Machine learning algorithm selection for windage alteration fault diagnosis of mine ventilation system

Machine learning algorithms have been widely used in mine fault diagnosis. The correct selection of the suitable algorithms is the key factor that affects the fault diagnosis. However, the impact of machine learning algorithms on the prediction performance of mine fault diagnosis models has not been fully evaluated. In this study, the windage alteration faults (WAFs) diagnosis models, which are based on K-nearest neighbor algorithm (KNN), multi-layer perceptron (MLP), support vector machine (SVM), and decision tree (DT), are constructed. Furthermore, the applicability of these four algorithms in the WAFs diagnosis is explored by a T-type ventilation network simulation experiment and the field empirical application research of Jinchuan No. 2 mine. The accuracy of the fault location diagnosis for the four models in both networks was 100%. In the simulation experiment, the mean absolute percentage error (MAPE) between the predicted values and the real values of the fault volume of the four models was 0.59%, 97.26%, 123.61%, and 8.78%, respectively. The MAPE for the field empirical application was 3.94%, 52.40%, 25.25%, and 7.15%, respectively. The results of the comprehensive evaluation of the fault location and fault volume diagnosis tests showed that the KNN model is the most suitable algorithm for the WAFs diagnosis, whereas the prediction performance of the DT model was the second-best. This study realizes the intelligent diagnosis of WAFs, and provides technical support for the realization of intelligent ventilation.     

Experimental Study of Oilfield Water Plugging with Organic Chromium Gel

Chemistry and Technology of Fuels and Oils - Application of water flooding technologies in the oilfield causes intensive heterogeneity of the oil reservoir and improper circulation of the injected...     

结合优化支持向量机与K-means++的工控系统入侵检测方法

针对工业控制系统传统单一检测算法模型对不同攻击类型检测率和检测速度不佳的问题，提出一种优化支持向量机和K-means++算法结合的入侵检测模型。首先利用主成分分析法（PCA）对原始数据集进行预处理，消除其相关性；其次在粒子群优化（PSO）算法的基础上加入自适应变异过程避免在训练的过程中陷入局部最优解；然后利用自适应变异粒子群优化（AMPSO）算法优化支持向量机的核函数和惩罚参数；最后利用密度中心法改进K-means算法与优化后的支持向量机组合成入侵检测模型，从而实现工业控制系统的异常检测。实验结果表明，所提方法在检测速度和对各类攻击的检测率上得到明显提升。     

具有光照鲁棒的图像匹配方法

针对现有的基于局部特征的图像匹配算法对光照变化敏感、匹配正确率低等问题，提出一种具有光照鲁棒性的图像匹配算法。首先使用实时对比保留去色（RTCP）算法灰度化图像，然后利用对比拉伸函数模拟不同光照变换对图像的影响从而提取抗光照变换特征点，最后采用局部强度顺序模式建立特征点描述符，根据待匹配图像局部特征点描述符的欧氏距离判断是否为成对匹配点。在公开数据集上，所提算法与尺度不变特征变换（SIFT）算法、加速鲁棒特征（SURF）算法、"风"（KAZE）算法和ORB算法在匹配速度和匹配正确率上进行了对比实验。实验结果表明：随着图像亮度差异的增加，SIFT算法、SURF算法、"风"（KAZE）算法和ORB算法匹配正确率下降迅速，所提算法下降缓慢并且正确率均高于80%；所提算法特征点检测较慢和描述符维数较高，平均耗时为23.47 s，匹配速度不及另外四种算法，但匹配质量却远超过它们。对实时性要求不高的系统中，所提算法可以克服光照变化对图像匹配造成的影响。     

因素空间理论下基点分类算法研究

目前，基于因素空间理论的背景基提取算法计算过程复杂，初始化必须依赖各因素极值，基点数量提取冗余等原因，未能在应用中取得很好效果。为此，结合内点判别法和知识可继承、可扩展的思想，提出一种计算简单、初始化独立、基点数量小的改进的背景基提取算法。然后，利用改进的背景基提取算法构造出一种全新的数据分类算法-基点分类算法，基点分类算法以提取每一类样本的背景基为预测模型，再通过新定义的λ-背景基，优化预测模型。数值实验表明:基点分类算法原理简单、构造难度小、分类模型泛化能力强，预测能力准确率高，同时严格的模型限定区域又能为识别新类别提供新方法。     

催化裂化装置生产异戊烯的模拟计算研究

应用HYSIM模拟软件,对催化裂化(FCC)装置获取碳五馏分的各种方案进行了研究,并对各方案的优缺点进行了评述。仅有一套FCC装置的炼油厂或者同时拥有几套FCC装置但各装置稳定汽油辛烷值接近的炼油厂,推荐采用塔底方案。炼油化工型企业可考虑塔顶方案或侧线方案。     

正交特征群

本文在证明了有限Ａｂｅ１群Ｇ与它的特征群Ｇ√存在同构的一个必要充分条件之后，构造了一类正交特征群，从而概括了相当一大类正交变换（它包括了离散付里叶变换、阿达玛变换、数论变换、Ｃｈｒｅｓｔｅｎｓｏｎ变换）这对构成有限域与整环上的正交变换具有指导作用。     

基于PLC技术的矿井提升机电控系统安全可靠性设计

针对应用日益广泛的矿井提升机PLC技术的电控系统,采取安全可靠的技术措施,既提高了工作效率,又加强了系统的控制功能,进一步提高矿井提升机电控系统的现代化水平,实现经济效益和社会效益的良性循环。     

改进异步电机直接转矩控制系统的仿真研究

本文介绍了直接转矩控制系统的控制原理,并针对基于直接转矩控制的异步电动机运行时存在较大的电流及转矩脉动问题,提出一种新的控制方案,并基于Matlab 6.5对这种新方法进行仿真,仿真结果表明该方案能有效的解决电流及转矩脉动的问题.     

由碳五馏分合成甲基叔戊基醚工艺的研究

以催化裂化C_5馏分与工业甲醇为原料,D005型大孔强酸型阳离子交换树脂为催化剂,采用筒式膨胀床双反应器,考察了甲基叔戊基醚的合成工艺条件。一阶反应器的操作条件为：循环比为2：1,醇烯比为1.2：1,入口温度为70℃,空速为6 h~(-1),平均转化率为53.63%；二阶反应器的操作条件为：入口温度为50℃,空速为1.2h~(-1),平均转化率为71.32%,全调合方案可以使催化裂化汽油的辛烷值平均提高0.55个单位。