基于时序InSAR的改进型PIM矿山采空区沉降模型构建与应用

利用InSAR监测矿山采空区地表沉降的过程中易在沉降中心周围产生失相干现象,导致形变结果缺失,无法获取准确的沉降区模型。基于此,提出了一种结合时序InSAR与PIM(Probability Integral Method)的监测方法,以云南省玉溪市大红山铁矿地下采区某工作面为研究对象,首先计算出时序InSAR累积沉降量,并提取其沉降区边缘的高相干点,结合少量沉降中心水准点,利用改进型PSO(Particle Swarm Optimization)算法获取PIM参数,并通过克里金插值法建立采空区地表整体沉降区模型,利用少量水准点数据对该方法的可靠性和精度进行验证,结果表明,该方法获得的沉降区分布与实际相吻合,其沉降区监测精度比单独使用时序InSAR或PIM的更高,可用于矿区地表沉降信息的准确获取。     

基于SBAS-InSAR升降轨融合的尾矿库地表形变监测

由于不同轨道的SAR数据成像几何不同,难以评定仅用单组SAR数据解得结果的准确性,为提高尾矿库地表形变监测结果的精度,以四川省攀枝花市米易县牛望田尾矿库为研究对象,基于2个轨道(65景升轨、56景降轨)的Sentinel-1A卫星影像,利用差分干涉测量短基线集时序分析技术(SBAS-InSAR)分别对升轨、降轨数据进行处理,然后融合升轨和降轨的数据处理结果,获得升轨、降轨和升降轨融合共3组形变数据,利用GNSS卫星监测结果对3组数据进行验证,结果表明：升降轨融合结果比单轨监测结果精度更高;2019年11月至2021年12月,尾矿库坝体发生了微小形变,坝体累计形变量为-22.77～10.48 mm,形成了一个面积约为111 361 m²的沉降区域和一个面积约为38 906 m²的抬升区域。后续研究可以通过引入外部数据或采用三轨InSAR数据,分别对尾矿库垂直、东西、南北3个维度的形变进行三维解算,以使监测结果更加准确。     

基于MT-InSAR和灰色预测模型的金属矿区地表变形研究

对于矿区地表变形测量,传统方法存在成本高、很难反映地表大面积变形信息和时空演化特征等缺点。基于此,以大红山铁矿为例,采用Sentinel-1A卫星数据,利用SBAS-InSAR对数据进行处理,建立了灰色预测模型,并对模型精度进行了验证,结果表明：由地面观测点获取的实测三向位移经归一化后得到的位移与InSAR取得的LOS向位移相对误差在15%以内,表明时间序列InSAR在观测精度上是可靠的;矿区内存在4个发育成熟的沉降集中带和2个局部沉降区域;InSAR监测值和水准测量值有较好的一致性,监测相对误差和预测相对误差均在12%以内。     

基于VMD-OV的去噪算法研究

针对VMD算法存在分解后有效模态选取困难的问题,提出了一种VMD和正交值结合的信号去噪方法(VMD-OV).该方法首先利用VMD算法将信号分解成K个固有模态函数,然后分别计算每两个相邻模态的正交值,通过评估各相邻模态间的正交值最大值的变化情况来选取有效模态进行信号重构.实验结果表明:该方法可以有效地选取有效模态,对天然...     

基于CNN-LSTM的工业出水水质预测模型

工业废水含有多种污染物,提前预测工业废水水质从而快速对其进行相应处理具有重要意义。为此,研究提出了一种新的卷积神经网络(convolutional neural network, CNN)和长短期记忆网络(long short-term memory, LSTM)融合的工业废水水质污染物指标预测模型(CNN-LSTM)。为了更好地捕捉工业废水数据的时序性和动态性,模型设置了多个滑动窗口。使用CNN算法将时间序列数据进行高维特征提取,利用LSTM模型学习时间序列数据的时序特征,建立CNN-LSTM工业废水预测模型,并对废水水质中的化学需氧量(COD_Cr)、氨氮、总磷(TP)3项指标进行预测分析。结果表明,与CNN和LSTM两个基准模型相比,CNN-LSTM预测模型的平均绝对值误差率(MAE)和均方误差率(MSE)均较小,预测效果较优。该模型能较好地实现对工业废水出水水质的准确预测,可为工业废水水质的在线监测和精准控制提供有效的、可行的技术支持和决策依据。     

