机加工车间自然通风条件下人体热舒适性预测模型研究

为了改善机加工车间内人体热舒适性,提高生产效率和保证产品质量,结合某实例车间,研究自然通风条件下人体热舒适性的计算和预测方法。首先,根据预测平均热感觉指标(PMV)和预测不满意百分比(PPD)指标,分析人体热舒适性影响因素;然后,以室外温度、湿度、入口风速和风向角度为环境变量,利用Comsol软件建立车间多物理场参数化的仿真模型;接着,运用正交试验法选择变量参数组合,计算车间在不同环境变量下的空气速度场、温度场以及人体热舒适性指标PMV;最后通过SPSS软件回归分析得到拟合度较高的预测模型,并通过数值试验对该预测模型进行验证。该模型为机加工车间环境温度的改善和控制提供了依据。     

基于XGBoost的隧道掘进机操作参数智能决策系统设计

为了实现隧道施工的同质化,提出基于极端梯度提升算法（XGBoost）预测模型的隧道掘进机（TBM）操作参数的智能决策方法. 定义场操作系数指数（FOI）作为替代传统场切深指数（FPI）的围岩级别特征参数,使用XGBoost算法建立预测模型以实现对FOI的预测,对围岩级别进行预测、判断. 通过对优秀司机在特定FOI下TBM操作参数的选择,建立专家模型实现FOI与特定TBM操作参数的关联,实现TBM操作参数的智能决策. 使用引松工程的现场数据进行对比实验,结果表明,设计的TBM操作参数的智能决策系统能够实现对优秀的TBM司机操作参数决策的复现,相比于以FPI为特征参数的传统智能决策系统,新系统的推进速度和刀盘转速两部分的平均相对误差分别下降8.84 %和7.97 %.     

基于XGBoost算法的电网二次设备缺陷分类研究

电网二次设备缺陷严重程度的精确判断可为设备的运行和维护提供重要依据.针对电网二次设备缺陷数据特征量多、人为判断难度大、易出错等问题,提出基于XGBoost(eXtreme Gradient Boosting)的二次设备缺陷分类方法,提高二次设备缺陷分类的准确率.首先,对二次设备历史缺陷数据进行去异常值、编码等一系列预处理工作,并筛选出与设备缺陷相关性高的特征建立特征指标集;然后,利用历史缺陷数据对XGBoost模型进行训练和参数寻优;最后,用训练好的分类模型实现二次设备缺陷的准确分类.本文采用某电厂二次设备缺陷数据对所提算法进行算例分析,并与传统分类器(决策树、逻辑回归等)进行比较,结果表明XGBoost可以实现对二次设备缺陷程度的精确判断,进而可以很好地辅助检修人员进行设备的维护与管理.     

基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测

针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度.     

基于XGBoost扩展金融因子的风电功率预测方法

现有风电功率预测模型的主要输入特征包括气象数据和功率数据,高精度气象数据获取困难、数据间潜在关系难以表示、预测模型收敛缓慢,提出基于极端梯度提升回归树算法(XGBoost)扩展金融因子的超短期风电功率预测新方法，以及基于风电时序数据衍生金融因子的预测模型.采用具有较高预测准确率与较快训练速度的XGBoost算法进行预测,使得预测模型快速收敛.在中国内蒙古某风电场的风电功率数据集与德国Tennet公司风电功率数据集上进行实验验证.实验结果表明,以R²score为例，所提方法与基准方法相比提升约14.71%.所提方法中的建模与预测合计时间不超过500 ms.     

基于ABC、XGBoost与迁移学习的入侵检测方法

传统的入侵检测机器学习算法,面对有差异的新旧数据尤其是未知的攻击行为,会出现检测准确率较低、漏检率较高的问题.为此,提出了一种将人工蜂群(ABC)算法、XGBoost模型与迁移学习相结合的ABC-XGBTrl算法.首先通过使用少量有标签的新数据训练初始分类模型,然后将有标签的旧数据中分类正确的部分与少量有标签的新数据合并,用于训练新的迁移分类模型,最终用来检测未使用的新数据.迁移分类模型中的分类算法使用XGBoost,并利用人工蜂群算法优化XG-Boost的参数.采用NSL-KDD数据集进行了测试,结果表明,这种方法比现有的一些经典集成学习算法具有更高的检测准确率.     

