基于先导压力与主泵压力的挖掘机刷坡工况效率预测

针对挖掘机刷坡工况效率获取困难的问题,提出一种基于先导压力与主泵压力的挖掘机效率预测方法。该方法首先以挖掘机实际刷坡作业为研究对象,基于LabVIEW平台完成流量与压力、液压缸位移等原始数据的采集;对原始数据进行基于时间窗口的特征值提取、效率的获取等;然后,建立主成分分析-随机森林模型,包括采用主成分分析理论降低输入数据的维度,提高模型的运算速度与抗过拟合能力,采用随机森林算法建立挖掘机效率预测模型,实现挖掘机效率的精准预测;最后,将随机森林预测模型与支持向量机预测模型和BP神经网络预测模型进行对比,并探究样本数量与时间窗口对模型预测精度的影响、各主成分对挖掘机效率预测的重要程度等。研究结果表明:主成分分析可以有效地将输入数据的维度从18维降至6维,在选定的6个主成分中,挖掘机铲斗下降运动与挖掘机负载波动程度对挖掘机效率预测结果的影响较大;与支持向量机预测模型和BP神经网络预测模型相比,随机森林预测模型的精度更高;在样本数量为0~50 000个、时间窗口为0.05~0.25 s时,建立的基于主成分分析-随机森林算法的预测模型精度随样本数量与时间窗口宽度的增加有所提高,并在样本数量为40 000个、时间窗口宽度为0.1 s时取得最优性能,此时均方根误差为0.029 2。

基于机器学习的服装生产线员工效率预测

在服装生产线中,管理者通常凭借直觉和经验进行工人调度和工序编排,缺少基于历史生产相关数据的分析,难以进行产前预判。为此,充分利用历史生产数据,使用机器学习技术科学地预判工人产前效率,以提高生产线的平衡率。首先,收集了某工厂13个订单的526个生产数据并通过分位数划分法对效率进行等级划分。其次,基于生产数据的特征,在员工生产效率预测任务中选择了随机森林集成学习模型,并与其它8个模型进行了综合比较。最后,通过递归式特征消除法,从15个初始特征中筛选出实现模型最大预测性能的最优特征组以优化模型。优化后结果显示,随机森林模型展现出优异的预测性能,在回归任务中,验证集R^(2)值为0.836,而均方根误差值为0.116;在分类任务中,其验证集平衡F分数值为0.823。研究结果表明,使用随机森林模型可以实现产前工人效率的有效预测,预测结果可避免管理者在调度时做出错误决策,同时为生产线的优化和柔性调度提供参考。

基于机器学习的TBM破岩效率预测模型研究

在TBM施工中经常会遇到复杂地质环境,导致TBM自身设备参数受到干扰,因此有必要针对相应条件下TBM滚刀破岩效率变化规律展开分析研究。相较于传统钻爆法,TBM拥有掘进迅速,破岩时间短的优越性。因TBM的这一突出优越性,所以保障TBM破岩效率已成为研究的关键问题之一。本文依托重庆轨道交通十号线二期工程,以项目所在地采集的花岗岩为研究对象进行室内试验,基于二维节理岩体试验,引入机器学习的方法,基于优化的BP神经网络,建立TBM滚刀破岩效率预测模型,并对模型预测结果准确性进行验证。结果表明,本文预测结果准确度高,适用于TBM破岩效率预测,为TBM滚刀破岩效率预测方法研究提供了理论参考。

基于机器学习的水电能源发电效率预测与优化分析

阐述机器学习算法在水电新能源发电效率预测与优化中的应用,包括监督学习、非监督学习和强化学习,基于数据对水电新能源发电效率进行预测和优化,验证机器学习算法的有效性和实用性。

基于智能优化相关向量机的综合传动变工况直驶传递效率预测

传递效率是表征履带车辆综合传动装置性能的重要指标之一,但综合传动装置内部复杂的动力传递路径和外部工作环境导致其传递效率预测模型建模困难,无法保证传递效率的准确计算。基于上述分析,提出一种基于综合传动装置直驶模式下多种工况传递效率数据驱动的传递效率预测方法。对75台综合传动装置不同工况下的传递效率数据进行统计分析并得到统计特征;通过统计特征选择智能优化相关向量机进行传递效率预测建模,进而实现待测综合传动装置在变工况直驶模式下的传递效率预测。结果表明,变工况下测试样本传递效率预测结果的平均绝对误差和均方根误差分别控制在0.01和0.02以内,验证了该方法的可行性和正确性。

优化高斯过程回归在太阳能集热效率预测上的应用

太阳能集热效率预测是太阳能利用领域的重要关注点之一。提出一种优化高斯过程回归(GPR)的太阳能集热效率预测模型。对收集到的与太阳能集热效率相关的空气温度、相对湿度及地表温度等数据进行归一化处理;利用粒子群算法对GPR模型中超参数的确定问题进行优化,得到太阳能集热效率预测模型。仿真结果表明:所提模型预测出太阳能集热效率的平均绝对百分误差和均方根误差分别为1.7%和0.99%,相比于未优化GPR等其他算法,该文模型预测效果的提升超过30%。

