基于传感器监测数据的预测泌乳牛乳房炎机器学习算法研究

为了预测集约化牧场奶牛患有临床乳房炎的风险,试验选择黑龙江省黑河市两个集约化奶牛场的288头泌乳牛及其数据为研究对象,分为患病组(确诊患有乳房炎的奶牛189头)和健康组(109头),选择这些奶牛的日平均产奶量、日平均活动量、日平均反刍时间、日白天平均反刍时间、日夜间平均反刍时间、昼夜反刍时间比、日每2 h的反刍时间偏差绝对值、日加权反刍时间变化绝对值的和、日平均电导率变化百分比、日电导率峰值14个指标数据,比较分析上述变量在患病组和健康组组间和组内差异;然后采用3种机器学习算法(决策树、随机森林、eXtreme Gradient boosting)和二元逻辑分类算法预测奶牛乳房炎的发病情况。结果表明:在d-0时,患病组奶牛的日平均产奶量[(34.89±11.81)kg]极显著低于健康组[(41.96±8.69)kg,P<0.01];而在d-7~d-2时,患病组奶牛的日平均产奶量均高于健康组,但差异不显著(P>0.05)。患病组奶牛的日平均反刍时间、日白天平均反刍时间、日夜间平均反刍时间在d-1时均达到最低[(515.37±66.88)min、(206.63±67.05)min、(309.56±64.52)min],分别比健康组奶牛[(560.68±51.30)min、(225.81±34.04)min、(334.38±39.89)min]平均少45.31 min(P<0.05)、19.18 min(P>0.05)、24.82 min(P<0.05)。患病组奶牛的昼夜反刍时间比、日每2 h反刍时间偏差绝对值、日加权反刍时间变化绝对值的和均在d-0时达到最大值,而健康组奶牛的上述3个指标从d-7~d-0均无明显变化。患病组奶牛的日加权反刍时间变化绝对值的和在d-1和d-0时分别比健康组极显著高48.83和94.27(P<0.01)。患病组奶牛的日电导率变化百分比、日电导率峰值从d-3~d-0逐渐增大,d-0时达到最大值,而健康组奶牛上述指标均无明显变化。随机森林模型的Se值最高,二元逻辑分类模型最低;eXtreme Gradient boosting模型Sp值高于随机森林模型,但随机森林模型的Acc、F1和AUC值优于其他3种模型。说明随机森林算法对奶牛乳房炎的预测效果最优,日平均产奶量、昼夜反刍比、日加权反刍时间变化绝对值的和、日电导率变化百分比、日电导率峰值可作为奶牛乳房炎预测因子。

基于B样条的平流层飞艇外形优化设计

为改善飞艇气动性能,提高推进系统的效率,增加飞艇承受有效负载的能力并延长其运行时间,将飞艇艇体气动阻力和艇体表面积两个主要因素引入到平流层飞艇外形优化设计中,建立了复合目标函数,在飞艇体积不变的前提下,采用EXTREM数值优化算法,对平流层飞艇外形基于B样条曲线参数化方法在体积和长度不变的限制条件下,进行了双目标优化设计,优化后,外形的气动阻力减小了7.12%,同时飞艇艇体表面积也减少了1.76%。文章的研究结果实现了减阻和减重的双重目标,证明了该方法是合理可行的,可为平流层飞艇总体设计提供相关参考。

基于优化XGBoost的风电机组发电机前轴承故障预警

为了及时有效地识别发电机的异常运行状态,提出了基于贝叶斯优化极限梯度提升算法的风电机组发电机前轴承故障预警方法:利用有效的数据预处理方法处理数据采集与监视控制系统历史数据;基于贝叶斯优化的XGBoost (eXtreme Gradient Boosting)算法构建风电机组发电机前轴承温度预测模型;基于3σ准则,确定风电机组发电机前轴承故障预警阈值。实验结果表明所提方法能提前监测到风电机组发电机前轴承异常信号。通过与采用随机搜索和网格搜索所建立的模型进行对比分析,验证了贝叶斯优化模型在泛化性能和预测精度上具有优势。