利用CVGS-XGBoost 遥感识别水体与山体阴影信息

针对喀斯特地区遥感图像中水体和山体阴影信息易混淆使得传统机器学习算法存在分类精度低、计算速度慢的缺点, 改进XGBoost 算法, 通过交叉验证栅格搜索算法对XGBoost 算法进行参数优化, 构建CVGS-XGBoost 分类算法, 提取遥感图像中的水体和山体阴影信息。实验结果表明, CVGS-XGBoost 算法的总体分类精度达到93. 9%, 比原始的XGBoost 算法、 决策树、 随机森林和支持向量机算法构建的分类算法的总体分类精度分别提高1. 5%、 10. 0%、 6. 3%和3. 1%, 且该算法与分类效果较好的支持向量机相比, 运行时间开销少, 可有效地识别喀斯特地区遥感图像中水体和山体阴影信息。     

室内气流组织和空气品质的数值分析

根据Fanger热舒适方程,分析了影响人体热舒适的因素;根据通风效率、能量利用效率,分析了室内气流分布.将夏季、冬季的机械通风方式分成4种,利用计算流体动力学(CFD)对室内气流进行模拟,模拟室内气流的速度、温度、CO2浓度分布,并应用模拟结果分析不同气流组织形式下的空气品质、人体热舒适及空调能耗情况,指出不同的气流组织形式与空气环境、能耗有着密切的关系;且冷风工况与热风工况的气流分布不同,送冷风的置换通风方式与送热风的上送下回方式能获得良好的室内空气品质和有效的能源利用.     

夏热冬冷地区大学校园夏季热舒适研究

为探索夏热冬冷地区大学校园室外热舒适环境的空间优化策略，本文以上海某大学为研究对象，对大学校园典型空间形态条件下的气象参数进行现场实测，同时结合大学生受试者的热舒适问卷，利用Rayman软件计算出受试者的生理等效温度(Physiological Equivalent Temperature, PET)。为获得全校园范围的温湿度分布，本研究进行了温湿度移动测量并对数据进行时间修正与空间插值，之后对通过以上方式获取的校园范围温湿度与地表形态特征参数进行相关性分析。结果显示，该大学校园夏季大学生“热中性”的PET值为30.60℃，PET指标与空气温度、相对湿度之间分别呈现负相关与正相关，且空气温度与PET指标的相关程度更高；天空角系数与透水表面比率对空气温度具有显著的正相关，街道峡谷高宽比、建筑密度、平均建筑高度与空气温度之间则出现显著的负相关。以上结果说明进行校园建筑和景观规划设计时可通过合理设计地表形态特征的方式缓解空气温度的上升，以达到提升学生热舒适的目的。该研究可为夏热冬冷地区大学校园室外空间规划提供优化参考，有助于改善校园热舒适环境。     

基于PMV模型和FCM算法的车内热舒适评估方法

自动监测和调控车内的热舒适环境是智能车及无人车改善乘车体验方面需要解决的新问题.鉴于目前缺少评估车内热舒适的方法,首先借鉴了用于评价建筑物空间热舒适的PMV模型,并对其用于车内环境的适用性进行分析;然后针对PMV模型在计算过程中存在的越界异常以及分类冗余等问题,进一步采用模糊C-均值聚类算法对车内的热舒适进行评价,将其分为热、舒适和冷三类.结果表明:若直接采用PMV模型计算车内热舒适,其值经常出现超越(-3,3)范围,而采用FCM聚类算法则既能够避免"越界"问题,同时能够根据驾乘人员的舒适体验,将PMV模型划分的7类热舒适降为3类,该结果更有利于车内环境调适系统的自动监测和调控.