典型文献
基于极端梯度提升回归模型的电梯钢丝绳磨损预测方法
文献摘要：
目前对电梯钢丝绳磨损量预测的研究还存在不足,针对这一问题,采用基于极端梯度提升(XGBoost)算法的机器学习方法,对电梯钢丝绳磨损率的预测进行了理论分析、数据采集和实验测试研究.首先,在目标损失函数中增加了额外的正则化项,并使用了贝叶斯超参数优化,提出了优化后的算法BO-XGBoost;然后,用自制的电梯钢丝绳疲劳试验机对曳引轮直径、载荷力、频率和包角这4个因素进行了试验,得到了用于预测钢丝绳磨损率的数据;最后,用BO-XGBoost算法对钢丝绳磨损率进行了预测分析,同时与多元线性回归(MLR)、随机森林(RF)以及支持向量机(SVM)等机器学习算法进行了比较.研究结果表明:BO-XGBoost算法的建模效果和回归效果最好,其泛化能力也最高,能适应不同工况的实验,在预测钢丝绳磨损率方面优于其他几个模型,预测值与试验值达到了99.1％的准确率,证明了该方法的有效性.
文献关键词：
电梯;钢丝绳;磨损预测;极端梯度提升;回归模型
中图分类号：
作者姓名：
陈向俊;傅军平;陈栋栋;李科;李黎苹;吕林锋
作者机构：
浙江省特种设备科学研究院,浙江杭州310020;浙江省特种设备检验技术研究重点实验室,浙江杭州310053
文献出处：
引用格式：
[1]陈向俊;傅军平;陈栋栋;李科;李黎苹;吕林锋-.基于极端梯度提升回归模型的电梯钢丝绳磨损预测方法)[J].机电工程,2022(04):554-560
A类：
B类：
极端梯度提升,升回,电梯,钢丝绳,磨损预测,磨损量预测,XGBoost,机器学习方法,磨损率,实验测试,测试研究,损失函数,正则化,贝叶斯超参数优化,BO,疲劳试验机,曳引轮,包角,预测分析,MLR,RF,机器学习算法,回归效果,泛化能力,不同工况
AB值：
0.271367
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