基于槽况分类的铝电解电流效率预测研究

电流效率是铝电解过程中最重要的经济指标,通过对电流效率的测量,可以有效管理出铝量,而目前电流效率的测量方法普遍具有周期较长、精确率低等缺点。针对电解槽在不同槽况下的电流效率不同的特征,提出了槽况分类的多支持向量机模型预测电流效率的方法,利用铝电解生产的历史数据作为样本,建立采用模糊聚类的槽况分类模型,得到三种槽况类别,对每个子类样本建立支持向量机预测子模型,经过子模型融合,得到电流效率最终预测模型。仿真结果表明,上述多分类预测模型命中率较高,可准确预测电流效率,用于指导实际电解铝的生产。

基于BP神经网络及其改进算法的织机效率预测

为准确预测纺织厂织布车间的织机效率,提出利用BP神经网络、主成分分析结合BP神经网络(PCA-BP)、遗传算法改进BP神经网络(GA-BP)3种模型预测织机效率,并将GA-BP预测模型与传统BP神经网络和PCA-BP预测模型的预测结果进行对比分析。结果表明:GA-BP对原始数据的拟合度最好,相关系数为0.94687,比BP增加了6.42%,比PCA-BP增加了2.61%;GA-BP、PCA-BP、BP这3种网络十万入纬的经停仿真值与期望值间的平均误差分别为0.3412、0.3031、0.2341,误差百分率分别为8.63%、7.67%、5.92%,不同网络结构下织机效率仿真预测值与期望值间的平均误差分别为3.0109、2.6884、2.1189,误差百分率分别为3.51%、3.13%、2.47%;3种模型的预测准确度顺序由大到小为GA-BP、PCA-BP、BP。

siRNA序列特征的RNA干扰效率预测的新方法

为了快速、准确预测siRNA(Small interfering Ribonucleic Acid)的干扰效率,通过对2 431条siRNA的统计学分析找到了一个可靠的预测新方法。通过统计学方法从众多特征中筛选出了19个与siRNA抑制效率相关的序列特征,并用这些特征给出了siRNA抑制效率水平的聚类方法,准确率达到81.1%。该方法将对高效的siRNA设计起到指导意义。

基于事故形态研究的自动刹车系统效率预测

假设所有的事故车辆均已安装自动刹车系统,在事故发生前1秒,开始刹车减速。根据行人事故的事故形态、车辆和行人的运动轨迹、运动状态等信息,分别推算出车辆和行人在事故发生前1秒的相对位置。依据假设重新计算碰撞速度和行人的死亡(重伤)风险值,通过与原始的真实行人伤亡风险比较,预测评估自动刹车系统对行人损伤风险的降低效率。

基于分子指纹及机器学习回归模型的有机光伏材料效率预测

有机太阳能电池(OPV)的发展依赖于新型高效OPV材料的开发。近几年来,为解决传统有机太阳电池材料开发模式低效的问题,机器学习辅助OPV材料开发的新模式得到了广泛的关注。本工作提出一种结合分子指纹和机器学习回归模型的新方法,实现了OPV给体材料光电转换效率的快速预测。基于从文献中收集的给体材料数据库,系统地比较了不同分子指纹作为各种机器学习模型输入的预测精度。结果表明,Morgan分子指纹与随机森林模型的组合在决定系数指标下性能最优,而Hybridization分子指纹与支持向量机模型的组合在平均绝对误差指标下性能最优。同时,各模型的预测精度随着分子指纹的位数增加而提高。该方法可广泛用于新设计的OPV材料的快速初筛,从而提升新型OPV材料的研发速度,促进高性能OPV的快速发展。

基于最小二乘支持向量机的太阳能集热效率预测

准确的预测出太阳能集热效率对太阳能集热发展有着重要的意义。提出了一种基于最小二乘支持向量机(LSSVM)的太阳能集热效率预测模型,首先将原始数据分为训练数据和测试数据,对训练数据进行预处理,其次利用预处理后的训练数据对LSSVM预测模型训练,同时利用遗传算法(GA)对LSSVM参数进行优化,得到最优的LSSVM预测模型并对太阳能集热效率进行预测,最后将结果与人工神经网络(ANN)和时间序列进行对比。结果表明,LSSVM预测模型具有好的预测效果和更低的误差。

云计算中网络节点流量输出效率预测研究

对云计算中网络节点的流量输出效率进行预测,能够有效提高网络流量输出率的速度。对网络节点流量输出的预测,需要转化流量输出率的状态矩阵,用适应度函数预测,完成网络节点流量输出率的预测。传统方法首先权衡不同节点流行度分布,把数据存储于有益节点中,但忽略了用适应度函数预测,导致预测效果不理想。提出云计算中网络节点流量输出效率预测方法。将网络节点的特征属性参数划分得到特征向量中心性,分析特征向量,计算其数学表达式,转化流量输出效率的状态矩阵,用适应度函数预测。实验结果表明,所提方法提高了网络节点流量输出效率预测的速度。

