基于最小二乘支持向量机的矿用胶带机滚动轴承故障识别

提出利用最小二乘支持向量机方法进行矿用胶带机滚动轴承故障识别方法,利用小波包的分解方法提取检测信号的故障信息,并将其作为最小二乘支持向量机的输入量,将样本的常见故障类型作为输出量,对样本的输入量和输出量进行不断的训练学习,得到最小二乘支持向量机模型,利用该模型进行胶带机滚动轴承故障识别。研究结果表明:基于最小二乘支持向量机模型的计算结果与测试样本拟合精度较高,可以用于进行矿用胶带机滚动轴承故障识别。     

基于PCA-GA-SVM模型的地表下沉系数预测

为解决地表下沉系数难以精准预测的问题,提出了基于主成分分析(PCA)的遗传算法(GA)优化的支持向量机(SVM)模型。利用主成分分析法对45个矿区的7个地表移动参数影响因子进行降维,提取出新的主成分,同时通过遗传算法获取能够优化支持向量机的最优惩罚参数和最优核函数参数,将主成分输入优化后的支持向量机,对比地表下沉系数的预测值与真实值之间的差距,计算平均相对误差,并与SVM,PCA-SVM,GA-SVM 3种模型的平均相对误差对比。结果表明：PCA-GA-SVM模型的平均相对误差可以达到7.01%,精度更高,更能准确地预测地表下沉系数。     

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。     

基于支持向量机模型的地表下沉系数计算参数寻优

为准确快速地对地表下沉系数进行预测分析,提出基于支持向量机(SVM)的地表下沉系数的SVM预测模型,结合我国典型的地表移动观测站实际案例,分别采用网格参数寻优算法、遗产算法(GA)、粒子群算法(PSO)对SVM模型进行参数寻优,并采用考虑交叉概率的改进GA算法对地表下沉系数进行预测.结果表明,改进的GA算法预测回归系数可达到0.95271,适合地表下沉系数预测分析,预测准确率最高.     

基于GA-SVM的条带开采下沉系数预测

将遗传算法(GA)与支持向量机(SVM)相结合,采用GA算法优化SVM变量因子,通过对条带开采地表下沉系数的主要影响因素进行分析,建立了基于GA-SVM的条带开采地表下沉系数预测模型,解决了条带开采下沉系数预测误差较大的问题。     

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。     

向量机分析在深基坑变形监测预测中的应用

位移监测预报在深基坑工程信息化设计与施工中具有非常重要的意义。文中针对深基坑工程变形监测预报问题,将最小二乘支持向量机(LS-SVM)时间序列分析应用于深基坑工程的变形预测,最后用实例论证了最小二乘支持向量机(LSM)方法用于基坑工程变形预测的可靠性和实用性。     

基于最小二乘支持向量机的动力配煤着火特性预测模型

将最小二乘支持向量机建模方法引入到动力配煤着火特性的分析建模中,针对配煤指标中计算困难的着火温度指标建立了最小二乘支持向量机模型,一方面克服了神经网络算法的过拟合、泛化能力弱等缺点;另一方面提高了求解过程的计算速度。采用微粒群算法(PSO)对模型参数进行优化,模型留一验证得到预测均方误差为8.60,相关系数为0.93,对65个样本进行预测分析,得到较高的预测精度。因此采用最小二乘支持向量机方法可以实现较精确的配煤着火温度预测。     

生物氧化预处理过程中溶氧量的预测

溶氧量是影响生物氧化速率的重要因素之一,精准预测溶氧量对生物氧化冶金工艺有着十分重要的意义,为提高模型预测的精度,提出一种基于鲸鱼算法—最小二乘支持向量机(WOA-LSSVM)的矿浆溶氧量预测建模方法,用鲸鱼算法对最小二乘支持向量机的核函数宽度和惩罚因子进行寻优,建立WOA-LSSVM溶解氧量预测模型,最后输出预测结果...     

