基于溶液图像时序特征的元素组分含量动态监测系统

针对稀土萃取过程中组分含量难以实时监测以及现有组分含量检测方法耗时、耗内存的现状,设计了一种基于溶液图像时序特征的元素组分含量动态监测系统。首先使用图像采集装置获取萃取槽体溶液的时序图像,考虑萃取液颜色特性和单一颜色空间的不全面性,采用主成分分析（PCA）方法在HSI和YUV融合的颜色空间提取图像的时序特征,并结合生产指标构造基于鲸鱼优化算法（WOA）的最小二乘支持向量机（LSSVM）分类器来对工况状态进行判断。然后当工况处于非最佳状态时,在HSV颜色空间对图像提取颜色直方图和颜色矩特征,并开发以溶液图像间的混合特征差值的线性加权值为相似度度量的图像检索系统,从而获取组分含量值。最后进行镨/钕萃取槽体混合溶液测试,结果表明该系统能够实现元素组分含量的动态监测。     

灌区闸门智能调度系统性能评价

针对都江堰灌区渠首闸门智能调度系统模型,利用最小方差的计算原理,定义模型性能判定指标。根据当前需水流量及相对应的闸门开度值,计算当前闸门系统模型的性能判定指标值,并对所得结果进行分析。该方法可以及时有效地对当前使用的闸门系统模型进行监控与修正,同时也可以应用到数据分析中,对预测模式的应用进行评估。     

基于最小二乘支持向量机岩土本构模型的有限元分析

有限元分析在岩土工程中有着非常重要的作用,本文基于最小二乘支持向量机理论建立了岩土本构模型,并结合有限元理论分析了ABAQUS在求解非线性问题的基本原理和具体过程。利用ABAQUS中UMAT接口将最小二乘支持向量机岩土本构模型用于一隧道工程开挖实例分析,结果表明其最小二乘支持向量机本构模型用于有限元分析的可行性和优越性。     

基于LSSVM的真空玻璃传热过程建模

真空玻璃传热过程隔热性能和质量评价关键指标-传热系数(U值)受真空度影响,难以精确检测。为实现真空玻璃隔热性能和质量的快速评定,建立了基于LSSVM的真空玻璃传热过程智能模型,应用MATLAB软件和实验数据,对真空玻璃传热过程进行了模拟,在线预测了真空玻璃传热后侧(非热源侧)的中心温度。结果表明:模型理论正确,预测迅速(时间1 s),误差小(相对误差1.2%),为真空玻璃隔热性能和真空玻璃质量的快速评定提供了一种新的技术手段。同时,也为后续研究能将温度参数预测转化为传热系数预测奠定一定的理论和应用基础。     

基于QPSO稀疏化LSSVM的压力传感器温度补偿研究

针对硅压阻式压力传感器的温度补偿问题,提出一种量子粒子群(Quantum Particle Swarm Optimization,QPSO)稀疏化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)策略,目的在于能够保证温度补偿性能的同时获得较为精简的补偿模型。结合10 MPa绝压压力传感器标定实验数据进行仿真试验,研究结果表明,该方法的补偿效果优于QPSO优化的LSSVM、经典稀疏化LSSVM和QPSO优化的稀疏化LSSVM,补偿后测试样本集的最大相对误差,平均误差和误差方差分别为1.104×10^-3、4.819×10^-4和1.197×10^-7。在满足高精度测试要求的前提下,达到提升补偿效率的目的。     

交流伺服系统摩擦力补偿和优化滑模仿真

低速稳定性是伺服系统的一个重要性能指标.低速下,摩擦力的扰动引起伺服控制系统的不稳定.首先建立了伺服系统的动力学模型.模型由线性部分和非线性部分组成,非线性部分主要由摩擦力等扰动组成,使用最小二乘支持向量机对摩擦力等非线性部分、不确定参数进行辨识.其次,建立了基于线性伺服控制系统和摩擦力模型的补偿控制系统,并提出使用改进的优化滑模控制算法,同时对采样时间周期提出了优化选择.仿真结果显示:使用支持向量机建立的摩擦力模型能够较准确地反映系统低速摩擦力情况,对系统的低速补偿效果良好.低速时,误差控制在0.5r/min;通过实验研究,使用了摩擦力补偿和优化滑模控制后伺服系统的低速性能得到了改善和提高,克服了低速爬行现象.     

