LightGBM算法在发动机开发中的应用研究

新型汽车发动机的开发过程包含有前期功能标定阶段和后期耐久性验证阶段。功能标定阶段需要布置大量各类传感器,而耐久性验证阶段则很少布置,因此在耐久性验证阶段出现故障时,会出现因传感器数据不足而无法准确分析故障原因的情况。基于某型号发动机开发前期的功能标定数据,应用轻量梯度提升机（LightGBM）算法,建立并训练合适的模型,并对模型进行特征过滤、丰富训练集等优化,用于预测温度特征。结果表明：该模型精度和预测结果良好,可以很好地解决由于传感器数据不足而无法准确分析故障原因的问题;同时,可以将该模型预测功能应用到其他发动机开发过程中。     

基于LightGBM模型的公交线路串车状态识别方法

同1条线路上相邻公交车辆由于受到道路等因素的影响，其实际车头时距与发车间隔相比显著缩短，导致相邻车辆在较短的时间内到达同1个公交站点即引发公交线路“串车运行”问题（即相邻公交车辆在实际运行中的车头时距与发车间隔相比显著缩短的现象）。辨识线路的串车状态（串车运行和非串车运行）是进一步提升城市公交车辆运营的稳定性的关键。提出了基于贝叶斯参数优化的LightGBM模型，并将其用以识别公交线路串车状态。从站点、运行、乘客、时间和天气这5个角度初步选取20个影响线路串车状态的关键因素，并采用Spearman相关性检验和方差膨胀因子诊断多重共线性。建立二元Logit模型进行影响因素分析。提取显著的影响因子，构建LightGBM模型用以识别线路串车状态，并分别采用贝叶斯优化与随机搜索优化对模型中用以确定模型属性和训练过程的超参数进行寻优。以西安市公交车辆行车数据为例进行模型的应用验证，对比2种参数寻优方法（贝叶斯优化与随机搜索优化）的效率，并将提出的LightGBM模型与XGBoost、随机森林（RF）、决策树模型（DT）和AdaBoost模型的识别精度进行对比。研究表明:上车乘客数、信号灯数量、近距商业区数量、近距内主路上行驶的距离（即车辆在近距离范围内在主道路上行驶过的距离）和拥堵延时指数对线路串车状态有显著影响。LightGBM模型的参数采用贝叶斯优化比采用随机搜索优化的准确率提高了1.31%。采用贝叶斯算法优化参数的LightGBM模型比采用随机搜索算法优化的准确率提高了1.31%。所提出的经贝叶斯优化的LightGBM模型正确识别公交线路串车状态（包括串车运行和非串车运行）的比率为82.89%，识别性能优于对比模型。      

船舶能效数据清洗方法研究

船舶能效数据清洗对于建立准确的船舶能效模型,提高船舶能效计算和分析的准确度,指导船舶节能航行具有重要意义.对船舶能效数据的故障特征进行了分析,运用阈值理论、船舶航行关联理论对故障数据进行了识别,运用插值法和灰色关联理论方法对水深、对水航速以及主机油耗数据中的异常数据进行修正,并且根据数据错误特征和数据清洗方法制定了船舶能效数据清洗流程,以内河邮轮"凯娅号"船舶上安装的船舶能效数据采集系统采集到的能效数据为研究对象,对数据清洗结果进行了分析.结果表明,水深数据修正值与实测值平均误差为1.58%,油耗数据、对水航速数据修正值与实测值平均误差为2.8%,1.5%,误差较小,能够满足后续建模以及数据挖掘等工作.      

基于改进BP神经网络的柴油机故障诊断研究

根据柴油发动机故障与征兆之间关系来建立一种采用BP算法前馈型神经网络结构,然而采用标准BP算法对神经网络训练进行训练,但存在收敛速度慢等问题。因此,又采用添加动量项和自适应学习速率两种方法对标准BP算法进行改进,并将改进的BP算法运用于神经网络训练,结果表明改进的BP神经网络能够改善收敛速度慢的缺点,而且预测故障效果较好。     

基于人工鱼群算法的大跨度斜拉桥模型修正算法研究

针对大跨度斜拉桥模型修正对优化算法要求较高的特点,提出一种改进的人工鱼群算法并将其应用于清水浦大桥的模型修正。将清水浦大桥健康监测系统所提供的数据作为模型修正的目标量,利用改进的人工鱼群算法,对该桥有限元模型进行修正,以使结构的模型计算响应值与实测值相匹配。     

