回采工作面瓦斯涌出量VMD-DE-RVM区间预测方法

为有效、准确地预测回采工作面绝对瓦斯涌出量,基于变分模态分解(VMD)方法;差分进化(DE)算法和相关向量机(RVM)原理,提出回采工作面绝对瓦斯涌出量的VMD-DE-RVM区间预测方法;通过VMD方法将绝对瓦斯涌出量分解为若干固有模态分量并分析其局部特征,分别建立每个固有模态分量的RVM预测模型,并通过DE算法优化模型参数以提高预测精度;加权叠加各个分量的预测结果得到绝对瓦斯涌出量预测结果,并将其与经验模态分解方法所得结果对比。结果表明:应用该方法预测回采工作面瓦斯涌出量,能弱化瓦斯涌出量的局部特征,得到置信度为95%时涌出量预测区间有效度为100%,平均绝对误差为0. 096 m3/min,平均相对误差为2. 43%,预测精度有所提高。     

基于HHT方法的矿井瓦斯体积分数预测

为有效分析煤矿瓦斯监测数据以实现较准确的瓦斯浓度预测,研究应用希尔伯特-黄变换(HHT)方法进行瓦斯浓度时间序列分析与预测的方法。应用经验模态分解(EMD)方法将瓦斯浓度时间序列分解成不同频率的固有模态函数(IMF)分量的叠加,以获取瓦斯浓度时间序列的瞬时特征;通过Hilbert变换求得各IMF分量的瞬时频率,依据各IMF分量瞬时频率的均值将分解得到的IMF划分成较高频和低频2类新的分量,选取适合于各分量特征的预测模型分别进行预测,以消除局部随机性对预测精度的影响,结合自回归(AR)、径向基函数(RBF)神经网络和支持向量机(SVM)3种预测模型实现瓦斯浓度预测。实例分析表明:应用该方法所得预测结果比较准确,降低了预测复杂度,提高了预测精度。     

安全预测的EEMD-PSR-Elman建模方法及应用

为分析安全预测中时间序列的非平稳特性并提高预测精度,提出基于集合经验模态分解(EEMD)、相空间重构(PSR)及神经网络的预测建模方法。首先应用EEMD方法将时间序列分解成若干具有不同周期性或趋势性的分量,通过C-C方法计算各分量的最佳嵌入维数和延迟时间;然后分别进行相空间重构;再应用Elman神经网络对各分量进行训练并建立预测模型;最后将各分量预测结果叠加得到最终预测值。用该方法分析反映煤矿安全生产的关键性指标——煤炭生产百万吨死亡率。结果得到具有长期趋势性和周期性波动的5个分量,预测相对误差为-0.11%~0.20%;外推预测表明,中国煤炭生产百万吨死亡率将保持持续下降趋势,至2020年将下降到0.05以下。     

EEMD-小波在高边坡变形信息提取中的应用研究

针对高边坡变形呈现非平稳性及数据“噪声”多源的问题,提出了一种定向滤波的变形信息提取方法。首先,利用集合经验模态分解方法分解变形时序数据,结合定量分析法判别模态分量信号频段;然后,对高频模态分量中的“噪声”利用小波函数进行“靶向”消噪处理,并对趋势项进行傅里叶级数拟合;最后,重构高边坡变形分析模型,实现真实变形量的提取。结果表明,对比分析各项检验指标,通过“靶向”消噪,各高频模态分量消噪效果明显,重构后的集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)-小波高边坡变形分析模型较原始形变和其他模型在精度指标方面提升显著,该方法可用于高边坡的变形预测分析和真实变形量提取。     

