传统风力发电机对于系统故障的解决方案是有限和预先确定的,而具有大量传感器数据的故障预测诊断可以有效预防可能发生的系统故障,从而降低设备维护成本。为此,提出一种基于DBSCAN-ML的风力发电机故障诊断策略。基于密度的应用噪声算法空间聚类(DBSCAN)从正常状态数据中分类出异常状态的风力机数据,然后采用决策树和随机森林算法2种机器学习(ML)算法构建预测模型,最后使用K折交叉验证进行测试。通过广西31台风力发电机组数据对此故障诊断方案进行案例验证。结果表明DBSCAN算法可以有效分离异常状态数据,且决策树预测模型和随机森林模型可以分别获得92.7%和92.1%的准确率,通过数据挖掘和建模可以检测风力发电机组的故障,并可以预测部件的维护需求。

采煤工作面实际生产中,受顶板条件、采动、液压支架姿态影响,液压支架初撑后立柱压力可能发生变化,进而影响支架初撑后承压效果。液压支架在初撑后出现的承压失效可能导致煤壁片帮、架间冒漏、支架前倾、倒架等问题。目前智采工作面液压支架初撑力调控策略大多是直接判断升柱时立柱压力是否达到额定初撑力,缺乏考虑初撑后立柱压力变化引起的承压效果判断。针对上述问题,提出了一种基于立柱压力数据驱动的液压支架初撑后承压效果即时预测方法。将液压支架初撑后3 min内的立柱压力历史数据状况分为6种典型工况,并根据初撑后承压效果的不同将6种典型工况分为有效承压或失效承压;通过相关性分析,确定了影响支架初撑后承压效果的5个特征因素;对立柱压力样本进行有效承压或失效承压人工标注,并进行特征提取,将特征值分别输入决策树...

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 Analysis,PCA)协同随机森林(Random Forest,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 Neighbor,KNN)、轻量梯度提升机(light Gradient Boosting Machine,LightGBM)、极端梯度增强(Extreme Gradient Boosting,XGBoost)和梯度提升决策树(Gradient Boosting Decision Tree,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 Determination,R2)、平均绝对误差(Mean Absolute Error,MAE)和均方根误差...

风洞试验和飞行试验是飞行器研制过程中进行气动性能分析与优化设计的重要手段,然而,在高超声速飞行条件下,真实气体效应、黏性干扰效应和尺度效应的复杂变化给气动数据精准预测带来巨大挑战。为了提升天地气动数据一致性,针对某外形飞行试验数据开展了典型对象的天地气动数据融合方法研究。结合数据挖掘的随机森林方法,本文提出了一种面向飞行试验的数据融合框架,通过引入地面风洞试验气动数据,实现了对复杂输入参数的特征分析与特征排序,进一步对不同飞行时刻下飞行试验的气动数据开展了交叉验证。结果表明随机森林的机器学习框架对风洞-飞行试验数据关联具有较好的预测与外推能力,可以有效提升气动数据预测精度,相关研究为复杂环境下气动数据多源融合提供了思路。

依托广州地铁7号线2期工程洪圣沙-裕丰围区间隧道工程,采用粒子群算法优化随机森林方法(particle swarm optimization-random forest algorithm,PSO-RF)建立双模盾构土压掘进模式下密封舱压力预测模型。通过对盾构掘进参数进行相关性分析,筛选出对密封舱压力影响较大的掘进参数,包括螺机转速、螺机扭矩、刀盘转速、推进速度、贯入度、刀盘扭矩、总推力,将筛选出的掘进参数作为预测模型输入参数,密封舱压力作为模型的输出参数,对密封舱压力进行预测。结果表明采用PSO-RF预测模型能够有效预测双模盾构密封舱压力;相比于传统神经网络预测模型,PSO-RF模型预测精度更高,平均绝对误差均在10%以内,预测值和实际值的拟合优度R2为0.9014,在预测精度及模型的泛化能力上明显优于BP神经网络。

多重分形去趋势波动分析(MF-DFA)能够有效地揭示隐藏在非线性和非平稳振动信号中的多重分形特征,而液压阀磨损产生的泄露故障信号往往具有非线性、非平稳,且不同严重程度故障信号特征难以辨识,MF-DFA扩展了液压阀的特征提取及故障诊断方法。然而MFDFA去趋势多项式阶数选取的不恰当往往会出现欠拟合或过拟合现象从而产生新的波动误差。为此,提出了一种改进MF-DFA方法实现故障特征提取。通过建立低阶多项式信号轮廓去趋势拟合曲线和不同时间尺度固有模态函数(IMF)之间的相关性,选取最优的IMF模态分量的累计和将其作为信号轮廓的趋势项,进而提取分型谱参数特征。最后,通过随机森林分类器进行故障模式识别。实验结果证实了所提出的方法在电液换向阀内泄漏故障诊断中的有效性。

针对单参数不能准确表征发动机性能退化过程,以及传统智能学习模型难以准确拟合发动机退化模型等问题,提出一种融合数据构建发动机健康指数(HI),并结合多模型相似性匹配与集成模型进行发动机剩余寿命预测的方法。利用层次聚类与轮廓系数筛选参数,并融合为发动机健康指数。采用遗传算法优化随机森林拟合发动机性能退化过程,并将多模型相似性匹配用于回归模型预测,优化模型的预测结果。选择某涡扇发动机仿真数据集(C-MPASS)验证所提方法的有效性。结果表明:该方法的RMSE为6.128、MAE为4.901,且融合健康指数和多模型相似匹配极大地提高了发动机剩余寿命预测精度。

采用Stacking集成策略,融合卷积神经网络(CNN)和随机森林(RF)法提出一种故障诊断方法CNN-RF。该方法不仅能准确提取数据集中的数据特征,而且针对数据集中故障数据数量不足的问题能提供平衡数据集误差的有效方法,以提高诊断的准确性。分别采用单独模型和集成后的模型对采集到的嵌入式数控系统实时运行数据进行分析处理。结果表明:利用CNN-RF模型进行嵌入式数控系统故障诊断的准确度较高,验证了该模型的正确性。

针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题,提出了一种基于分类回归树（CART）的随机森林滚动轴承故障诊断算法。随机森林是包含了多种分类器的集成学习方法。通过随机森林的＂集成＂思想来提高滚动轴承故障诊断的精度。从滚动轴承的振动信号中提取时域统计指标,将其作为特征向量,利用随机森林（Random Forest）对滚动轴承故障进行诊断。利用SQI-MFS实验平台的轴承数据,与传统分类器（SVM、k NN和ANN）以及单个分类回归树的诊断结果相比,随机森林算法具有比较高的诊断精度。

在旋转机械的智能故障诊断中,复杂网络结构的非监督学习方法调节参数多,训练时间长,而结构简单的网络诊断准确率不够理想。针对以上问题,采用模糊信息粒化和稀疏自编码器搭建并行结构的学习网络,并行结构的稀疏自编码器同时对粒化后重新构成的多个有效参量信息自适应的进行特征提取,随后使用随机森林方法对提取的特征进行融合分类。实验结果表明该方法可以有效实现高精度故障诊断;且与常用的串行多网络处理结构相比,降低了网络参数调节的复杂度和多层网络的前后影响,并且提高了诊断精度,减少了训练时间。