基于灰色理论的高速公路软基沉降监测数据插补研究

研究了多变量灰色模型——MGM(1,n)模型对软基沉降监测数据进行插补,插补结果基本满足要求。并用常用的灰色模型修正方法对MGM(1,n)模型进行修正,修正结果较未修正前均有了不同程度的改进,数据的拟合和短期预测精度较好,但长期预测结果有待提高。同时采用了相邻监测序列的已知数据对缺失值的预测结果进行进一步修正,这样得到的预测精度有了很大提高,能满足沉降缺失值序列数据插补的要求。     

基于改进GAN的端到端自动驾驶图像生成方法

基于端到端数据系统的自动驾驶系统对驾驶图像存在巨大需求。为解决一般生成式对抗网络模型在扩充驾驶图像数据集时不稳定及生成图像特征缺乏多样性的问题,研究1种改进网络模型LS-InfoGAN。结合最小二乘对抗损失防止模型梯度消失,并缓解生成器优化矛盾,提升模型训练稳定性。通过最大化生成图像与真实图像间的互信息提升生成器特征学习能力,改善生成图像特征多样性。利用转置卷积层还原图像特征,提升生成图像特征清晰度。以自主构建的模拟驾驶场景中获取的带标签驾驶图像集对模型有效性及其数据集扩充应用效果进行验证。实验分析表明:相比改进前模型,LS-InfoGAN模型的图像生成过程稳定性平均提升35%;使用此模型扩充的数据集进行端到端自动驾驶系统中决策网络的训练能在不采集新图像的情况下将系统决策性能提升1%~2%;建议使用此模型扩充图像数据集时将生成图像数量设置为原始训练集图像数量的1~2倍。      

基于神经网络的内燃机失火故障诊断研究

提出了一种利用排气中HC、CO2、O2浓度和内燃机工况参数神经网络的内燃机失火故障诊断方法,并提出了描述内燃机失火程度的模糊评价指标;进行了内燃机有失火故障和无故障排气成分检测对比实验,利用实验数据和内燃机工况参数,通过广义回归神经网络(GRNN)建立了失火程度评价指标与排气中HC、CO2、O2浓度以及内燃机工况参数之间关系的诊断模型,应用MATLAB软件对该模型进行学习训练,将训练好的神经网络模型应用于内燃机失火故障的诊断,结果表明,此模型能够正确诊断内燃机失火故障。     

基于随机森林算法的路面状况指数预测

近些年随着道路三维检测技术的兴起,越来越多的路段开始使用三维道路检测车对道路状况进行检测。以表征路面使用性能优劣的重要指标——路面状况指数为研究目标,利用ARAN9000三维多功能道路检测车采集的实际路面数据,对路面状况指数进行了预测。首先,考虑路面病害、环境、路面结构等影响因素,运用数据挖掘技术对加拿大安大略省某公路路面状况指数的相关数据进行了数据清洗、特征筛选等处理分析工作。然后,构建了路面状况指数的机器学习预测模型,得到多元线性回归模型、神经网络模型与随机森林模型的复相关系数R~2分别为0.562,0.711,0.895。随机森林模型预测的路面状况指数精度较神经网络模型提高了0.184,误差降低了1.599,训练速度提升了33 s。最后,选择精度较高的随机森林模型进行了优化。由于输入变量较多,无法通过简单的统计分析确定应修正或删除的异常数据,因此选择在构建模型并预测后,通过预测值与真实值的拟合效果确定异常值,再使用修正后的数据重新对模型进行循环训练,使之达到当前模型训练最优。结果表明:改进后的随机森林模型预测效率和预测精度更高,R~2达到0.898。提出的路面状况指数预测模型是准确而有效的。     

基于LightGBM-LSTM的公交到站时间预测

公交到站时间预测能够为公共交通智能调度和公众出行提供技术服务,具有重要意义.提出一种基于轻量级梯度提升机(LightGBM)和长短期记忆网络(LSTM)的公交到站时间预测模型,其中LSTM模型用来区分时序数据的高平峰模式,LightGBM模型用来预测公交到站的时长.以广州市某典型公交线路为例,从公交调度系统中提取大量的...     

