基于PCA特征优选和AdaBoost集成学习的齿轮箱油品状态识别方法

针对传统齿轮箱油液分析方法存在的精度低和泛化能力有限的问题,提出一种基于PCA特征优选和AdaBoost集成学习的齿轮箱油品状态识别方法。首先,通过箱型图和smote插值对油液多参量数据进行清洗以提高油液数据的质量;其次,采用PCA进行油品特征优选,获取有助于识别的油品特征优选子集,在有效融合油液多参量信息的同时,可显著降低模型运行的时间复杂度;然后,利用BP神经网络建立油品状态识别基本模型,引入GWO灰狼优化算法对模型进行优化,构建具有最优初始权值与阈值的弱分类器GWO-BP,同时采取自适应提升AdaBoost算法组合多个弱分类器GWO-BP,集成为较强鲁棒性的强分类器。最后利用实验进行验证和分析,实验结果表明,所提方法效果最优,平均识别率99.30±0.16%,平均用时32.77±1.27 s,能够快速高效、准确识别出齿轮箱润滑油油品状态,为实现在线齿轮箱的油品状态识别奠定了良好基础,具有重要的工程应用价值。

基于车联网服务的加油站汽油能量密度监控方法

汽油作为燃油车消费占比最高的消耗品,其品质优劣对车辆售后质量、性能表现均有较大影响。由于国内市场较大、监管力度不足等原因,加油站汽油可能存在掺水、甲醇及非燃烧性添加剂等情况,导致汽油能量密度(发动机燃烧时单位容积释放的能量)降低。文章提供一种识别方法,目标是基于车联网服务和大数据分析,对国内各加油站的能量密度进行分析,所获得的数据结果可用于支持整车企业高效处理油品问题所导致的售后投诉,也可通过加油站推荐等服务方式供终端客户使用。