刀具磨损状态的多步向前智能预测

刀具状态的准确监测对于提高切削加工质量和加工效率至关重要。在当前广泛用于刀具磨损状态监测的间接法中,多以单步或短期预测为主,没有实现多步预测,且累积误差较大。高斯过程是间接法中应用较多的一种机器学习方法,然而传统的高斯过程回归由于模型结构和算法的限制,对刀具磨损预测的精度不高。针对上述不足,提出了改进的自回归递归高斯过程模型对刀具磨损进行多步预测。为了减小预测累积误差,在模型训练中应用了改进的模型更新方式、组合核函数,对样本设置了遗忘因子,在预测中加入了偏差校正方法。研究了各个改进因素对模型的影响并综合所有有利因素,实现了较准确的刀具磨损状态多步预测,在3个测试集上预测误差分别降低了85.68%,20.67%和63.32%。

考虑策略型消费者的高斯过程回归动态定价算法

现有需求不确定下的动态定价算法鲜有考虑消费者策略行为的。将零售商的价格决策过程描述为一个多摇臂(Multi-Armed Bandit,MAB)问题,提出一种非参数贝叶斯算法。将高斯过程回归与汤普森抽样算法相结合,并加入策略型消费者购买决策过程,帮助零售商进行价格决策。仿真结果表明,该算法能有效提高零售商收益,收敛速度更快。此外,策略型消费者的存在可以改善需求学习算法的性能,降低由于需求不确定性导致的零售商收益损失。

改进高斯过程的客车侧风工况下气动造型优化研究

高速客车的行驶安全性受侧风影响较大,为改善高速客车的气动特性和行驶稳定性,提出了一种改进的高斯过程回归模型对客车进行气动造型优化。该模型中,使用一种自动核构造算法,根据数据特征自动构造核函数,采用基于万有引力加速机理的自适应遗传算法对超参数进行优化,克服了传统近似模型精度低的问题。结果表明:改进高斯过程回归模型的预测值均位于95%置信区间,精度较高,实际应用中能够减少仿真和实验的次数,具有较好的工程实用价值。基于协同优化的思想对客车气动造型进行优化,客车的气动升力系数降低了22.56%,侧向力系数降低了18.53%,气动阻力系数降低了4.51%。

基于高斯过程回归的进气压力对船用柴油/甲醇组合燃烧发动机替代率拓宽研究

为使柴油/甲醇组合燃烧(diesel/methanol compound combustion,DMCC)船用发动机满足日益严苛的排放法规,同时获得更高的经济效益,通过调节发动机进气压力,拓宽不同负荷下甲醇替代率,进而实现排放和燃油消耗率的同步下降。利用高斯过程回归模型,结合试验数据和仿真模型,分析了在不同负荷下进气压力对甲醇替代率边界的影响。并绘制了甲醇替代率边界MAP图,进一步分析了拓宽比例。随后建立了发动机有效燃油消耗率和NO_(x)排放的预测模型。将所建模型与非支配排序基因算法-Ⅱ(nondominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)相结合,对有效燃油消耗率(brake specific fuel consumption,BSFC)和NO_(x)排放进行优化,获得最优Pareto前沿解集并选取最佳控制参数组合。最后将最优控制参数组合标定至电子控制单元(electronic control unit,ECU)中进行试验验证。结果表明:调节进气压力可使甲醇最大替代率平均拓宽12.7%。相较纯柴油模式,优化后BSFC平均下降5.6%,NO_(x)排放平均下降16.4%。

