基于GWO-CNN的刮板输送机减速器故障诊断

刮板输送机减速器故障诊断对于井下正常有序生产至关重要。首先基于振动分析、温度检测与油液分析建立刮板输送机减速器故障诊断指标体系;然后运用深度学习中的卷积神经网络(CNN)搭建模型框架,结合灰狼优化(GWO)算法优化模型超参数,建立基于GWO-CNN的刮板输送机减速器故障诊断模型;最后建立BP、GWO-BP、支持向量机(SVM)、GWO-SVM、CNN模型进行对比验证,GWO-CNN模型预测结果的准确率最高,能够有效地挖掘数据中的关联特征,并具备强大的泛化能力,能够有效减少刮板输送机事故的发生并保障矿工的安全。     

基于支持向量机的露天矿爆破效果预测方法研究

提出了一种基于支持向量机的露天矿山爆破效果预测方法。通过随机森林算法选择出影响爆破效果的主要因素并根据爆破技术相关标准及经验确定爆破综合效果;基于得到的爆破主要影响因素和爆破综合效果,建立爆破效果预测模型;选取不同的机器学习方法与支持向量机进行比较,通过计算选出最优的爆破预测效果方法。结果表明:基于支持向量机方法对爆破效果预测效果良好,与现场实际爆破效果基本一致。     

基于PCA-GWO-SVM的矿山边坡变形预测

针对矿山边坡预测模型精度低等问题,提出一种由主成分分析(PCA)、灰狼算法(GWO)和支持向量机(SVM)组合的混合模型(PCA-GWO-SVM)。首先,采用PCA对原始数据进行降维去噪;其次,通过GWO算法优化支持向量机参数;最后,通过SVM实现矿山边坡变形的预测。矿山边坡实例表明PCA-GWO-SVM模型具有更高的预测精度。     

基于进化计算方法的支持向量机特征选择

针对支持向量机训练过程中的特征选择问题,提出了基于进化计算方法的支持向量机特征选择方法,该方法采用进化计算方法中2个典型的算法:遗传算法(GA)和微粒群算法(PSO)为支持向量机选择优化的特征子集。通过对UCI标准数据集的实验,比较了遗传算法和微粒群算法的使用效果。仿真实验结果证明了该方法的有效性。     

遗传支持向量机在液压泵轴承故障的预测与应用

为了能够提高液压泵轴承故障预测的效率,深入地研究了支持向量机在液压泵轴承故障诊断中的预测和应用。提出了遗传模拟退火算法优化的最小二乘支持向量机预测模型,并分别对最小二乘支持向量机和遗传模拟退火算法进行了描述,给出了优化预测模型。通过实例研究,结果表明该方法具有较高的预测精度。     

分层鱼群优化支持向量机预测巷道围岩松动圈厚度

为了及时掌握巷道围岩松动圈的厚度,以便采取措施控制围岩的安全性,采用基于最大间隔算法的支持向量机进行预测。考虑支持向量机的性能很大程度依赖于参数的选择,提出改进的人工鱼群算法优化支持向量机的参数,以取得更好的准确度。首先对基本人工鱼群算法增加了种类分层和交叉变异,然后以此优化的参数对考查数据进行支持向量机回归预测。通过人工鱼群行为和参数的改进,扩大了搜索空间,增加了全局优化的稳定性,克服了人工鱼群后期寻优速度慢等问题。对某巷道围岩松动圈厚度监测与预测结果表明:该模型的预测精度较高,缩短了寻找参数的时间,泛化性能提高,收敛加快,可以有效地指导巷道围岩安全性的监测。     

融合机器学习算法的煤矿井下信道建模研究

由于矿井复杂多变的环境特征,传统射线跟踪法的井下无线信道建模误差较大,本文通过对机器学习算法及其搭配使用的特征进行分析评估,从而选择最优的信道建模方法。引入机器学习算法对场景特征进行学习进而实现较为精确的建模,研究了BP神经网络、遗传算法、支持向量机在井下信道建模方向上的应用。构建了射线跟踪法与GA_BP相结合的场强预测模型,同时使用最小二乘支持向量机方法建立预测模型。以地下巷道的实测数据作为算法的训练样本,对场强进行预测,试验本文各类算法的特征以及算法中参数对预测结果的影响。得到场强预测结果与实测数据的误差为-1.206 dbm,本文混合模型提升了井下场强预测精度。     

