为了满足日益增长的热轧带钢板凸度预测要求,建立了基于贝叶斯优化(Bayesian Optimization,BO)结合轻量梯度提升机(Light Gradient Boosting Machine,Light GBM)的板凸度预测模型BO-Light GBM。首先通过贝塞尔公式去除异常值,并经过五点三次平滑降噪。其次,建立Light GBM模型进行板凸度预测,最后通过贝叶斯优化算法选择最优参数,得到最优的模型,并与梯度提升决策树(Gradient Boosting Decision Tree,GBDT)、极端梯度增强(Extreme Gradient Boosting,XGBoost)和随机森林(Random Forest,RF)模型XGBoost、GBDT、RF算法进行比较。实验表明,基于BO-light GBM的板凸度预测模型优于XGBoost、GBDT、RF模型,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(Root Mean Squared Error,RMSE)分别为0.97、1.49、2.28μm,均优于其他预测模型,且98%以上样本点的预测误差在-4~4μm,满足板凸度...

为了在可接受时长内获得高空螺旋桨气动方案的最优解,提出一种基于贝叶斯优化框架的高空螺旋桨气动外形优化设计方法。该方法以拉丁超立方抽样获取螺旋桨气动外形参数的初始样本点,建立以该参数为输入、数值模拟获取螺旋桨气动性能为输出的初代高斯过程模型;以遗传算法和三种并行加点准则构成的子优化获取新样本点,求取新样本点的气动性能,并更新样本数据和高斯过程模型。该方法可以使新样本点快速向最优解附近集中,从而提高最优解附近的模型近似精度。为验证模拟方法,加工了某高空螺旋桨进行地面试验。与模拟结果相比,试验推力平均误差2.34%、扭矩平均误差3.33%。以课题组自研的6个低雷诺数翼型为基础,使用该方法对某高空太阳能无人机螺旋桨进行优化设计,优化结果显示螺旋桨在设计点推力提高9.24%、效率提高8.13%。研究结果表明,...

为了实现更早地检测出滚动轴承发生故障,提出一种基于核熵成分分析(KECA)和贝叶斯优化(BO)算法优化支持向量数据描述(SVDD)的滚动轴承早期故障检测方法。提取轴承振动信号的时域、频域特征以及小波包分解节点能量特征,组成多维特征矩阵;利用KECA对多维特征矩阵进行降维处理,进而提取有效特征;最后,选取轴承正常状态的特征指标训练模型,利用BO算法确定SVDD的惩罚因子和核宽度,进而得到早期故障检测模型。利用该模型对XJTU-SY数据集中不同工况下的轴承