利用SE-GPR模型对甲醇/柴油混合燃料柴油机性能的预测

为了对柴油机的经济性和排放参数进行高效、准确的预测,根据4190型船用柴油机实验数据与边界参数,建立AVL-BOOST甲醇/柴油混合燃料柴油机仿真模型;利用模型进行仿真实验,并建立甲醇掺混比、废气再循环(exhaust gas recirculation,EGR)率、喷油提前角和进气压力4个控制参数对有效油耗率和NO x排放预测数据集;利用该数据集对5种不同核函数的高斯过程回归(Gaussian process regression,GPR)模型进行训练;最后将最优的平方指数高斯过程回归(squared exponential-Gaussian process regression,SE-GPR)模型、AVL-BOOST仿真数据和柴油机实验数据进行对比。结果表明:在数据量为180组时,SE-GPR模型对有效油耗率和NO x排放均取得拟合关联度99%以上,均方根误差(root mean square error,RMSE)分别为1.859,0.3445,平均绝对误差(mean absolute error,MAE)分别为0.954,0.2489;并且,相较于AVL-BOOST仿真实验,SE-GPR模型对实验数据具有更好的拟合性。

基于深度学习的电力工程数据异常检测模型设计

针对当前电力工程数据质量较差的问题,文中开展了基于深度学习的电力工程数据异常检测模型设计研究。提出了局部密度因子的改进方案,设计了一种基于深度自编码器(DAE)与高斯过程回归(GPR)的电力异常数据检测算法。该算法利用DAE模型实现了电力工程数据的重构,且将改进的局部密度因子、编码器输出数据及重构误差等作为GPR模型的输入,进而完成对异常数据的精准检测。仿真算例结果表明,与DAE、AE算法相比,所提算法的准确率可达89.2%,且稳定性更强。同时在实际应用中还可发现,通过加强对工程量及费用类型数据的校核管控,能够有效提升电力工程数据的质量,从而为电网的精细化运营提供数据基础。

面向机器人铣削加工的铣刀姿态动力特性研究

针对铣刀对机器人铣削稳定性的影响,采用回归模型与耦合子结构分析(receptance coupling substructure analysis,RCSA)方法,建立了考虑交叉耦合频响函数的不同刀具姿态动力学模型。通过设计激励试验来测量期望的频响矩阵,将实测频响矩阵与多自由度模型拟合,减少了模态参数的数量。采用多任务高斯过程(multi-task Gaussian process,MTGP)回归模型挖掘不同模态参数之间的物理相关性,与普通单任务高斯过程回归模型(single-task Gaussian process,STGP)相比,所提模型减少了MTGP所需回归模型的数量,提高了预测精度和鲁棒性。通过工业机器人的冲击试验验证了所提方法的有效性。

基于高斯过程回归的铣削机器人模态参数预测

工业机器人结构频率响应函数的获取、动力学参数的辨识对机器人铣削加工预测影响显著,且模态参数具有较强的位姿依赖性。有限元法和动力学模型因难以对机器人刚度、阻尼等特性准确建模而导致失准现象的出现。为快速准确地预测铣削机器人加工空间内所有姿态下的模态参数,提出一种基于高斯过程回归的模态参数预测方法。首先探究六自由度串联机器人关节角和欧拉角对机器人铣削系统的模态参数影响,在此基础上,通过平面内245组姿态的模态敲击实验,建立针对机器人位姿变化的模态参数预测模型,揭示模态参数随机器人位姿变化的规律,使得仅需有限次的模态测试实验便可预测范围内任意位姿处的模态参数。结果表明:预测的频率响应函数曲线与实测的频率响应函数曲线结果吻合良好。

基于递进预测法的锂电池剩余使用寿命预测

针对锂离子电池剩余使用寿命(remaining useful life,RUL)预测精度低的问题,提出一种递进预测的方法。首先,使用训练集中放电容量和放电电压训练卷积神经网络(convolutional neural netwok,CNN)-长短期记忆网络(long short-term memory neural network,LSTM)模型,并应用于训练集得到预测循环寿命,完成初步预测。其次,使用双指数模型(double exponential model,DEM)从训练集中辨识与预测循环寿命最接近的电池参数,并作为均值函数输入高斯过程回归(Gaussian process regression,GPR)模型。最后,使用测试集的电池循环数和电池容量训练GPR模型,并用于RUL预测。实验结果表明,本方法在99%的置信水平下,平均绝对百分比误差在6%以内,准确率百分比在90%以上,证明了所提方法的可靠性。