基于群智能算法优化LSTM的催化裂化预测研究

针对长短期记忆神经网络(LSTM)预测模型中许多网络参数过分依赖于经验设置,人工参数设置导致模型的精度低、泛化能力弱等问题,采用搜索范围广、收敛速度快的粒子群算法(PSO)和布谷鸟算法(CS)对LSTM的一些超参数进行优化,构建PSO-LSTM模型和CS-LSTM模型,寻找到LSTM的最优参数集,从而更好地提高了模型预测精度。将优化后的模型应用于催化裂化吸收稳定系统主要控制变量解吸塔再沸器返塔温度预测中,验证了模型的有效性。     

采用神经网络建模对海下有机材料加固的油井产量预测研究

海下油井油产量预测在开发调整和优化中继续发挥着越来越重要的作用;但海下油井的加固会进一步影响油产量预测。研究建立注气效应的长短期记忆（LSTM）神经网络模型,预测已有机材料环氧树脂乳液加固渤海碳酸盐岩储层的生产性能;将该模型的计算结果与传统储层数值模拟（RNS）在相同条件下进行了对比。结果表明,LSTM所需的CPU负载仅为4%,LSTM方法的总CPU时间和综合计算功耗分别仅占RNS的10.43%和36.46%。LSTM方法在计算方面具有显著优势,为人工智能在油气开发中的应用提供了新的方向。     

基于SSA-SVD降噪和卷积神经网络的行星齿轮箱故障诊断研究

行星齿轮箱作为重要的机械传动部件,其健康运行关系着整个工程机组的安全运作。卷积神经网络常用于解决行星齿轮箱故障分类问题,但由于实际监测中有各种噪声源的存在,振动信号成分复杂,信噪比下降,仅仅使用卷积神经网络进行故障诊断效果不佳。因此提出一种麻雀搜索算法优化的奇异值分解降噪方案,采用该方案对监测的振动信号进行降噪处理,突出低频的故障特征,结合卷积神经网络实现对含噪声振动信号的故障诊断。实验结果表明,两种方法结合可使卷积神经网络模型收敛速度更快,并将诊断准确率提升至97.43%。     

基于GSA-LSTM动态结构特征提取的间歇过程监测方法

间歇过程监测对于保证批次生产过程的稳定运行具有重要意义。传统过程监测方法难以提取间歇过程数据特有的非线性结构和动态时变特征。为此,提出了一种融合图采样聚合网络和长短期记忆网络(GSA-LSTM)的典型相关分析方法用于间歇过程在线监测。首先,利用K近邻方法将批次过程数据转化为图结构形式,利用图采样聚合网络(GraphSAGE)提取数据内部的结构特征,然后利用长短期记忆网络(LSTM)提取数据的非线性动态特征,通过权重系数将结构特征和动态特征融合得到更具有代表性的间歇过程数据特征。进一步地,利用典型相关分析方法对残差建立监测模型。最后将所提方法应用于数值例子和注塑过程监测,结果分析验证了所提方法的有效性。     

基于GSA-LSTM动态结构特征提取的间歇过程监测方法

间歇过程监测对于保证批次生产过程的稳定运行具有重要意义。传统过程监测方法难以提取间歇过程数据特有的非线性结构和动态时变特征。为此,提出了一种融合图采样聚合网络和长短期记忆网络(GSA-LSTM)的典型相关分析方法用于间歇过程在线监测。首先,利用K近邻方法将批次过程数据转化为图结构形式,利用图采样聚合网络(GraphSAGE)提取数据内部的结构特征,然后利用长短期记忆网络(LSTM)提取数据的非线性动态特征,通过权重系数将结构特征和动态特征融合得到更具有代表性的间歇过程数据特征。进一步地,利用典型相关分析方法对残差建立监测模型。最后将所提方法应用于数值例子和注塑过程监测,结果分析验证了所提方法的有效性。     