基于IHSA_LSSVM的供应链绩效评估研究

为有效评估供应链绩效,结合和声搜索算法(IHSA)与最小二乘支持向量机,提出一种评估算法(IHS_LSSVM)。研究和声搜索算法的原理,对基音调整概率和基音调整步长进行动态调整,给出一种改进的和声搜索算法。利用该算法的全局搜索能力优化选取LSSVM的惩罚因子r和高斯核函数的半径σ。采用供应链绩效评估实例,构建供应链评估模型。仿真实验结果表明,与已有的BP神经网络和LSSVM等评估算法相比,IHS_LSSVM具有更小的预测误差和更高的预测精度。     

基于灰色关联分析法及GSA-LSSVM的汽轮机排汽焓预测模型

排汽焓是汽轮发电机组热经济性诊断必不可少的一个参数。通过汽轮机功率方程与灰色关联分析(grey correlation analysis,GCA)理论确定了模型的输入变量,利用万有引力搜索算法(gravitational search algorithm,GSA)优化了最小二乘支持向量机(least squares support vector machine,LSSVM)的惩罚因子μ以及核径向范围σ2个参数。通过比较分析,选用RBF_kernel为LSSVM的核函数。以GCA-GSA-LSSVM为基础,建立了预测汽轮机排汽焓的数学模型,并将其与BP神经网络、RBF神经网络进行对比,同时分析了该数学模型的鲁棒性。结果表明基于GCA-GSA-LSSVM的汽轮机排汽焓预测模型具有精度高、泛化能力强、鲁棒性强等优点,该方法为精确预测机组节能潜力提供了一种有力的工具。     

基于混合建模的磨煤机一次风量预测算法研究

针对直接拟合得到的磨煤机一次风量黑箱软测量模型收敛性差、预测准确度较低的问题,在对风量测量进行机理特性分析的基础上,建立了一种以黑箱建模为主的结构逼近式混合软测量模型。黑箱模型部分采用最小二乘支持向量机(LSSVM)算法,并将机理特性融入到LSSVM模型中,经过输入变量类变换层的整合,将辅助变量中的压力信号转换为差压类、压力与温度的比值作为密度类、与一次风管路阻力相关的测点信号转换为风门风阻类,作为LSSVM模型的输入变量。应用电厂实际运行数据对一次风量进行预测,与直接拟合的预测效果相比,所建立的混合软测量模型收敛性好、预测精度高(引用误差波动0.54%),可为电厂生产中控制合理的风煤配比关系提供准确度更高的一次风量预测值。     

基于彩色图像处理的浮选尾煤灰分软测量研究

浮选尾煤灰分是浮选产品的一个重要指标。针对选煤厂浮选尾煤灰分多采用离线检测而无法实现在线准确测量,以及当前浮选软测量多采用单一的灰度图像从而导致软测量模型精度及适应性较差的问题,提出了一种基于彩色图像处理的浮选尾煤软测量方法,建立了基于最小二乘支持向量机(LSSVM)的浮选尾煤灰分软测量模型。模型以不同颜色空间的彩色特征、灰度均值以及浓度特征为输入变量,以尾煤灰分作为输出变量,采用粒子群优化算法对LSSVM模型参数进行优化。结果表明：所建立的尾煤灰分软测量模型可以较好地实现浮选尾矿灰分的在线预测,引入浮选尾矿图像的彩色特征可以提高尾煤图像分析的精度,预测精度达96.89%。研究成果在柳湾选煤厂现场应用,并取得了较好的尾矿灰分测量效果。