基于ISSA-XGBoost模型的多特征融合露天矿卡车行程时间预测

针对露天矿运输系统卡车行程时间预测问题,提出了一种基于特征选择及改进麻雀算法优化XGBoost的露天矿卡车行程时间预测模型。模型充分考虑了卡车特征、道路特征、气象特征以及时间特征对卡车行程时间的影响,并使用皮尔逊系数法深入分析影响因素的贡献度。针对麻雀算法中全局搜索能力薄弱的问题引入反向学习和螺旋搜索策略,以提高算法的收敛性能。最后,使用改进的麻雀算法对XGBoost的关键参数进行寻优,进而构建露天矿卡车行程时间预测模型。选取国内某大型露天矿卡车调度系统采集的数据进行仿真模拟,并将所提出模型与SVM、BP、RBF和RF等其他机器学习模型进行对比。结果表明：所提出模型的预测误差均低于其他模型,相关系数可达0.981 9。开发的模型和分析结果可以极大地帮助决策者规划、运营和管理更高效的露天矿运输系统。     

基于改进SSA-SVM的矿用发动机磨损预测

矿用机械由于工作环境特殊,故障率远远高于其他机械。发动机是矿用机械的关键部件,对其进行超前管理和预知维修有助于延长设备的工作时间,提高工作效率和经济效益。采用Levy飞行策略改进的麻雀搜索算法(SSA)优化支持向量机(SVM)并建立预测模型,评价指标为平均相对误差和平方相关系数。通过与标准的SSA-SVM算法对比,仿真结果表明,改进的算法对发动机磨损状态的预测能力更优秀。     

基于改进布谷鸟算法与SVM的矿用变压器故障诊断

矿用变压器主要用于含有易燃气体和煤尘的矿井中,为采煤机、运输车及照明系统提供电源。针对目前矿用变压器故障诊断准确率不高的情况,提出了一种基于改进布谷鸟算法和支持向量机(SVM)的矿用变压器故障诊断方法。首先引入改进的布谷鸟算法对支持向量机参数进行寻优,获得具有最佳参数的支持向量机模型,然后利用支持向量机对变压器故障进行分类来实现变压器故障的诊断,最后,通过算例仿真对所提算法和检测方法进行了验证,Matlab仿真结果表明：利用改进布谷鸟算法和诊断模型得到的矿用变压器故障诊断准确率要高于传统的矿用变压器故障诊断方法。     

刮板输送机故障诊断方法研究

为了提高刮板输送机故障诊断准确度,降低事故发生率,分析了刮板输送机常见的故障,研究了基于支持向量机的刮板输送机故障分类,介绍了刮板输送机故障数据处理方法以及基于SVM的故障诊断流程,并对支持向量机参数进行了选择,采用网格搜索交叉法得到模型的最佳参数模型,使用该模型对刮板输送机故障数据进行预测。研究表明,采用支持向量机和网格搜索交叉法相结合的方法,可以对刮板输送机故障进行有效诊断。     

基于IGWO-BPNN的露天矿卡车故障预测方法

为有效解决露天矿中卡车的故障预测问题，提出了一种基于改进灰狼算法的BP神经网络模型，并成功应用于预测露天矿卡车故障次数和故障持续时间。首先，针对传统灰狼算法的不足，引入了新的非线性更新机制和基于线性插值的种群更新机制，提出了融合多策略的改进灰狼优化算法。其次，将IGWO应用于BP神经网络的权值和阈值搜索中，形成了基于IGWO的BP神经网络模型(IGWO-BPNN)。最后，以宝日希勒露天煤矿卡车故障数据为例，成功将该模型应用于卡车故障预测研究。结果表明，在相同实验条件下，与其他算法相比，IGWO-BPNN具有更高的模型预测性能和分类精度，可帮助露天矿山科学制定卡车预防性检修计划，并为智慧露天矿山建设提供科学有效的基础决策数据。     

