针对管道腐蚀预测分析因素复杂且具有较大随机性与模糊性的问题,建立了一种基于集成学习与机器学习算法的PSO-MGM管道腐蚀预测模型。在管道腐蚀检查数据的基础上,以MGM(1,1)为预测模型,采用PSO算法选出最优白化因子,实现了管道腐蚀速率预测。仿真结果表明,所提模型预测值与实际值拟合效果良好,可较为理想地反映管道腐蚀发育情况,相较于标准GM(1,1)预测模型和MGM(1,1)预测模型,其平均相对误差更小,满足预测精度需求,并可具体预测某一管道腐蚀发育情况,具有一定的实际应用价值。

针对刀具磨损状态监测中单一决策算法模型评估效果受工况参数影响较大,在不同工况条件下模型通用性不好的问题,提出一种基于粒子群优化(PSO)算法的多决策融合刀具磨损评估模型。首先对加工过程中的主轴电流信号和振动信号进行时域分析、频域分析和小波包分解提取有效特征,并利用主成分分析进行特征降维。之后在4种集成学习算法的基础上,构建PSO多决策融合模型,分别使用LDIWPSO和CFPSO两种PSO算法实现多集成学习算法的决策融合,进行刀具磨损状态评估。试验结果表明PSO多决策融合模型相比于各种单一集成学习算法模型具有更好和更稳定的预测性能,且CFPSO决策融合的效果要优于LDIWPSO决策融合。

差压法气密性检测易受外部因素与预设参数影响。针对问题基于集成学习建立气密性检测系统,包含传感器终端数据采集系统、人机交互界面,并用最小二乘法对传感器进行线性拟合,利用Gentle Adaboost算法寻找每轮迭代中最佳弱分类器并更新下一轮样本权重,通过集成数轮迭代中最佳弱分类器组成强分类器,对被测物的气密性能进行判断。实验结果表明:所提系统在气密性检测中的准确度、精确度与召回率皆优于传统方法与单一分类模型,准确度达到99.8%,能有效克服外部因素对检测结果的影响,提高了差压法气密性检测的准确性与稳定性。

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。

在液压系统智能诊断中,样本不平衡将使得智能诊断模型容易学习到样本充裕的液压系统健康状态的诊断规则,忽略样本匮乏的健康状态诊断规则,致使模型诊断精度下降。针对上述问题,提出基于自定步调集成的液压系统智能诊断方法。该方法首先将多数类样本集根据不同的硬度等级分为k个容器;然后通过欠采样平衡每个容器对分类硬度的贡献,使重采样后每个容器中的样本硬度总和一致;在训练过程中不断更新自步因子,用来降低样本数量过多的容器采样权重