基于数据驱动的波形护栏监测数据故障诊断方法研究

为了研究波形护栏撞击事件的监测算法,实现能够从过程数据中消除环境噪声,区分正常震动干扰数据和撞击数据,同时能准确定位故障发生的位置,采用了基于数据驱动的故障诊断方法,该方法将监测数据视为"过程数据",将撞击类数据视为一种"数据故障",将环境干扰数据视为"噪声数据",将大型货车经过时产生的正常幅度的震动数据视为"干扰数据"。采用对比试验的方式来挑选适合护栏监测的数据驱动方法,再经过对该方法中各环节的优化和组合,提出了一种基于多尺度费舍尔判别分析的数据故障诊断模型。分析了基于数据驱动方法和基于传统利用经验阈值的方法的不同,以及基于数据驱动在监测波形护栏撞击事件的优点。分析了上述噪声数据的特点,优化了前期研究中的小波阈值除噪算法。分析了上述其他3类数据的特点,选择数据驱动中PCA,PLS,FDA这3类可能适合波形护栏撞击监测的算法,并分析了各类算法的工作原理。对比试验结果表明:基于数据驱动方法的护栏碰撞监测方法比基于阈值的监测方法准确率更高,误报率更低;经过优化后的小波阈值除噪算法能明显降低环境噪声对数据质量的影响;FDA相比较PCA和PLS更适合护栏撞击的数据故障诊断;与优化的小波阈值除噪算法组合后构成的MSFDA模型相比较,FDA模型抗噪能力更强,准确度更高。     

精益六西格玛在副箱气缸改进中的应用

介绍变速器副箱气缸使用时漏气故障,通过对气缸加工、装配、设计,运用六西格玛方法进行调查分析,确定失效原因,制定改进方案,并将改进方案应用在实际生产中,跟踪售后数据,改进效果显著,故根据车型设计匹配、加工控制是降低气缸漏气故障的关键。     

隧道洞口边坡变形的多阶段递进预测研究

为及时掌握隧道洞口边坡的变形规律,保证隧道进洞过程的安全,采用小波变换剔除变形序列中的误差信息,将原始序列分解为趋势项和误差项序列,并采用PSO-LSSVM模型和ARMA模型分别对趋势项和误差项进行预测,将两者叠加即得到边坡的综合变形预测值,再利用马尔科夫链建立预测误差的修正模型,进一步提高预测精度。对预测模型进行实例分析,结果表明： sym9小波函数、启发式阈值标准、硬阈值选取标准及10层小波分解的去噪效果较优,且通过综合预测,得到边坡变形预测结果的相对误差均值为1.03%,方差值为0.042 6,预测精度和稳定性较高,验证了预测模型的有效性。     

基于神经网络及关联性修正的交通异常预测研究

为实现城市交通异常管理的主动式响应,给交通异常处置争取更多的时间,减少交通异常对城市路网的影响,提出了一种基于神经网络及关联性修正的交通异常预测方法.基于历史异常数据构建交通异常数据库,并定义了预测模型中的主要参数;构建了基于改进神经网络算法的交通异常预测模型,在此基础上,创新性地提出了结合不同单元区域背景概率及交通异常相关关系挖掘的预测修正算法,对预测结果进行关联性修正以得到最终更加准确的预测结果,大幅提升了模型的预测精度.应用哈尔滨市30 d实例数据训练了所提出的交通异常预测模型,用15 d数据进行了验证,结果表明经过关联性修正的预测模型成功预测次数明显增加,相较于传统方法,预测成功率提升了31.46%,皮尔逊检验值均大于1.642,预测的结果的可信度大于80% 的置信水平.      

