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。     

数据预处理对基于LSSVM的GPS高程拟合的影响

分析了基于最小二乘支持向量机(LSSVM)的GPS高程拟合中样本数据预处理的必要性,列举了归一化、标准化和中心化3种数据预处理方法。通过算例对比分析不同数据预处理方法对基于LSSVM的高程拟合精度的影响,并通过选取不同的核函数来拟合分析,与RBF神经网络、三次曲面拟合模型进行比较,得出实际应用的一些结论。     

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。     

基于蜻蜓算法和最小二乘支持向量机的矿井突水水源判别

对矿井突水水源的准确判别对于矿井安全生产有着重要的意义.本文提出采用基于蜻蜓算法和最小二乘支持向量机相结合的矿井突水水源预测方法,以Na++K+、Ca2+、M g2+、Cl-、SO42-、HCO3-等6种水中离子作为矿井突水水源模型的识别因素,利用收集的水样数据对最小二乘支持向量机进行训练和测试,研究结果表明基于蜻蜓算...     

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。     

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...     

粗糙集和LSSVM在设备故障诊断中的应用

为了提高旋转设备故障诊断的准确率,提出了基于粗糙集和最小二乘支持向量机(LSSVM)的旋转设备故障诊断方法,讨论了如何进行数据选择、离散及约简方法,用粗糙集提取出旋转设备故障诊断的关键征兆属性,降低数据集的维数将约简属性后的数据集送入最小二乘支持向量机进行故障分类训练。仿真结果表明:采用此方法的故障识别率优于PCA-LSSVM法,分类时间也明显优于LSSVM分类方法。     

基于热力镜像建模技术的电厂关键设备状态智慧识别

为了制定合理的电厂关键设备运维策略,解决电厂关键设备状态智慧识别的非线性难题,研究基于热力镜像建模技术的电厂关键设备状态智慧识别方法。采集电厂关键设备的日常运行数据作为样本数据,选取最小二乘支持向量机算法建立输入变量为中间点温度的热力镜像模型,最小二乘支持向量机通过获取模型样本、确定编码形式、采集数据、热力镜像建模以及模型验证建立热力镜像模型,利用热力镜像模型输出电厂关键设备状态智慧识别结果。实验结果表明,该方法可以智慧识别电厂关键设备状态,具有识别速度快、识别精度高的优势,并验证了该热力镜像建模技术可以为电厂关键设备的运维策略提供依据。     

煤矿瓦斯安全状况的决策预测研究

设计利用最小二乘向量机建立瓦斯安全状态的评价模型。最小二乘向量机是科技领域最前沿、最科学的理论成果,并且这种算法能够在MATLAB环境中实现。在深入分析目前的现有煤矿安全监控系统的基础上,利用Visual Basic编程实现数据的读取与存储,并和MATLAB接口,利用多传感器信息融合算法通过MATLAB对实时数据的分析,实现瓦斯预警系统结构框架的设计。     

基于GA和LS-WSVM矿区地表下沉系数预测

 针对传统方法中预计地表下沉系数存在的缺陷。以我国典型的地表移动观测站数据为例,采用启发式算法遗传算法进行参数寻优,提出将小波理论与最小二乘支持向量机结合而成的最小二乘小波支持向量机的方法对地表下沉系数进行预测。实验结果表明,与改进的BP神经网络和PSO-SVM两种方法相比,基于GA和LS-WSVM矿区地表下沉系数预测方法收敛速度更快,精确度更高。