露天煤矿边坡稳定性预测的PSO-LSSVM模型

针对边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取七项因素(岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数)作为边坡稳定性的影响因素,建立PSO-LSSVM的边坡稳定性预测模型。利用矿山实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM模型在矿山边坡稳定性预测中有较高的准确度。     

基于遗传算法改进BP网络的地表沉陷预计

本文采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络，即先用遗传学习算法进行全局训练，再用BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，将该方法应用于地表沉陷预计问题中。建立了采动地表沉陷的神经网络预计模型，利用矿区大量的地表沉陷实际观测数据样本对该神经网络进行训练和学习，并用该网络对几组数据进行采动地表沉陷预计。结果表明，该神经网络预计模型具有收敛速度快、预测精度高的优点，为采动地表沉陷预计提供了实用的方法。     

特厚煤层综放开采地表沉陷预计模型算法改进

近浅埋深特厚煤层综放开采因其一次性采出煤层厚度大,其地表移动变形特殊性较明显,该地质采矿条件下按概率积分法进行地表沉陷预计结果与实际情况有一定程度的偏差。对试验区近浅埋深特厚煤层综放开采条件下的地表移动变形特殊性进行了分析,考虑到厚硬岩层对地表沉陷的控制作用,并基于层状弹性梁板岩层沉陷控制理论和随机介质理论,建立适合近浅埋深特厚煤层综放开采沉陷预计模型。实践应用表明:该沉陷预计模型算法与实测结果吻合程度较好,适合于特厚煤层综放开采地表沉陷预计应用;较好地解决了概率积分法边界收敛迅速、盆地两侧不对称等问题,提高了地表沉陷的预计精度。     

矿区地表非连续变形边界提取算法

地下开采易造成地表产生裂缝、塌陷坑等非连续变形。针对开采沉陷地表预计点生成的三角网无法自动提取地表非连续破坏边界的问题,将开采沉陷预计与有限单元法相结合来判断地表断裂三角形,提出了一种基于断裂三角网的矿区地表非连续变形边界提取算法。该算法利用断裂三角网边与点的拓扑属性以及断裂三角网边界仅有一个邻接三角形的特性,以多边形凸点为起始点,按最大右角准则搜索边界点,顺时针提取多边形的内、外边界线,若当前边界点与初始点重合且前一个边界点与非极值点重合,则提取出一个边界,经过多次循环从而可提取出采区上方的地表非连续变形边界。研究表明:所提算法可有效提取出具有公共点的特殊边界与相离边界,实现断裂三角网边界一体化提取,有助于提高矿区地表非连续变形区域开采沉陷监测预计精度。     

山区地表移动预计修正模型及其参数求取方法

为了克服山区开采地表沉陷预计模型中的滑移影响函数以及求参模型的缺点,建立了山区开采地表移动变形预计修正模型,即新的滑移影响函数仍沿用原有参数A,P,t形式,但各参数的取值和物理意义存在差异。依据修正模型,以实测下沉值、水平移动值分别与模型预计值之差平方和最小为原则构建适应度函数,基于遗传算法原理进一步提出了山区地表沉陷预计模型求参新方法。最后将提出的山区沉陷预计修正模型和求参方法用于山西某矿工作面开采地表移动,取得了良好的工程实践效果。     

用三维激光扫描技术监测矿山开采沉陷

经典地表沉陷监测方法具有工作量大、监测点保护困难、监测时间长、监测成本高等缺点,难以适应实时化矿山开采沉陷监测的需要。为此,以某矿山为例,结合三维激光扫描技术,提出了一种矿山开采沉陷高精度监测方法。在分析三维激光扫描技术工作原理的基础上,首先对矿区生产概况、监测方案、地表移动监测站设置方案进行了分析;然后结合MATLAB软件,利用分离非地面点和地面点、去除孤立点、拼接点云数据等方法处理经三维激光扫描得到的沉陷数据,并基于矿区2014年10月、2016年10月两期三维激光扫描数据,利用Kriging算法分别建立了矿区地表下沉盆地数字高程模型(Digital elevation model,DEM),对矿区地表沉陷进行分析;最后选取了矿区若干有代表性的监测点的开采沉陷监测值与对应的水准测量结果进行了对比分析。研究表明:监测结果与实测值的误差达到毫米级,反应出利用三维激光扫描技术不仅可快速获取矿区开采沉陷监测数据,而且可对开采沉陷进行高精度监测,对于进一步研究矿区开采沉陷规律、提高矿区开采沉陷监测效率有一定的参考价值。     