基于IGWO-SVM的露天矿边坡变形预测

为了克服露天矿边坡变形预测时传统算法精度低的问题,利用改进灰狼算法(IGWO)和支持向量机(SVM)建立了露天矿边坡变形IGWO?SVM模型.引入非线性递减的收敛因子策略和惯性权重策略改进灰狼优化算法,用来确定SVM参数,以达到提高模型精度的目的,并将露天矿边坡变形观测数据输入模型进行验证.结果表明,与SVM和BP模型...     

改进GWO-BP算法的概率积分法预计参数求取

针对BP神经网络模型在求取概率积分法预计参数时的缺陷,提出了一种基于改进灰狼优化算法(GWO)的BP神经网络参数预测模型。主要通过对灰狼算法的收敛因子a进行非线性收敛的改进,再利用粒子群算法(PSO)的速度更新公式更新搜索灰狼搜索位置。用改进的灰狼优化算法对BP神经网络的初始权值和阈值进行优化,然后利用最优的初始权值和阈值对模型进行训练和预测,从而得到概率积分法参数的预测结果。结果显示经过改进的灰狼算法优化BP神经网络的参数预测结果明显优于单一的BP神经网络模型和不改进的灰狼算法优化BP神经网络模型的预测结果,可以在矿区开采沉陷预计方面得到应用。     

基于GWO-SVR的深海采矿海试区海浪高度预测

基于ERA5再分析资料, 取海试区中心区域海洋环境数据构建输入特征, 使用灰狼优化算法(GWO)对支持向量回归(SVR)算法进行参数寻优, 并将GWO-SVR算法和传统SVR算法及基于粒子群算法(PSO)的PSO-SVR浪高预测效果进行比较和分析。为进一步探究周围环境及海浪状态对GWO-SVR预测效果的影响, 构建3种数据模型进行了63组试验。结果表明, GWO-SVR能够对海浪高度进行有效预测, 且预测精度较高; 当使用较大空间范围的海洋环境数据构建特征作为算法输入时, 能够有效提高GWO-SVR算法对海浪高度预测的精度。     

基于电力负荷历史数据挖掘的负荷预测算法研究

针对电力负荷历史数据中异常数据点影响电力负荷预测精度的缺陷,研究基于电力负荷历史数据挖掘的负荷预测算法。选取K means聚类算法挖掘电力负荷历史数据的属性特征量,检测其中所包含的异常数据点,选取灰色系统理论中的GM（1,1）模型修正电力负荷历史数据中的异常数据,利用完成修正的电力负荷历史数据建立训练集以及预测集,将训练集样本输入支持向量机中,利用支持向量机所具有的非线性映射能力映射样本至高维空间内,获取支持向量机最优阈值,将预测集输入具有最优阈值的支持向量机中,获取精准的电力负荷预测结果。所研究算法可实现长期、短期、超短期电力负荷的预测,且预测的精准性及速度较为优越。     

数据驱动下的矿产预测模型构建方法研究

这是一个计算无处不在、软件定义一切、数据驱动发展的新时代。在矿产预测中,相较于以前统计方法,机器学习、深度学习算法的优势在于能更好地表现出矿化点和空间要素之间的非线性的复杂关系。本文将地质、物探、化探、遥感资料融合在一起,用决策树、支持向量机、卷积神经网络三种算法建模,开展综合信息的矿产预测工作。针对甘肃省北山地区的样本数据,发现相对于卷积神经网络的建模方法,决策树和支持向量机的建模方法更为合适。     

基于改进PSO优化LS-SVM参数的煤与瓦斯突出预测研究

为提高最小二乘支持向量机的预测精度,拓展其应用范围,采用改进后的粒子群优化算法对最小二乘支持向量机进行参数寻优,并应用于芦岭煤矿煤与瓦斯突出危险性类型预测。结果表明优化后的模型比神经网络预测的结果精度高,总体效果良好。     

