基于智能磨矿介质及CNN和优化SVM模型的球磨机负荷识别方法

当前球磨机负荷检测方法难以准确评估磨机内部变化,给磨机综合运行状态的控制和优化带来较大难度。本文设计了一款内嵌加速度传感器且与钢球介质物理性质相一致的智能磨矿介质用于识别磨机负荷,开展了不同充填率等磨矿条件下的磨矿试验,设计磨矿效果系数划分磨机负荷状态;分别采用了卷积神经网络方法(CNN)和优化的支持向量机(SVM)模型对智能磨矿介质获取的加速度信号进行球磨机负荷识别。基于优化的SVM模型将获取的一维加速度信号进行互补集合经验模态分解算法（CEEMD）去噪、时域特征值和样本熵提取等预处理,将上述磨机负荷的特征向量分别输入GA?SVM、GS?SVM、PSO?SVM分类模型进行训练,研究表明,PSO?SVM模型的识别准确率可达98.33%,但存在训练过程繁琐,耗费时间长的问题。在图像识别领域具有优秀应用能力的CNN模型是把智能磨矿介质检测加速度信号数据转换为二维图片后直接输入基于VGG19网络的CNN模型进行分类识别,磨机负荷分类识别准确率高于优化的SVM模型,可达98.89%,在保证识别准确率的同时有效节约了计算时间。基于CNN的智能磨矿介质球磨机负荷识别方法可为实现球磨机负荷检测与在线评估提供重要解决方案与技术保障。      

5%Si高硅奥氏体不锈钢元素偏析及均匀化处理

 高硅奥氏体不锈钢由于高含量硅元素的加入使其具有优异的耐高温腐蚀性能和较低的成本,在制酸行业有着潜在的应用价值。然而,该合金中高含量硅元素的加入会促进凝固过程中溶质再分配,进而造成显著的元素偏析,最终导致合金内部产生枝晶组织和大量的有害相。对铸锭组织进行均匀化处理能够有效消除枝晶与元素偏析,促进析出相回溶和枝晶消融,从而改善材料的热塑性,有效应对热变形开裂问题。因此,采用金相显微镜(OM)、扫描电镜能谱分析(SEM/EDS)、电子探针(EPMA)、JMatPro软件计算等方法,研究了实验室条件下制备的5%Si高硅奥氏体不锈钢铸锭的显微组织和元素分布状态,通过残余偏析指数、扩散动力学计算并结合均匀化处理试验验证,最终确定了5%Si高硅奥氏体不锈钢合理的均匀化处理工艺。结果表明,5%Si高硅奥氏体不锈钢凝固过程中钼元素偏析最为严重,通过残余偏析指数模型计算得到的均匀化动力学方程可用来指导该成分合金的均匀化处理工艺;5%Si高硅奥氏体不锈钢经过1 150 ℃×12 h均匀化处理后,铸锭内枝晶消融,元素偏析基本消除,析出相与铁素体回溶到基体中,合金转变为全奥氏体组织,热塑性得到改善;当加热温度达到1 250 ℃时,合金出现过烧现象,晶界开始熔化。     

评价高炉生产效率的指标与Rist包络线北大核心

为把评价高炉生产效率的方法由统计规律提升为定量规律,将16座容积>4000^(3)高炉的208组月平均和年平均生产操作数据,分为四组进行了Rist操作线分析。提出了与炉腹煤气量指数χ_(BG)相对应的风口耗氧量指数χ_(o_(2))概念,并推导出了面积利用系数η_(A)与风口耗氧量指数g、吨铁风口耗氧量V_(o_(2))的关系式。采用作图法寻找到了A.Rist先生在理论上证明了的四条Rist包络线,并发现炉腹煤气量指数和吨铁风口耗氧量对Rist包络线有重大的影响,当生产中的高炉操作线与包络线的交点发生变化时,Rist操作线可以计算此变化造成的高炉高温区热消耗量的数量。     

FCM预选取样本的半监督SVM图像分类方法

针对基于拉普拉斯支持向量机(LapSVM)的半监督分类方法需要将全部无标记样本加入训练样本集中训练得到分类器,算法需要的时间和空间复杂度高,不能有效处理大规模图像分类的问题,提出了模糊C-均值聚类(FCM)预选取样本的LapSVM图像分类方法。该方法利用FCM算法对无标记样本聚类,根据聚类结果选择可能在最优分类超平面附近的无标记样本点加入训练样本集,这些样本可能是支持向量,携带对分类有用的信息,其数量只是无标记样本的一少部分,因此使训练样本集减小。计算机仿真结果表明该方法充分利用了无标记样本所蕴含的判别信息,有效地提高了分类器的分类精度,降低了算法的时间和空间复杂度。     

一种改进的基于攻击树的木马分析与检测

木马是一种具有潜在威胁的程序,会对计算机造成不同程度危害,对于木马的检测与防范尤为重要。通过分析程序的PE文件提取API函数调用序列,将其分割为长度为k的短序列与攻击树匹配,再对攻击树各节点计算其发生的概率及恶意性权值,最后综合计算攻击树根节点代表事件的危险指数用来估计该程序与木马的相似程度,从而判断程序为木马程序或者包含木马部分的可能性,以准确地检测和防范木马攻击。     

降维方法监督分类的比较研究

对ISOMap、LDA、LLE、PCA这4种典型降维算法的主要思想和算法步骤进行了详细分析,并将它们用于有监督分类。从实验结果分析得到结论 ,其可为有监督分类提供有益的借鉴。     

样本-属性加权的朴素贝叶斯改进算法

朴素贝叶斯算法是一种简单、高效且有着广泛应用的分类方法,但在现实中,条件独立性假设影响了其分类性能。为克服该问题,给出一种改进算法——样本-属性加权的朴素贝叶斯算法。首先,对属性计算相关系数得到属性权值;其次,利用属性权结合信息熵获得样本熵权,并据此加权样本以提高泛化能力;然后,给出了样本-属性加权的朴素贝叶斯算法;最后,在UCI数据集上的实验结果验证了改进算法比原算法具有更好的分类性能。     

便携心电传感器的心房肥大诊断研究

基于便携式传感器的模式识别在心电(ECG)监护领域具有广泛的应用前景,并且在心律不齐、心肌梗塞、心室肥大等心电的识别算法上都已有大量的研究与应用,但在心房肥大诊断上却未有模式识别相关的研究成果。心房肥大病症的心电数据量不足给研究造成重大障碍,部分分类器无法适应小样本训练下的分类。针对小样本训练进行研究,对比了不同分类方法,显示了基于统计模式识别的支持向量机(SVM)应用于心房肥大的应用潜力。另外,由于不同个体的心房肥大心电存在差异,在实际应用环境中,SVM存在无法良好泛化的问题,存在类别错分的医学风险。针对类别错分情况,采用分类器融合的方法改进分类器,提出了在SVM分类器输出端增加了拒绝域的分类器(SVM-R)的方法。实验结果表明:SVMR有较高的分类准确率与诊断可信度。