有限冲击响应带通滤波器消除了信号零偏和部分环境噪声,基于反射振幅法对介电常数进行计算;收集了来自文献调研、室内试验、现场检测的124组密度数据,基于极限梯度提升(XGBoost)算法建立了密度预测模型,采用5折交叉验证对数据集进行深度学习,并利用贝叶斯超参数优化(BHPO)获得了最优的模型超参数组合;最后利用现场检测数据对模型进行测试,并对各输入参数进行重要性分析。结果表明:对信号进行消除零偏和环境噪声处理后,密度预测百分比误差显著下降,室内试验误差达到了2.9%,现场检测误差达到了3.0%;不同沥青混合料反射信号的主要差异在于峰值振幅的位置和数值大小,密级配沥青混合料介电常数值要大于开级配沥青混合料;BHPO有效提升了XGBoost算法的精度,在测试集上,XGBoost模型误差显著低于基于电磁混合理论的密度预测模型;分析参数重要性得出,沥青混合料配合比设计和基于GPR的介电常数精确检测是影响密度结果的关键因素。

摘要：针对滚动轴承振动信号特征提取及故障分类困难这一问题,提出了一种基于鲸鱼算法(WOA)的滚动轴承特征信号提取与极限梯度提升的机器学习方法。以模态信号包络熵最小为适应度函数,对变分模态分解(VMD)层数和惩罚因子进行寻优处理。根据所得最佳分解参数对原始信号模态分解,得到各模态分量并根据能量波动法进行特征信号的筛选,最后根据模态分量建立极限梯度提升学习模型。对四类信号进行学习训练和故障分类。结果表明:WOA-VMD与XGBoost结合可以有效降低信号噪声,得到轴承的故障特征,并能够有效的识别出故障类型。

摘要：为解决多源异构数据集成的难题,设计包含数据集成、数据空间、数据演化、数据输出四个组件的短期电力负荷预测数据空间框架。为了建立多源异构数据与短期电力负荷的复杂变化因果关系,提出一种基于Gabor-LSTM-XGboost两阶段预测模型。第一阶段,构建基于Gabor云图特征提取及编码模型,将非结构化云图进行幅值特征级增强并进行编码融合。第二阶段,建立LSTM-XGBoost预测模型,将综合气象数据、历史负荷数据、日类型数据进行拼接后形成的长序列作为预测模型的输入,引入XGBoost增加正则化,进一步提高模型的鲁棒性。算例结果表明,所提出的模型能够较好地挖掘云图气象数据,有效提升短期电力负荷预测精度,特别是突变天气下的负荷预测精度。

摘要：为准确定位开关磁阻电机调速系统(SRD)功率变换器开关管故障相,设计一种基于极限梯度提升(XGBoost)算法的功率变换器故障定位方法。通过对功率变换器故障类型的分析,综合考虑ABC三相电流、ABC三相输出转矩、ABC三相位置信息、电机转速等影响因子,并在Matlab/Simulink环境下搭建开关磁阻电机调速系统,设置功率变换器故障,从而获取故障数据。其仿真结果表明,采用XGBoost算法训练分类器模型,可根据分类结果确定故障相和故障类型。并使用准确率、召回率、f1-score对模型进行评估,评估结果良好,验证了该方法的可行性。

摘要：为解决工控系统计算资源有限,但对入侵检测时间敏感、检测精度要求高的问题,提出一种将模型训练与检测分离的迁移训练方法。将分类算法预测模型的训练任务迁移到工控系统之外的计算设备,工控系统通过高速网络实时获得预测模型的更新并将检测到的具有训练价值的样本上传。为使模型达到良好的检测效果,提出一种随机属性约束策略对天牛须搜索算法进行改进,利用改进后的天牛须算法对XGBoost分类算法进行参数寻优。实验结果表明,该方法检测率高、误报率低、检测速度快,适合工控系统入侵检测。