水体透射光谱结合主成分分析(PCA)改进化学需氧量(COD)含量估算研究

为了解决传统的化学需氧量(Chemical Oxygen Demand,COD)测量方法耗时较长,不利于快速、实时地获取水体中COD的信息等问题。通过采集100组COD水体光谱信息,分别使用3种不同的高光谱数据预处理方法对光谱数据进行预处理,并基于不同的预处理方法分别建立高斯过程回归模型(Gaussian Process Regression,GPR)和BP神经网络模型,分析不同预处理方法对模型精度的影响,建立了基于透射光谱测量结合主成分分析(Principal Component Analysis,PCA)改进水体COD含量估算模型。对各模型结合PCA数据降维方法进行模型的改进,通过比较模型的精度选择最优模型进行水体COD含量的检测。结果显示:相比于原始光谱数据建立的GPR模型和BP神经网络模型,数据预处理后的模型精度明显提升;且结合PCA对预处理后的数据进一步降维处理后,模型精度得到了进一步的提升。其中,基于标准正态变量变换特征结合PCA改进BP神经网络模型R 2高达0.9940,均方根误差RMSE为0.022540。证明了基于PCA数据降维方法对预处理后的光谱数据进行降维处理,有利于去除光谱中的冗余信息,提取特征信息,可以实现COD含量估算模型的优化,从而为传统COD测量方法存在的问题提出了一种新的解决思路。

基于改进高斯过程回归模型的柴油机机油黏度变化趋势预测

针对内燃机车用柴油机机油稀释状态难以评估的问题,提出一种基于布谷鸟搜索算法和贝叶斯正则算法的改进高斯过程回归模型的柴油机机油黏度变化趋势预测方法。首先,采用理化检验手段分析机油黏度数据,将其用于模型验证。其次,基于布谷鸟搜索算法和贝叶斯正则算法集成优化高斯过程回归模型并对不同工况下机油黏度变化规律进行拟合,以协方差函数为优化目标提升模型的评估精度。最后,通过HXN3B型内燃机车柴油机机油黏度数据验证所提模型的有效性和实用性。现场测试验证与检修复核表明,所提模型不仅能够预测一定时间内机油黏度变化的趋势,有效评估机油稀释状态,还能在故障早期提出预测性维护建议并动态优化检修排程,提升了内燃机车的安全运用保障能力,进一步验证了该方法的工程应用价值。

基于高斯过程回归的主动配电网负荷控制优化方法

以需求响应为核心进行配电网负荷控制优化时,节能百分比较低。因此,提出基于高斯过程回归的主动配电网负荷控制优化方法。依托于随机森林算法,判断所有输入变量的重要性,明确主动配电网负荷影响变量。运用高斯过程回归原理,应用负荷预测算法,准确得出主动配电网需求侧未来一段时间内的负荷要求。在此基础上,以直接负荷控制为核心,建立负荷控制协调优化模型,再应用遗传算法求解最优负荷控制优化方案。算例分析结果表明:所提优化方法的节能百分比达到6.23%,说明该方法达到了节能的目的。

K_(1)峭度约束的地震频域反褶积方法研究

由于鄂尔多斯盆地近地表地形复杂多变,且地震波存在地层吸收等效应,导致采集到的地震资料品质较差,主频较低,纵向分辨率较差.频域反褶积方法是提高鄂尔多斯盆地地震资料分辨率的一项关键技术.目前,峭度是频域反褶积最常用的非高斯性度量.但是由于实际地层反射系数序列呈现尖峰、长尾分布,传统的峭度定义难以准确度量实际反射系数序列的非高斯性.与传统的峭度不同,K_1峭度能够充分利用概率密度的峰值信息来指示随机变量的非高斯性.因此,本文提出一种基于K_1峭度度量的地震频域反褶积方法,从而能够更加准确地判断反射系数序列的非高斯性.同时引入了定义于频率域上的两参数广义Beta母小波,可以使得本文所提方法能够更好匹配不同地震子波.最后,合成地震数据和鄂尔多斯盆地实际地震数据算例说明:本文所提的方法能够有效的提升低品质地震数据的纵向分辨率,尤其是多个相邻的细小反射系数.井震匹配结果进一步验证了本文所提的方法将原始地震数据的主频从25 Hz提升到35 Hz,有效地识别出多个含气薄储层,从而有利于后续的井位部署优化.