水平井砾石充填完井产能评价研究

砾石充填完井作为现在油气井的主要完井方式,其对油气井产能有着重要的影响。针对砾石充填完井的表皮系数模型建立了水平气井砾石充填完井的产能预测数学模型,并对影响其产能的因素进行了分析。通过实例计算,证实这些数学模型及计算方法是可行的,对于水平井砾石充填完井的产能研究具有一定的指导意义。     

多策略灰狼算法优化SVM的尾矿坝地下水位预测

为实现尾矿坝地下水位预测及预报预警,以尾矿坝地下水位为研究对象,将库水位、最小干滩长度等5个变量作为影响参数,尾矿坝地下水位为输出变量,建立支持向量机(SVM)预测模型.引入多策略改进的灰狼优化算法(MGWO)确定SVM模型参数,并以工程实例进行仿真预测.结果表明,MGWO?SVM模型平均相对误差0.24％,平均绝对误...     

基于ASGSO-SVR模型的瓦斯传感器故障诊断

针对现行煤矿瓦斯传感器常见的卡死、冲击、漂移等故障,运用支持向量回归机建立多传感器数据融合的瓦斯浓度预测模型,详细研究影响该预测模型精度的相关参数选择方法,提出用ASGSO算法自适应优化支持向量机预测模型参数的算法,将模型预测结果与现场实测瓦斯浓度相比较得到残差δ,用于对瓦斯传感器故障的诊断。用现场监控数据对该方法进行离线仿真实验,得到残差信号的变化曲线。通过选择合理的阈值,判断传感器是否处于故障状态。结果表明,ASGSO算法参数优化对提高SVR预测模型的精度有很大帮助,此方法对瓦斯传感器的常见故障的诊断是正确和有效的。     

基于机器学习的煤矿用气动架柱式钻机的寿命预测研究

为了能够提高对气动架柱式钻机寿命预测的准确性,从而提高煤矿生产的安全水平,深入地研究了机器学习在煤矿用气动架柱式钻机寿命预测中的应用。分析了支持向量机的基本原理;提出了遗传算法的基本流程,并且利用遗传算法对支持向量机算法进行改进;以某气动架柱式钻机为例,对其进行了寿命预测,预测结果和实测结果、BP神经网络预测结果进行比较,预测结果表明该方法具有较高的寿命预测精度。     

云计算平台下分布式支持向量机在煤炭行业分类预测应用

支持向量机(SVM)普遍应用在机器学习领域的学习算法,广泛用于分类学习。支持向量机也应用在很多实际应用领域中。该算法也广泛地应用在煤炭系统的分类预测工作中。随着数字时代的发展,煤炭系统的数据规模也呈现大规模增长趋势。针对海量规模数据,传统的支持向量机模型不能有效地完成煤炭系统中数据的分类、回归等工作。文章针对大规模数据处理困难的问题,提出了分布式支持向量机模型。该模型针对现有流行的云计算平台,在该平台下构建基于Hadoop分布式计算框架的分布式模型,该分布式支持向量机模型能够高效、快速地完成真实数据的分类或回归任务,具有很高的效率。文中的实验部分通过大量的实验数据进一步证明了文章提出算法的可行性。     

成矿有利度的支持向量回归预测

应用基于量子粒子群算法（QPSO）寻优的支持向量回归（SVR）方法,对成矿有利度进行建模和预测研究,并与BP神经网络模型的预测结果进行了比较。结果表明：基于量子粒子群算法优化的支持向量机成矿预测模型能较好地拟合成矿有利度与其影响因素之间的高度非线性关系,且比BP神经网络模型具有更高的精度,说明支持向量回归方法用于成矿有利度预测是可行有效的。     

基于Memetic算法寻优SVM的瓦斯浓度预测

瓦斯浓度预测是进行煤矿瓦斯灾害表征的一个重要指标,为了提高瓦斯浓度预测模型的预测精度,提出了一种基于Memetic算法寻优的支持向量机预测模型。利用特征提取和特征选择的方法获取最优输入特征集进行降维简化处理,建立支持向量机回归模型,在学习过程中引入Memetic算法对传统支持向量机预测模型进行参数优化。通过用实际监测数据进行验证,结果表明:经过Memetic算法优化后的支持向量机预测模型提高了瓦斯浓度预测的精度。