基于IFOA-RotGBM的矿用挖掘机发动机故障诊断

针对矿山挖掘机发动机工作机理复杂、故障诊断效率低且精度不高的问题,提出了一种基于IFOA优化RotGBM的矿用挖掘机发动机故障诊断方法。首先利用随机森林-递归特征消除法(RF-RFE)对采集的挖掘机发动机故障数据进行特征提取,剔除冗余不相关特征;其次提出了一种改进的果蝇优化算法(IFOA)对LightGBM进行超参数寻优;然后融合旋转森林和LightGBM生成RotGBM,构建了新的故障诊断模型;最后利用某矿山挖掘机发动机故障数据对模型进行了验证,并与其他常用方法进行了性能对比分析。仿真结果表明:所提方法的诊断性能优于其他诊断方法,能达到98.31%的诊断精度,0.22%的误报率和2.5%的漏检率,满足矿山挖掘机发动机的故障诊断要求。     

基于PSOGA႗SਧM 的露天矿卡车油耗预测研究

针对露天矿卡车运输油耗预测问题,提出了一种基于 遗传算法(GA)改进的粒子群优化算法(PSO),用以优化支 持向量机(SVM)参数,构建了基于 PSOGAＧSVM 的露天矿 卡车油耗预测模型.模型考虑运量、运距、道路质量以及天 气等８个影响因子,选取某大型露天矿智能生产管控系统中 采集到的卡车油耗数据进行试验,将模型应用于矿山实际进 行试验.试验结果表明,PSOGAＧSVM 卡车油耗预测模 型 能够比较快速、准确地预测出卡车油耗数据.相比其他对比 试验模型,预测精度提高了３０％、预测稳定性提高了３４％, 模型在露天矿卡车燃油消耗的预测应用中具有较好的适应 性,可为露天矿卡车燃油消耗考核与油库管理提供参考.     

基于迁移学习的采煤机摇臂传动故障研究

针对传统故障诊断方法无法有效识别并自动分类实际工况中采煤机摇臂传动故障多的非线性、非平稳信号,提出一种基于迁移学习的采煤机摇臂传动故障诊断模型。基于迁移学习思想,构建基于深度迁移学习的采煤机摇臂传动故障诊断模型;采用多标签分类及sigmoid函数,对模型进行改进,实现对采煤机摇臂传动复合故障的识别与分类;最后,通过仿真实验验证了改进模型性能,并对比了提出模型与传统智能故障诊断模型DCNN、SVM、LSTM、CNN在迁移任务中的分类准确率。结果表明,相较于传统智能故障诊断模型,基于深度迁移学习的采煤机摇臂传动故障诊断模型具有更高的诊断精度,且收敛速度更快,可提高采煤机摇臂传动系统的工作可靠性。     

基于PSOGA-SVM的露天矿卡车油耗预测研究

针对露天矿卡车运输油耗预测问题,提出了一种基于遗传算法(GA)改进的粒子群优化算法(PSO),用以优化支持向量机(SVM)参数,构建了基于PSOGA-SVM的露天矿卡车油耗预测模型。模型考虑运量、运距、道路质量以及天气等8个影响因子,选取某大型露天矿智能生产管控系统中采集到的卡车油耗数据进行试验,将模型应用于矿山实际进行试验。试验结果表明,PSOGA-SVM卡车油耗预测模型能够比较快速、准确地预测出卡车油耗数据。相比其他对比试验模型,预测精度提高了30%、预测稳定性提高了34%,模型在露天矿卡车燃油消耗的预测应用中具有较好的适应性,可为露天矿卡车燃油消耗考核与油库管理提供参考。     

基于支持向量机的矿用电机故障诊断

提出一种基于电流信号频谱分析和支持向量机(SVM)的矿用感应电机早期故障诊断方法。对定子电流采样后,经FFT变换后提取故障特征量作为支持向量机的输入,基于1对1算法和混合矩阵组合策略构造了多故障SVM分类,对不同类型的故障进行诊断和分类。实验结果表明,该方法能够有效解决电机故障诊断中小样本集、非线性、高维数时的故障分类问题,提高电机故障诊断的准确性。     