基于在线高斯过程回归的短期风电功率概率预测

预测未来几个小时的风电出力对于电力系统的安全经济运行以及风电参与电力市场至关重要。由于风电功率序列具有强随机性与非平稳性,需要对其不确定性进行刻画建模。同时,考虑到机组设备老化、叶片污染及风电场环境变化等因素会影响风电机组的出力特性,从而使得风电功率预测模型参数存在时变,增大了风电功率预测难度。文中提出了一种基于在线高斯过程的短期风电概率预测方法:首先,利用高斯过程回归模型对风电功率预测问题进行建模;然后,结合结构化内核插值与Woodbury恒等式,降低高斯过程计算复杂度,实现高斯过程的快速求解;最后,采用分块缓存与更新的方法实现高斯过程模型参数与超参数实时在线更新。经2014年全球能源预测大赛发布的风力发电数据验证,结果表明所提算法具有较好的预测性能,同时具有自适应性,可以有效应对模型参数时变问题。

基于等效电路模型和数据驱动模型融合的SOC和SOH联合估计方法

针对电池SOC与SOH估计结果相互影响,单独估计准确度不高的问题,该文提出了一种基于等效电路模型和数据驱动模型融合的SOC和SOH联合估计方法。通过构建考虑老化和SOC的电池二阶RC等效电路模型,采用带遗忘因子的递推最小二乘法,在不同SOC和SOH的情况下,对电池的参数进行在线辨识,实现电池参数在线辨识与电池SOC和SOH估计的耦合。以锂离子电池自SOC=20%到恒流充电阶段结束所需时间为输入,电池SOH值为输出,训练GPR模型,实现电池SOH估计。将输出的SOH估计值与电池的额定容量相乘,得到电池的实际容量,更新二阶RC状态空间方程,采用扩展卡尔曼滤波算法对电池进行SOC估计,实现电池SOH估计和SOC估计之间的联合。采用牛津大学电池退化数据集和NASA随机使用电池数据集进行算法验证,结果表明,所提联合估计方法能够在电池的生命周期内较准确地跟随锂离子电池SOC和SOH的真实值。

基于高斯过程回归的永磁同步电机非线性磁链辨识

在新能源汽车发展领域,以碳化硅为代表的新一代半导体功率器件正在逐步取代硅基IGBT,崭新的技术生态对电机控制性能也有了更高的要求。从传统的PI控制、直接转矩控制到模型预测控制、神经网络控制等新算法,电机参数的精准度逐渐成为电控系统进一步提升性能的关键因素。针对永磁同步电机经典线性模型受交叉饱和等非线性因素影响不能适用于复杂多变工况的问题,提出基于高斯过程回归的非线性磁链辨识方法,使用二阶广义积分器获取动态工况中的磁链数据完成系统辨识,通过仿真与实验验证了该方案的有效性及参数辨识的准确性。

基于深度学习和高斯过程回归的玉米冠下视觉导航路径提取方法

面对田间作业过程中大型机器机动性差及复杂场景下导航路径拟合精度差的问题,提出一种基于深度学习和高斯过程回归的玉米冠层下导航路径提取方法。首先,基于四足机器人采集玉米冠下作物行图像,对Mask R-CNN实例分割方法进行改进,在特征融合网络引入简化路径增强特征金字塔网络(Simple path aggregation network,Simple-PAN),通过增加自底向上的路径增强模块和特征融合操作模块,提高图像上下文特征的融合能力。其次,以模型识别的冠下作物行目标为基础构建两侧区域分界线,计算可通行区域两侧下垂叶片的分布情况,优化基于加权平均的导航路径算法。对高斯过程回归(Gaussian process regression,GPR)算法进行改进,添加DotProduct线性核对曲线拟合进行优化,优化GPR方法的直线拟合效果。最后,在验证集上进行导航路径识别,计算不同方法拟合导航路径的平均偏差。试验结果表明,该算法能够适应玉米田中叶片遮挡根茎的情况,优化的Mask R-CNN模型具备更高的冠下目标分割精度,基于改进GPR算法拟合的导航线平均偏差为0.7像素,处理一帧分辨率为1280像素×720像素的图像平均耗时为227 ms,该算法能提供在玉米冠层下具备一定避障能力的导航路径,满足导航实时性和准确性的要求。结果可为田间智能农业装备的导航算法研究提供技术与理论支撑。