基于决策融合的多模型顶板安全预警

为了对矿井深部开采中煤层巷道的动压规律进行准确的预警预测,采用决策融合的多模型顶板来压预测方法。利用聚合经验模态分解方法(EEMD)对每个传感器监测数据进行模态分解,得到各子模型的多个固有模态函数(IMF)序列;根据模态函数的特点,对非线性序列运用支持向量机(SVM)模型,线性序列运用单整自回归移动平均(ARIMA)模型进行预测,再将各子模型中各种预测值合成重构得到各子模型的预测输出;通过统计识别模式将各子模型的预测数据进行归一化决策融合后,在同一个时空坐标系中表示出来。实际应用表明,用多模型融合的预测方法能实现采场顶板动态规律的远期、近期以及实时预测,并能很好地反映动压大变形规律,捕捉顶板灾害的预兆信息。     

基于小波和混沌优化LSSVM的周期来压预测

采煤工作面的液压支架是承受顶板压力的主体结构,选择支架的主要根据是其将要承受的周期来压荷载。为预测周期来压,构建了基于小波和混沌优化的最小二乘支持向量机(LSSVM)方法。该方法利用小波分解技术将所选的样本集数据分解成不同频率的分量,基于混沌理论对分量相空间进行重构。各重构分量分别使用LSSVM模型进行训练,其中LSSVM预测模型的参数由混沌粒子群算法进行优化。最后,将各LSSVM模型得到的预测分量进行小波重组得到完整的周期来压荷载预测波形。通过在重构时的计算发现,在某周期下,荷载的时序序列有一定的混沌性。与其他3种模型进行比较,基于小波和混沌优化LSSVM的预测模型得到的最终荷载波的精度更高,收敛性也较好。     

基于LMD-BA-ELM的边坡变形时序非线性预测模型研究

为分析和预测边坡变形,基于局域均值分解(LMD)、蝙蝠算法(BA)和极限向量机(ELM)的基本原理,建立边坡变形时序非线性预测模型。用LMD法将边坡变形时序样本分解为多组相对平稳的分量;用BA对ELM的参数进行全局寻优,构建BA-ELM预测模型,并对各分量进行滚动预测,经叠加各分量预测值,得到边坡变形最终预测结果。以某露天矿边坡变形实际监测数据为例,进行多模型对比分析。结果表明:LMD-BA-ELM模型预测的平均绝对误差为0.151 0 mm,平均相对误差为1.287 3%,运行时间为7.614 3 s;能够充分挖掘边坡变形的内部规律,有效降低其非线性特征。     

基于VMD分量相对熵分析的压力管道泄漏定位

为减小压力管道泄漏定位误差,从而及时处理管道泄漏,预防事故,首先,提出一种基于变分模态分解(VMD)分量相对熵分析的管道泄漏定位方法,采用VMD分解泄漏信号,获得多个分量,用相对熵分析自适应选择方法去除与管道泄漏信号混合的非泄漏信号,获取最佳观测信号;然后,利用管道模态声发射理论与广义S变换互时频分析,减少泄漏声发射信号频散性对定位的影响,获取较准确的泄漏信号的时延与声速;最后,利用管道泄漏时差定位公式计算泄漏位置,实现管道泄漏的精确定位。结果表明:该方法能够实现管道泄漏精确定位,与直接互时频分析方法以及相关系数分析法相比,定位精度明显提高。     

基于ICEEMDAN和MC-CNN的矿山声发射信号识别分类方法

为精准识别地下矿山声发射事件,采用基于改进的完全集合经验模态分解模型(ICEEMDAN)和多通道卷积神经网络(MC-CNN)模型对声发射信号进行处理后得到分量图,根据各通道输入分量峭度值赋予不同权重,并利用卷积神经网络对输入数据进行训练,最终采用五折交叉实验方法验证该分类识别方法的可行性及有效性.结果表明:基于ICEE...     

