基于自适应多核潜结构映射选择性集成模型的磨机负荷参数预测（英文）

磨机负荷参数是影响选矿流程产品质量和产量的难以检测关键过程变量.磨机研磨产生的多源机械信号频谱与磨机负荷参数间存在复杂的非线性映射关系.核潜结构映射(KPLS)算法适合构建基于频谱数据的磨机负荷参数预测(MLPF)模型.针对上述难点,本文提出一种面向MLPF的自适应多核潜结构映射选择性集成(SEN)模型.首先,基于经验模态分解(EEMD)和时频变换技术处理多源机械信号,得到基于不同时间尺度候选子信号的频谱数据;接着,采用KPLS和分支定界选择性集成(BBSEN)算法,构建基于多尺度频谱的候选子子模型和SEN子模型;最后,从候选子子模型和SEN子模型中优选获得不同时间尺度的候选子信号模型,并再次采用BBSEN算法优选集成子信号模型并加权组合,构建最终的MLPF模型.基于实验球磨机的实际运行数据仿真验证了所提方法的有效性.

面向磨机负荷参数预测的多通道机械信号分析评估与优化组合

针对球磨机系统中所采集的多源(多通道)机械信号在不同运行工况下的灵敏度具有差异性和蕴含磨机负荷参数(mill load parameter,MLP)信息存在冗余性与互补性等问题,提出了一种面向MLP预测(MLP forecasting,MLPF)的多运行工况多通道机械信号分析评估与优化组合方法.首先,基于多通道机械信号构建多运行工况下的数据驱动MLPF模型,采用验证数据集获取模型结构参数和验证误差;然后,定义对多通道机械信号预测性能和蕴含信息贡献率进行分析与度量的综合评估指标,并基于该指标结合预设定阈值进行有价值通道信号的初次选择;最后,对初选后的多通道机械信号进行优化组合以获得具有最佳预测性能的MLPF模型.通过实验球磨机的多通道机械信号仿真验证了所提方法的有效性.

基于多模态特征子集选择性集成建模的磨机负荷参数预测方法

如何融合球磨机系统研磨过程所产生的多模态机械信号构建磨机负荷参数预测(Mill load parameter forecasting,MLPF)模型是当前研究的热点.针对上述问题,本文提出一种基于多模态特征子集选择性集成(Selective ensemble,SEN)建模的MLPF方法.首先,对多模态机械信号进行时频域变换得到高维频谱数据;接着,采用相关系数法和互信息法对多模态频谱进行线性和非线性特征子集的自适应选择;最后,采用优化和加权算法对上述特征子集的候选子模型进行自适应地选择与合并,得到基于SEN机制的MLPF模型.采用磨矿过程实验球磨机的机械信号仿真验证了所提方法的有效性.

基于EMD和选择性集成学习算法的磨机负荷参数软测量

针对磨机筒体振动和振声信号组成复杂难以解释、蕴含信息存在冗余性和互补性、与磨机负荷参数映射关系难以描述等问题,提出了基于经验模态分解(Empirical mode decomposition,EMD)技术和选择性集成学习算法分析筒体振动与振声信号组成,建立磨机负荷参数软测量模型的新方法.首先从机理上定性分析了筒体振动及振声信号组成的复杂性;然后采用EMD技术将原始信号自适应分解为具有不同时间尺度的系列组成成分,即本征模态函数(Intrinsic mode function,IMF);接着在频域内基于互信息(Mutual information,MI)方法分析并选择IMF频谱特征;最后采用基于核偏最小二乘(Kernel partial least square,KPLS)建模方法、分支定界优化算法的选择性集成学习方法建立磨机负荷参数软测量模型,实现了多源多尺度频谱特征的选择性信息融合.基于实验球磨机的实际运行数据仿真验证了该方法的有效性.