一种露天矿卡车故障的NLP技术挖掘与分析方法

受制于国内露天矿设备的智能化故障诊断水平,露天矿卡车故障信息以人工采集方式为主,故障信息的标准化和故障管理的程序化程度不够,难以进行深入的故障分析工作。为此,提出了基于自然语言处理技术的故障分析方法。该方法首先对故障文本信息进行预处理,利用向量空间模型对处理结果进行统计,从而获得初始特征向量;然后利用主成分分析算法对初始特征向量进行降维处理,建立故障特征空间模型;最后利用这些特征向量训练故障挖掘模型,对露天矿卡车故障信息进行挖掘与分析。通过矿山实际数据验证了该方法的合理性,为露天矿卡车故障信息分析与管理提供了新方法。     

基于节点优化的决策树支持向量机及在故障诊断中的应用

针对目前故障诊断中,难以获得大量的故障数据样本以及诊断知识获取困难等不足,提出了专门针对有限样本的新一代机器学习的算法—支持向量机(SVM),它在样本很少的情况下具有较好的泛化能力,比较适合解决故障诊断小样本情况的实际问题。在多故障诊断时,必须先进行多分类扩展.决策树是一种性能优秀的多分类扩展策略,但该方法的决策结果与结点的排部密切相关,结点的排部影响了诊断的正确率.提出一种根据故障数据的空间分布来优化结点排部的方法,它能够提高支持向量机诊断的正确率.采用该方法扩展的多分类支持向量机在故障诊断中获得良好效果.     

基于支持向量机的故障诊断方法研究

故障样本缺乏是制约智能故障诊断发展的重要原因。支持向量机是近10 a来提出的一种基于小样本的统计学习方法。将支持向量机分类算法用于滚动轴承的多类故障分类并与RBF神经网络进行对比研究。实验表明,在有限样本条件下,支持向量机算法比RBF神经网络具有更好的分类性能。     

矿用自卸车自动润滑系统异常状况智能诊断系统

面对复杂的矿用自卸车自动润滑系统,要用人工迅速进行异常状况诊断,得出准确结论是相当困难的。采用模糊理论方法对矿用自卸车自动润滑系统的异常来进行故障诊断,将有益于矿用自卸车自动润滑系统的寿命提高,对提高矿用自卸车的使用寿命、提高生产效率、降低生产成本有很重大的理论意义和广阔的推广价值。     

智慧型电力应急预案模式在故障线路快速定位方法中的应用研究

现有电力应急预案在响应突发事故导致的输电线路故障情况时,体现出准确性和时效性的明显不足问题,归其根本是因为在响应初期无法做到准确及时地定位出故障线路位置,从而使得应急响应存在滞后性。而智慧型电力应急预案以事故的推理机制为基础,在考虑系统的状态运行条件下,实现无脚本的动态应急响应。在智慧型应急预案下,动态应急响应的关键在于准确及时地定位出发生故障的输电线路位置。通过将电力网络的APTS简化模型和改进遗传算法相结合,构建出一种在智慧应急预案下的故障线路快速定位方法。该方法具有定位速度快和定位精度高的优点,具有很强的实用性。最后,以广州市某小型配电网为例验证了其合理性和可行性。     

基于VMD-PE和M-RVM的滚动轴承故障诊断

针对传统EMD易产生模态混叠,原始SVM、RVM方法存在核函数选取困难、识别效率低等问题,提出一种基于变分模态分解(VMD)、排列熵(PE)以及混合蝙蝠算法(BA)优化的多分类相关向量机(M-RVM)的轴承故障智能诊断方法。首先,VMD分解故障信号,获得本征模态函数(IMF);然后将PE用于IMF的故障特征提取过程,形成特征序列;最后,将所得的特征序列输入基于混合BA优化的M-RVM故障诊断模型,对不同故障进行分类识别。对试验数据的分析结果表明,基于VMD-PE与M-RVM的滚动轴承故障诊断可以提高轴承故障诊断的准确度。     

SVM在煤矿机电设备故障诊断中的应用

针对煤矿大型机电设备故障诊断与维修过程中存在故障数据少、干扰大的非线性特征,提出了采用支持向量机进行故障诊断的方法。建立了系统故障诊断分类模型,采用拉格朗日函数得到了最优解。通过对刮板输送机传动部温度故障数据的参数估计与分类研究,结果表明支持向量机故障诊断效果较好。