基于GA-GRNN的地表下沉系数预测方法研究

将遗传算法(GA)和广义回归神经网络(GRNN)方法进行融合,采用GA算法搜寻最优的GRNN光滑因子,简要分析了地表下沉系数的影响因素,建立了基于GA-GRNN的地表下沉系数预测模型。以我国典型观测站的数据资料作为学习和测试样本,将预测结果与实测值进行比较。结果表明:采用GA-GRNN模型预测地表下沉系数能够综合考虑诸多的地质采矿因素,预测结果与实测值得最大相对误差仅为5.44%,完全满足现场工程的需要,为今后预测地表下沉系数提出了一种新的方法。     

江西盘古山钨矿区开采沉陷预计的GA-SVA算法

传统矿山开采沉陷监测方法存在耗时较多且精度不高等不足,且难以对矿区开采沉陷发展趋势进行准确预计。以江西盘古山钨矿区为例,将遗传算法(Genetic algorithm,GA)与支持向量机(Support vector machine,SVM)算法相结合,提出了一种基于GA-SVM算法的开采沉陷预计方法。首先利用遗传算法(GA)对支持向量机(SVM)进行选择、变异和交叉,生成精度符合要求的数据集群;然后采用GA-SVM算法对概率积分法开采沉陷预计参数进行了训练,对矿区开采沉陷进行了预计。研究表明:基于GA-SVA算法的开采沉陷预计值与实测值的误差小于5%,基于该算法的预计值构建的矿区数字高程模型(Digital elevation model,DEM)与基于实测数据构建的数字高程模型(DEM)具有高度的一致性,表明利用所提算法预计矿山开采沉陷具有较高的精度。     

融合概率积分模型与D-InSAR的开采沉陷预计

矿区地表植被多,开采沉陷速度快、量值大,所产生的地质灾害较一般性的地表沉陷严重,极易使得2景SAR影像失去相干性,造成解缠错误。针对矿区SAR影像相干性较低、下沉盆地中央相位值易丢失的情况,结合合成孔径雷达干涉差分技术（Differential interferometric synthetic aperture radar,D-InSAR）和基于遗传算法的概率积分模型,提出了一种矿区开采下沉盆地预计方法。以该方法利用矿区下沉盆地边缘一定数量的相干系数较高且下沉较明显的D-InSAR监测值和下沉盆地中央最大下沉点与拐点附近的少量观测值对某矿II3720工作面进行试验,首先利用概率积分模型反演概率积分法预计参数并采用遗传算法进行多次优化,然后利用得到的参数对该工作面下沉盆地进行模拟预计,结果表明：通过该方法得出的下沉盆地参数及下沉值与实测值较接近,有助于弥补由于矿区SAR影像干涉效果不佳而导致的预计精度不高的不足,通过少量的观测数据可较为有效地预计矿区下沉盆地,对于提高矿山开采沉陷监测与预计的精度有一定的参考价值。     

基于改进三角剖分的复杂形状工作面开采沉陷预计方法

为弥补复杂形状工作面变形预计的不足，提高开采沉陷变形预计的准确性，构建了一种基于改进三角剖分的复杂形状工作面开采沉陷预计方法。该方法引入了改进的三角剖分算法，优化了坐标系统转换、拐点偏移改正等方法，基于概率积分法原理建立了复杂形状工作面的开采沉陷预计模型。该模型首先利用改进的三角剖分算法将工作面剖分为多个三角形；然后用变步长Simpson二重积分方法在三角形单元内进行下沉预计，将各单元的预计结果求和，即可得到整个工作面开采对地表下沉的影响情况；最后根据概率积分法原理可分别得到其他移动变形预计值。采用MATLAB软件开发了所构建模型的沉陷预计程序。模拟试验结果表明：该模型预计值插入点全部分布于常规概率积分法预计下沉曲线上，表明该模型能够对形状较为复杂的不规则工作面进行开采沉陷变形预计。淮南顾桥矿1414（1）工作面实例分析表明：该模型预计的下沉曲线与实测下沉曲线的拟合度较好，预计下沉值的绝对误差为0.2~359.2 mm，相对误差为25.02%，中误差为 101.9 mm，能较好地满足工程应用需求。开采沉陷|三角剖分算法|概率积分法|Simpson二重积分|复杂形状工作面     

离层注浆减沉效果分析

提出了离层注浆技术的地表沉陷计算方法，分析了影响注浆减沉效果因素，提出了取得注浆减沉最佳效果的有利因素以及可能取得的最佳效果等，这些结论，对该方法的推广应用有一定的指导作用。