基于遗传算法优化参数的支持向量机短期负荷预测方法

通过研究参数选择和支持向量机预测能力的影响,建立利用遗传算法优化参数的支持向量机负荷预测系统。通过遗传算法对支持向量机(SVM)预测模型的各项参数进行寻优预处理,找到最优的参数取值,然后,代入支持向量机SVM预测模型中,得基于遗传算法的支持向量机(GA-SVM)模型,利用此模型对短期电力负荷进行预测研究。通过实例验证,选择河北某地区2005-03-02至2007-05-22每天各个时点的数据进行分析,并且选择SVM模型与BP(Back propagation)神经网络进行对比。研究结果表明:用GA-SVM算法得到的均方根相对误差仅为2.25%,比用SVM模型和BP神经网络所得的均方根相对误差比分别低0.58%和1.93%。所提出的测试方法克服了传统参数选择方法存在的缺点(如研究者往往凭经验和有限的实验给定一组参数,而不讨论参数制定的合理性),提高了支持向量机的预测精度。

短期负荷预测的支持向量机参数选择方法

支持向量机SVM(support vector machine)方法的合理参数选择对提高回归结果的准确性有重要作用。该文采用基于支持向量机短期负荷预测的参数选择方法,用遗传算法对参数种群进行编码、交叉、复制和变异,求得最优参数和最优核函数。将该算法应用于电力系统短期负荷预测中,应用了筛选和不筛选特征值两种方案对历史数据进行了预测。算例证明,无论是应用筛选特征值方案还是不筛选特征值方案,参数选择对预测精度提高都具有重要作用。

基于网格搜索与交叉验证的SVM磨机负荷预测

针对实际生产中只能依据专家经验判断磨机负荷(ML)状态,难以检测ML及其直接相关参数的问题,该文通过分析反应磨机内部负荷的振动信号,提取频谱特征,利用支持向量机(SVM)建立磨机负荷参数的预测模型。为解决SVM核函数参数g和惩罚因子C主观选取问题,提出采用网格搜索与交叉验证相结合的方法,对SVM参数进行优化。最后基于Matlab与VC混合编程,建立仿真平台,实现球磨机负荷参数的预测仿真。分别利用SVM默认参数和最佳优化参数代入ML回归预测模型,通过参数ML预测对比,得到SVM最佳优化参数下训练的平均平方误差(MSE)和平方相关系数(r2)均优于SVM默认参数下的预测结果。

基于PSO-LSSVR的机器人磨抛材料去除模型

为了建立磨抛工艺参数与材料去除深度的关系,建立一种基于最小二乘法支持向量回归机(LSSVR)的材料去除深度预测模型,并引入粒子群优化(PSO)算法来优化LSSVR的超参数,可提高LSSVR模型的预测准确性和全局优寻能力。搭建叶片机器人砂带磨抛实验平台,设计并进行多工艺参数实验,考虑工艺参数:砂带粒度、砂带转速、进给速度、接触力和叶片表面曲率半径,获得叶片表面的材料去除深度,最终利用实验数据建立了PSO-LSSVR叶片材料去除深度预测模型。结果表明,PSO-LSSVR模型的预测准确率为95.37%,平均预测误差为0.003463,说明PSO-LSSVR模型具有较高的预测精度,并结合实际加工情况进行实验验证可行性,证明PSO-LSSVR模型可以有效合理地建立工艺参数与材料去除深度的关系。

基于人群搜索算法优化参数的支持向量机短期电力负荷预测

支持向量机是一种新型机器学习算法,它基于结构风险最小化准则取得较小的实际风险,有效提高了泛化能力,具有理论严密、适应性强、全局优化等特点,在模式识别和回归问题等方面应用广泛。以某地区历史负荷数据为输入,通过人群搜索算法对支持向量的各项参数进行寻优计算,得到最优的参数取值,然后把最优参数代入到SVM预测模型中,得到人群搜索算法的支持向量机(SOA-SVM)模型,利用此模型对某地区未来24小时的负荷进行短期预测。通过算例验证,利用SOA-SVM预测的精度要比BP神经网络和PSO-SVM的精度要高,所以说明用此方法进行短期负荷预测是有效和可行的。