适应波达时刻不确定性及较低采样率的新能源送出线路就地暂态量主保护判据

不对称接地故障占所有线路故障的90%以上,接地距离保护在应对此类故障方面发挥了不可替代的作用。随着新能源高比例渗透,各种传统单端工频量保护性能显著下降已成为共识。基于故障分量线模和零模波速差的保护判据理论上仅需利用到故障初始行波到达时刻信息,是一种原理简单可靠的单端量快速保护判据,已经在直流电网中成功实践。但在尝试将这类保护应用于交流电网时发现,受波头前陡较缓而难以精确定位波到时刻、依赖高采样率等诸多不利因素影响,存在过大的模糊判别区,除了特长线路外,对绝大部分线路几乎没有应用可行性。波到时刻的精准辨识是一个复杂的非线性问题,利用人工智能的方法进行辨识是一条可行的解决思路,对此,该文提出一种新的单端暂态量主保护判据。首先,分析波达时刻与波形关系,并指出这种关系能够采用机器学习来映射;其次,引入高斯过程回归(Gaussian process regression,GPR),在对初始行波数据进行预处理得到样本集后,输入GPR预测模型进行训练;然后,依据模型评估指标得到最优训练模型以输出高可信性的线-零模波达时差,据此实现了基于行波模量传输时间差的保护判据;最后,在利用PSCAD仿真验证所提保护判据有效性和普适性的基础上,进一步利用现场实测数据对判据进行测试,验证其实用性。该文工作为新能源交流系统下单端暂态量保护的性能提升提供新的解决思路。

基于多模型融合策略的温室番茄光合速率预测方法

温室番茄光合速率的准确预测对于番茄的生长和产量评估具有重要意义。然而,由于温室环境的复杂性和多变性,传统的光合速率预测模型往往难以满足精准预测的需求。因此,为了进一步提高预测模型的准确性和稳定性,本研究提出了一种基于多模型融合策略的温室番茄光合速率预测方法。首先,采集温湿度、光照强度、CO_(2)浓度不同组合下的番茄光合速率,构建样本集,并采用五折交叉验证法(Cross-Validation)对数据进行预处理。以预处理的数据为基础,分别基于粒子群优化支持向量机(PSO-SVR)、布谷鸟优化极限学习机(CS-ELM)和北方苍鹰优化高斯过程回归(NGO-GPR)算法建立番茄光合速率预测模型对光合速率进行初步预测,然后采用Stacking算法通过基于决策树的集成学习模型(XGBoost)组合各基础模型的预测结果,进而实现多模型融合。仿真分析结果表明,与单一预测模型相比,基于多模型融合的光合速率预测模型充分发挥了各基础模型的优势,可以进一步提高光合速率预测的准确性和稳定性,该模型验证集MAE为0.569 7μmol/(m^(2)·s),RMSE为0.721 4μmol/(m^(2)·s)。因此,本文提出的方法在温室作物光合速率预测方面具有一定的优势,可为温室番茄等作物光环境优化调控提供一定的理论基础和技术支撑。

基于改进高斯滤波算法的图像去噪方法

随着激光技术在光学测量和精密加工等领域的应用日益广泛,对图像的质量要求也越来越高。然而,在实际应用中,图像常常受到散斑噪声的影响,导致图像质量下降。现有方法由于采取的平滑技术较为简单,对于散斑噪声的抑制能力有限,为此,设计基于改进高斯滤波算法的图像去噪方法。测试结果表明,设计方法展现出了优秀噪声抑制性能,保留了图像的主要特征。