LS-SVM的核参数对概率筛筛分效率预测影响

以探索概率筛振动参数与筛分效率之间的关系,为概率筛结构的进一步改进提供指导意义为研究目的,将LS-SVM分类算法引入自同步概率筛筛分效率预测建模,探讨LS-SVM建模的可行性。基于各个不同的应用领域,可以构造不同的核函数,针对核函数需要优化特征参数的问题,应用网格搜索和交叉验证算法,对核参数的选择进行优化。通过研究得出用多项式(Poly)核函数建模对预测样本的最高预测识别率达到96.7%,采用RBF核函数建模对预测样本达到了零错分率,表明将LS-SVM算法引入概率筛筛分效率预测建模是可行的。

基于FIG-SVR和DEA的科技创新效率预测

将模糊信息粒化、支持向量回归机与数据包络分析相结合,可以预测未来时间段某一地区科技创新的效率。以浙江省为例,选取1990~2018年科技创新效率的投入产出指标作为研究对象,利用SVR分别对用模糊信息粒化处理后的数据和原数据进行回归预测;为进一步增强预测的准确性,采用K折交叉验证法和遗传算法分别对各组数据进行参数优化,选择拟合效果更好的参数对SVR进行训练并建立最优回归模型;最后,利用DEA计算预测数据的效率。实验结果表明FIG-SVR模型比单一的SVR模型能够提高预测精度及范围,具有更好的适用性。

基于LSTM神经网络的燃煤锅炉热效率预测方法

锅炉燃烧过程属于持续性工艺流程,当前运行工况参数会受到前N个周期的工况叠加影响。本文收集锅炉负荷、省煤器出口氧量、各二次风挡板开度、燃尽风挡板开度、各磨煤机给煤量、炉膛与风箱差压、一次风总风压、锅炉运行中排出的煤灰和煤渣的含碳量等参数,形成时间序列样本集,构建LSTM神经网络模型,用于预测燃煤锅炉热效率。该方法能够挖掘并记忆锅炉连续运行过程中参数自身变化与热效率影响的客观规律,克服锅炉持续性燃烧调整的工况叠加带来的预测误差,提高学习效率,提升预测精度。

基于ES-LSTM的马蹄焰玻璃窑炉的热效率预测

在马蹄焰窑炉的燃烧过程中,包含了一套复杂的工艺流程,窑炉的热效率会随着工况发生变化。针对影响燃烧的因素复杂、不确定性高,以及传统的梯度下降的优化方法有可能陷入局部最优等问题,提出了基于进化神经网络ES-LSTM的马蹄焰玻璃窑炉热效率预测模型。利用进化策略,将神经网络的连接权值不断变异进化,寻找更优的神经网络连接权值,从而达到优化LSTM的目的。实验结果表明,ES-LSTM模型与传统的BP模型和LSTM模型相比,具有更好的预测精度,证明了其可行性。

基于LSTM-XGBoost组合的脱硫效率模型预测

在石灰石-石膏湿法脱硫系统中影响脱硫效率的主要因素有浆液pH值、液气比(L/G)、钙硫比(Ca/S)、烟气流量和原烟气SO_(2)浓度等。基于电厂实际运行数据,利用LSTM-XGBoost组合预测算法来预测脱硫系统的脱硫效率,并采用平均绝对误差MAE、均方误差MSE、均方根误差RMSE和决定系数R^(2)等模型评价指标对其准确性进行验证。实验证明,基于LSTM-XGBoost组合预测的脱硫效率与电厂实际脱硫效率非常接近,精确度高,对火力发电具有指导意义。

关联用户的电驱动总成效率评价方法研究

为实现电驱动总成效率评价与用户端的关联,提出了基于用户实际行驶工况的效率评价方法。以采集的某型纯电动汽车用户工况数据为基础,基于核密度估计和马尔科夫链蒙特卡洛采样方法,预测了用户目标里程下的转矩-转速工况点分布。提出了以台架效率数据为驱动建立效率预测模型的方法,基于遗传算法优化的BP神经网络(GA-BP)建立了效率预测模型。结合用户目标里程下的转矩-转速工况点分布和效率预测模型,提出并建立了关联用户的电驱动总成效率评价方法。本研究为更加全面了解电驱动产品用户端使用特征、合理评价电驱动总成效率和电驱动总成效率匹配优化提供了参考依据。

基于GABP神经网络预测法的工程机械再制造员工效率研究

面对资源的日益匮乏、相关法律的陆续出台以及工程机械废旧品数量的不断攀升,工程机械再制造越来越受到企业的重视。与高自动化制造过程不同,工程机械再制造过程中人员效率起到了至关重要的作用,而复杂的再制造环境造就员工频繁的学习——遗忘,使得操作效率起伏不定,故提出了用GABP神经网络预测方法来预测工程机械再制造员工的效率。本文应用统计方法分析影响员工操作时间的因素,剔除无显著相关性的因素;然后应用GABP神经网络算法对员工操作时间进行训练,进而高效准确地获得员工的操作时间;最后通过对样本数据的应用分析,获得了较好的预测效果。