基于动态GM-Markov优化模型的高铁路基冻胀变形预测研究

由于传统灰色模型在预测波动性较大的数据时精度不高，提出一种改进的动态GM-Markov预测模型。利用非等间距加权矩阵与无偏优化对灰色模型进行改进，通过原始序列的动态更新实现模型的参数更新，在此基础上利用马尔科夫模型进行残差修正，得到改进动态GM-Markov预测模型。利用某高铁路基冻胀变形监测数据进行实例分析，将改进的动态GM-Markov模型预测结果与灰色以及非等间距无偏灰色模型、最优组合模型预测结果进行对比分析，结果表明:改进的动态GM-Markov模型对于波动性较大的冻胀变形可以取得较好预测效果，提高了预测精度与稳定性。     

ARM平台下高精度柴油机故障诊断系统设计

针对传统方法难以精确诊断柴油机的故障问题,基于嵌入式ARM平台设计了一个高精度的柴油机故障诊断系统。提出一种改进的人工蜂群算法并以此优化BP神经网络算法训练故障样本,得到一组精确度较高的故障模型参数。在ARM平台上以该模型参数进行运算诊断获得故障类型。结果表明,改进的人工蜂群算法克服了基本人工蜂群算法易陷入局部最优的缺点,提高了故障诊断结果的精确度。     

基于CIDAS数据与集成学习的电动两轮车骑行者伤害致因分析

电动两轮车保有量持续增长导致相关的事故伤害日益严重。为研究电动两轮车-机动车碰撞事故中电动两轮车骑行者受伤程度的影响因素,以中国事故深度调查(CIDAS)数据集中的1 246起电动两轮车-机动车事故案例为基础,对比随机森林、XGBoost和LightGBM这3种集成学习模型性能,基于准确率等指标选用性能最优的LightGBM模型进行电动车骑行者受伤严重程度预测。结合SHAP可解释方法,进一步分析发现自变量与因变量之间存在明显的非线性关系:电动两轮车骑行者抛出距离对死亡的影响存在明显的阈值效应,电动两轮车骑行者被抛出距离小于5 m时,不易发生死亡事故,超过5 m时,抛出距离和死亡风险呈正相关;事故发生地为市区外或公路上以及与载重物车辆相撞能显著增加电动两轮车事故中骑行者的死亡风险;电动两轮车不加装脚蹬、座位高度大于70 cm、车把宽度为61~65 cm、车把设计形式为向后弯曲或牛角状等因素可降低死亡风险;与电动两轮车骑行者相关的降低死亡风险的因素包括女性、年龄在30~50岁及对事故发生地环境更为熟悉。      

基于试验数据的大跨度拱桥有限元模型修正

为了获取菜园坝长江大桥的基准有限元模型，结合Kriging代理模型和一种改进的粒子群优化算法，利用荷载试验数据对其初始有限元模型进行修正。首先，叙述模型修正和Kriging模型基本理论，在基本粒子群算法中引入交叉变异计算，提出一种改进的粒子群算法，并通过测试函数对改进的粒子群算法进行验证；其次，简要介绍菜园坝长江大桥荷载试验、荷载试验结果及初始有限元模型；最后，根据敏感性分析选定6个待修正参数，通过试验设计得到频率和位移关于修正的参数的样本，并建立有限元模型的Kriging代理模型以预测结构响应；以频率和位移的试验值和计算值残差为目标函数，分别利用基本粒子群算法和改进的粒子群算法在修正参数的设计空间内寻找目标函数的最小值，并对比分析模型修正的结果。结果表明：测试函数表明改进的粒子群算法具有较好的稳定性和成功率，并能获得更为精确的优化结果；建立的Kriging代理模型均方根误差较小，可以替代有限元模型预测结构频率和位移；经过模型修正，菜园坝长江大桥前5阶频率计算值与试验值相对误差均控制在5%之内；除个别测点外，位移相对误差均控制在10%以内；相比基本粒子群算法，改进的粒子群算法获得了更小的目标函数值，修正后的频率和位移的相对误差更小。     

适用于BIM正向设计的轻量化场地模型质量评价方法

为突破目前将场地模型便捷地应用到BIM正向设计的瓶颈，本文提出了轻量化场地模型生产及模型质量评价方法。该方法首先分析了场地模型数据架构，利用LOD原理实现场地模型轻量化处理；然后基于现有场地模型质检规范，提出了改进质量评价因子及其权重和阈值区间，利用质量分数检验产品质量；最后通过实际工程进行了验证。     

机器学习中的特征工程方法

随着互联网的快速发展,机器学习技术得到了广泛的应用。面对海量的数据,特征工程就显得至关重要,可以说特征工程决定了机器学习模型的上线。文章介绍了对数值、文本、类别时间等不同类型数据的处理方法,总结了在面对高维数据时的特征选择方法并进行了比较,对机器学习的研究和工程应用具有指导意义。