基于遗传算法优化支持向量回归机参数的供热负荷预测

为了进一步提高供热负荷的预测精度,通过分析影响支持向量回归机(SVR)性能表现的参数,提出了基于遗传算法优化的SVR供热负荷预测模型。该方法利用交叉验证思想在模型性能评估和选择方面的优势,结合遗传算法的全局寻优能力,实现了参数的自动优选,并用由此得到的最佳模型进行供热负荷预测。应用某热源的实测数据进行了仿真实验,与其他算法的比较表明,该方法相对误差绝对值的平均值为4.33%,比传统SVR降低了10.77%,比小波神经网络降低了5.28%。

一种新型无磁传感磨机综合检测系统

为解决磨机功耗大、负荷难以预测等问题,提出一种基于无磁传感的球磨机综合检测系统。该系统利用无磁耦合传感技术监测磨机负荷,不受磨机内物料磁性影响,结合更能准确反映磨机真实负荷特性的低功耗滚筒筒壁振动检测单元,通过无线传输将振动数据发送给信号采集单元,解决滚筒筒壁振动检测系统取电难的问题。融合磨机的磨音采集数据,在本地边缘算法单元内借助深度学习对磨机负荷特性进行预测,并反馈给PLC控制器进行给料和加球等实时调节,实现系统的闭环控制,极大提升了磨机效率,稳定生产指标,显著降低系统能耗。该系统在某选矿厂的试用结果证实其对磨机负荷预测识别效果良好。

基于PSO优化参数的最小二乘支持向量机短期负荷预测

LSSVM模型中的参数选择对模型的影响较大,采用粒子群优化算法进行模型参数的全局选优,用历史负荷数据和天气气象因素作为输入,建立优化电力负荷预测模型进行仿真。利用PSO-LSSVM模型对华东某市电力负荷进行验证分析。实验结果表明:粒子群算法优化的LSSVM模型相比LSSVM具有更高的预测精度。

基于PCA-PSO-SVM的球磨机负荷预测研究

球磨机是磨矿生产中的主要设备,但其运行时的内部负荷无法被直接检测,因此难以对负荷进行实时有效地控制,导致磨矿效率受到影响。针对此问题,文中通过磨矿实验采集球磨机磨音信号,对信号进行Welch功率谱分析,研究了磨音频谱信息与球磨机负荷之间的关系。利用PCA对功率谱进行特征提取,为球磨机负荷预测提供外部特征信息。然后,采用PSO对SVM相关参数进行寻优并建立PCA-PSO-SVM球磨机负荷预测模型。研究结果表明,该球磨机预测模型的预测均方根误差为1.1443,平均绝对误差为0.9125,平均百分比误差为2.7979%,证明了该模型对球磨机负荷预测的有效性和稳定性。

预测控制在磨机负荷优化控制中的应用

针对水泥球磨机这一具有非线性、大滞后、强耦合等特点的被控对象,在选取多组输入输出数据建立数学模型的基础上,基于动态矩阵控制(Dynamic Matrix Control,DMC)算法对其进行预测控制。同时为抑制大扰动增加了前馈补偿环节,并在VS2005平台下编写了实际控制程序。现场的应用结果表明,在扰动较大时,此控制策略可以使出磨提升机电流更为平稳的变化,很好的实现了磨机负荷的优化控制。

基于改进粒子群算法的RBF神经网络磨机负荷预测研究

磨机负荷是评价磨机运行状态和预测磨机行为的重要指标,针对粉磨机磨矿过程中负荷难以检测和不能准确判断负荷状态的问题,提出了一种基于改进型粒子群算法(improved particle swarm optimization,IPSO)优化径向基神经网络(radial basis function,RBF)参数的磨机负荷预测模型(IPSO-RBF),使惯性权重因子在迭代过程中非线性下降,平衡局部搜索能力与全局搜索能力之间的矛盾,该算法能快速准确地找到最优解,提高粉磨机磨机负荷的预测精度;通过水泥厂的实测数据实验对比,结果表明,基于IPSO-RBF模型的预测精度最高,其预测结果与真实值相比较,均方根误差(root mean square error,RMSE)、均方误差(mean square error,MSE)、平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和决定系数(coefficient of determination,R2)分别为0.210 2、0.044 2、0.161 7、1.778%和0.978 2。