露天矿边坡变形的LMD-Elman时序滚动预测研究

为准确预测边坡变形,采用局部均值分解(LMD)与Elman神经网络相结合的方法,构建基于LMD-Elman的露天矿边坡变形的滚动预测模型。通过LMD将时序样本分解为多个分量,利用Elman神经网络对各分量进行滚动预测,再叠加各预测值重构最终理论预测值。以某露天矿边坡实际监测数据为例,进行仿真预测。结果表明:监测数据自身携带诱导边坡变形及失稳的重要信息,基于LMD-Elman的滚动预测能有效揭示边坡变形的波动性、趋势性和周期性特征;模型预测结果的平均绝对误差为0.056 8 mm,平均相对误差为2.756 8%,与单一Elman模型相比,预测精度显著提高。     

基于NGBM(1,1)模型的河流水质预测研究

<正>引言水质预测是在积累了一定数量的历史数据的基础上,结合事物的发展规律和内在机理,分析得出事物未来的趋势和状态的过程。常见的水质预测方法有数理统计预测方法、人工神经网络、水质模型模拟预测、灰色预测等,这些方法各有优缺点。GM(1,1)模型作为灰色预测的核心内容之一,由于建模过程简单、所需数据量小、模型表达式简洁,已经在经济管理和工程等领域得到了广泛的应用,但是GM(1,1)模型在应用过程也出     

基于EMD-MFOA-ELM的瓦斯涌出量时变序列预测研究

为准确分析工作面绝对瓦斯涌出量的非平稳特征,实现瓦斯涌出量的准确预测,基于经验模态分解(EMD)、修正的果蝇优化算法(MFOA)和极限学习机(ELM)基本原理,构建瓦斯涌出量的EMD-MFOA-ELM多尺度时变预测模型。通过EMD将瓦斯涌出量时变序列进行深层次分解,获得多尺度本征模态函数(IMF);采用MFOA-ELM对各IMF时变序列建立动态预测模型,等权叠加各预测值,得到模型最终预测结果。以晋煤某矿瓦斯涌出量监测时序样本为例进行研究分析,结果表明:EMD能充分挖掘出监测数据隐含信息,有效降低数据复杂度;该模型预测相对误差为0.024 3%~0.651 0%,平均值仅为0.252 6%,预测精度和泛化能力高于未经EMD分解模型,能很好地适用于非平稳时变序列预测。     

数据驱动的油田污水处理水质预测研究

为实时掌控油田的污水处理站生产工况，结合桩西污水处理站的监测数据，使用改进的支持向量机模型对油田污水水质进行预测。通过归一化方法将收油和收悬浮操作记录转化为数值特征，实现预测模型对外部介入操作的及时响应。利用差分进化算法对预测模型进行超参数寻优，实现模型超参数全局最优值的快速确定，采用最优模型对含油量和含悬浮量进行预测和验证。结果表明，基于差分进化算法的支持向量机模型(DE-SVM)在2个水质指标的预测中，均能取得最高的决定系数(R²)和最低的平均绝对百分比误差(MAPE)，显著优于其他预测方法，对实现油田污水处理流程的主动控制具有重要意义。     

基于BP神经网络方法的引滦入津工程黎河段水质预测研究

根据引滦入津工程黎河段前毛庄断面水质监测数据,采用BP神经网络与非线性时间序列相结合的方法,建立BP网络非线性时间序列水质模型.应用该模型对氯化物和氨氮水质指标进行预测.结果表明,模型预测精度较好.通过预测结果验证了模型的可靠性.与机理性模型相比,提出了该模型的应用条件及优缺点.     

GM(1,1)模型群在黄河水质预测中的应用研究

灰色预测对统计数据较少问题可以进行预测,一般3-4个数据就可以建模,由于建模序列长短不同,会得到不同的预测方程,即对实际问题发展趋势某种程度的把握.实际预测时若能将不同的预测结果综合考虑进去,效果更佳.介绍了GM(1,1)模型建立的方法与步骤,并依据黄河潼关断面过去10年(1996-2005年)水质状况,利用GM(1,1)模型群预测了未来7年(2006-2012年)的水质发展状况.     