基于MIC-CFS-LSTM的SCR出口NOx浓度动态预测

针对燃煤机组选择性催化还原(SCR)系统出口氮氧化物(NO_x)预测模型精度不高的问题,提出一种基于最大信息系数(MIC)和长短期记忆(LSTM)神经网络的预测模型方法。首先采用MIC估计各变量的延迟时间,对数据进行时延重构;然后采用重构后数据的MIC值作为评价各输入变量和输出变量间相关性大小的指标,并结合基于关联性的特征选择算法(CFS)进行输入变量筛选;最后基于时延重构和变量筛选后的数据,采用LSTM神经网络建立了SCR出口氮氧化物浓度动态预测模型。该模型被用于广东某320 MW燃煤机组实际运行数据分析。结果表明,经时延重构和变量筛选后所建立的LSTM预测模型具有较高精度,优于深度神经网络(DNN)模型和径向基函数(RBF)神经网络模型,平均绝对百分比误差达2.58%,均方根误差达2.02,可满足现场运用要求。     

基于热流道时序控制浇注系统的复杂薄壁塑件翘曲变形研究

以汽车内饰门板为研究对象,采用热流道时序控制浇注系统,利用CAE数值模拟技术分析了浇口位置、最优打开顺序及时序间隔时间对其翘曲变形的影响。结果表明:浇口打开顺序为A-C-E-D-B,时间间隔分别为1.8、2.5、3.2、3.75 s。以翘曲变形量为优化目标,基于优化后的浇注系统,进一步获取最小翘曲量的浇注方案,并以此为基础深入研究温度、压力和时间三要素对模具温度、熔体温度、保压压力及保压时间的影响规律。采用Taguchi试验,确定最优工艺参数为:模具温度50℃,熔体温度240℃,保压压力35 MPa,保压时间15 s,为实际生产的工艺参数选择提供了指导。     

基于深度学习的复杂化工过程软测量模型研究与应用

针对复杂化工生产过程中的一些原材料消耗量难以直接测量的问题，提出了一种基于深度学习的软测量方法。该方法基于一段时间的历史数据，利用平稳小波变换提取历史数据中的多尺度信息，然后与每一个时间点的可观测数据进行合并得到完整的数据集，再划分出训练集和测试集，用带有注意力机制的深度学习算法进行训练和泛化，进而建立软测量模型。最后将提出的方法应用到对苯二甲酸（PTA）生产装置乙酸消耗的软测量中。通过与极限学习机 (extreme learning machine，ELM)、多层感知器 (multi-layer perceptron，MLP)以及普通长短期记忆网络(long short-term memory，LSTM)方法比较，结果表明，该模型的预测准确度较高，具有一定的有效性和适用性，同时对PTA生产装置的乙酸消耗量进行预测分析，从而提高产能和降低能耗。     

基于均匀设计与BP神经网络优化制备SiO2基相变调湿复合材料的预测模型

以SiO2为载体、脂肪酸为相变材料制备SiO2基相变调湿复合材料,运用均匀实验设计结合BP神经网络优化制备参数,对最优材料进行表征,建立了优化制备工艺与综合相变调湿性能的BP神经网络模型. 结果表明,最优制备条件为溶液pH值为3.63、超声波功率100 W、去离子水与正硅酸乙酯物质的量比9.71、无水乙醇与正硅酸乙酯物质的量比5.18、脂肪酸与正硅酸乙酯物质的量比0.51;最优SiO2基相变调湿复合材料在相对湿度97.30%时的平衡含湿量为0.3057 g/g,从30℃到15℃的降温时间为1445 s,综合相变调湿性能为1.6014,实验结果与模型预测值吻合较好,相对误差为-1.70%~1.89 %. 脂肪酸包覆于SiO2的网络孔隙结构中形成最优SiO2基相变调湿复合材料,粒径主要分布在约100 nm. 验证了利用二次回归方程对均匀设计实验的分析成果.     

基于VMD-BP神经网络模型的天然气管道工况检测研究

通过对小波变换、可变模态分解(VMD)、经验模态分解(EMD)及BP神经网络等多种算法在天然气管道中应用的学习研究,提出一种基于VMD-BP神经网络的天然气管道工况判断模型。首先对管道信号进行可变模态分解,再将分解后的特征信号通过BP神经网络算法进行网络训练测试,进而对管道工况做出判断。     

基于PSO-BP-PID神经网络的注塑机料筒温度预测算法研究

提出了一种基于粒子群优化(PSO)算法、BP神经网络及比例积分微分(PID)控制的复合算法的注塑机料筒温度预测模型,即PSO-BP-PID神经网络模型,并进行了仿真研究.结果表明:使用PSO算法确定该模型的输出权重,并且对混合核函数参数进行优化升级;在模型训练过程中,使用更大的容许度处理正误差,保证预测误差始终处于正值...