半监督多源域适应集成的球磨机负荷参数软测量

针对球磨机工况改变后,历史数据与待测数据分布差异导致的模型失配问题以及待测工况样本少的问题。研究了基于半监督域适应的球磨机负荷参数软测量方法。该方法考虑输出标签对特征变换矩阵的影响,首先集成约束条件寻找特征变换矩阵,将历史数据和待测数据投影到公共子空间;然后根据投影后的历史数据及少量有标签的待测数据建立回归模型,获得无标签待测数据负荷参数;考虑到不同工况历史数据有信息互补的特点,建立基于半监督多源域适应集成的软测量模型,进一步提高软测量模型的准确性。基于实验室球磨机多工况实验的数据测试,表明该方法能够有效提高球磨机负荷参数的预测精度。

支持向量机在短期负荷预测中的应用概况

全面总结了支持向量机(SVM)在短期负荷预测中的应用概况,并从SVM的原理出发,对比人工神经网络方法,从本质上阐述了SVM方法在短期负荷预测中应用的优越性。同时针对SVM在应用中存在的问题,包括数据预处理、核函数构造及选取和参数优化的方法,做出分析,并归纳了现行的解决方法。从SVM算法用于负荷预测的机理及提高预测精度和速度的角度,对于一系列SVM的改进方法,全面地进行了归纳,并提出需进一步探讨的关键问题。最后对基于SVM的短期负荷预测所需注意的关键问题做出总结,并提出建议。

基于蚁群支持向量机的短期负荷预测

支持向量机(SVM)是一种在统计学习理论基础之上发展起来的针对小样本数据且具有优良推广性能的机器学习方法。阐述了SVM的基本原理及特性,并采用一种新的适用于连续问题的蚁群优化算法(MG-CACO)对SVM核函数的参数进行了优化。同时介绍了基于MG-CACO算法的支持向量机技术的设计思想和特点。并对一实际电网的短期负荷预测进行了实例研究,其结果验证了基于MG-CACO算法的支持向量机预测方法提高了预测精度,此方法在短期负荷预测中的可行性和有效性。

基于改进蚁群算法优化参数的LSSVM短期负荷预测

提出一种自动优选最小二乘支持向量机(LSSVM)模型参数的改进蚁群(MACO)算法。该算法将LSSVM模型的参数作为蚂蚁的位置向量,然后采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索,找到模型的最优参数,得到基于MACO算法优化的LSSVM(MACO-LSSVM)预测模型。将优化后的LSSVM模型应用于短期电力负荷预测问题,选择湖南某地区日期为2009-08-01至2009-08-30各小时点的数据进行分析,对2009-08-31该日24 h的负荷进行预测,并与BP神经网络和SVM模型进行比较。研究结果表明:本文方法得到的均方根相对误差为1.71%,比用BP神经网络和SVM模型得到的均方根相对误差分别低1.61%和1.05%。

基于支持向量机的纯电动公交车充/换电站日负荷预测

讨论了基于相似日选取的支持向量机电动汽车日负荷预测方法。通过对北京现有纯电动公交车充/换电站充电负荷的大量调研,分析了公交车充电站充电负荷的数据特征,采用关联分析方法提取了影响电动公交站充电负荷的因素,基于相关因素应用灰色关联理论构建相似日的小样本集合,而后建立多输入单输出的支持向量机预测模型。针对支持向量机预测模型,提出了两阶段确定模型参数的方法,首先直接确定不敏感损失参数ε,再通过遗传算法寻找最优核参数p和正则化参数C,以提高参数ε选取范围设置较大时的预测精度。实例测试结果表明,日负荷预测的均方根误差为10.85%,能基本满足有序控制的要求;与其他预测方法相比,改进方法具有较高的预测精度和稳定性。