基于EFDC水动力-水质模型的建立--以慈湖河为例

本文根据马鞍山市慈湖河流域水环境现状,结合当地政府对慈湖河的管理整治目标,选择EFDC水动力-水质模型作为慈湖河水环境模型。并根据慈湖河流域整体情况对时间空间进行概化。时间概化上,最终确定水动力学模拟时间步长为10s,水质模拟时间步长为20s;空间概化上,采用凸四边形网格概化,各网格之间为一维线性关系;通过CAD、GIS软件,将河道划分为106个网格,共计86行、24列,建立二维模型。通过研究参考文献及相似案例,最终确定本模型的参数和取值。将参数值输入程序中,对慈湖河流域2013年水质进行模拟计算。与马鞍山实际数据比对后发现,模型输出的水位、流速、水质结果在合理范围内。表明在慈湖河干流建立二维水质污染扩散模型,具有较高的拟合、预测精度和泛化能力,模型及方法可为相关水质预测研究提供参考。此外该模型可与web应用系统集成,应用于水质预警,模拟不同污染负荷情形下水质变化,模拟污染事故发生后不同应急措施对污染情况的改善效果,为污染控制和水环境管理工作提供科学依据。     

化工过程自适应多模型故障监测方法研究

为提高化工过程故障监测的准确性,针对先验知识不足情况下的多模态化工过程模态数未知问题,开发自适应多模型的故障监测方法。基于奇异值分解(SVD)求解模态数,利用模糊C均值(FCM)算法对训练数据进行模态划分,并利用主成分分析(PCA)方法,针对不同的过程模态建立相应的监测模型,实现故障监测。将该方法应用于丙烯计量罐装置,进行实例分析。结果表明,与基于聚类有效性指标的方法相比,该方法在正常和故障2种情况下,故障监测的误报率分别降低了3.54%和5.59%。     

基于PSO优化BP神经网络的水质预测研究

为快速准确地预测河流水质,结合汾河监测数据,使用粒子群算法(PSO)优化BP神经网络模型(PSO-BP)进行水质预测.通过灰色关联度分析确定输入变量,利用PSO算法修正BP网络的初始权值、阈值,优化神经网络结构及算法全局收敛性.采用该模型对汾河主要污染物指标COD、BOD5、氨氮、挥发酚等进行预测和验证.结果表明,与传统的BP神经网络模型相比,PSO-BP模型使最大相对误差从15.43％减小到1.46％,其平均误差由4.00％减小到1.01％,预测均方根误差从5.956×10-3减小到1.605×10-4.因此,基于PSO-BP神经网络模型的预测更加精确,可用于水质预测.     

基于改进QUAL2Kw模型的水环境重金属污染模拟

重金属污染是目前最主要的水环境问题之一。由于水体中的重金属迁移转化过程复杂,加之当前我国重金属污染形势严峻,以及重金属监测数据缺乏,相关的重金属模型在准确模拟重金属浓度变化方面存在一定的局限性。通过对一维河道水质模型(QUAL2Kw)进行改进,嵌入重金属模拟模块,并将其应用于刁江的水质模拟中,同时实现了河道常规水质指标和重金属指标的模拟。在此基础上,运用遗传算法率定模型参数,并进行了模型验证。结果表明,改进的QUAL2Kw模型能够较好地模拟实际水质状况,模拟结果显示,北京屯支流对刁江干流总氮、总磷及重金属锌、铅、镉浓度的影响较大。这一研究结果有利于准确评估重金属污染状况与其他水质指标的相关性,为水环境管理部门预测重金属污染风险及制定水污染治理措施提供依据。     

基于PCA-VMD-CNN的输电线路覆冰重量预测模型*

为防止覆冰灾害危及电路安全,提出1种输电线路覆冰重量预测模型。首先对多个气象因素进行主成分分析提取气象因素中的有效信息,再对覆冰历史数据进行变分模态分解,获得具有不同特性的本征模态分量;然后基于卷积神经网络,对具有不同时间尺度（周期性、波动性不同）的各个分量进行训练及预测,并将每个分量的预测结果相加。研究结果表明:通过对某覆冰区域的输电线路监测数据进行实验仿真,研究所提出的覆冰重量预测模型有更高精度。