基于机器学习的电动汽车电池系统的风险预警

为提高动力电池在实车工况下安全预警的及时性和准确性，将电池系统安全预警问题提炼为关键状态预测及基于预测状态的预警分类2大科学问题，根据实车运行中的电池状态数据，选择电池的单体电压最高值、单体电压极差等作为关键预测对象；利用费舍尔计分和最大信息系数(MIC)进行特征选择，采用样本卷积和交互网络模型(SCINet)实现关键状态预测；基于预测的状态，建立多分类随机森林(RF)模型，对动力电池的安全风险进行分级预警。研究结果表明：该模型对电池多个参数具有很强的预测能力，如预测1 min后单体电压最高值的均方根误差(RMSE)为0.027 1,温度最高值为0.054 0;对电池系统1 min后安全风险等级预测的查准率为84%,宏平均f₁分数为74%。     

地铁安全文明施工费费率标准动态测算研究

为有效解决目前地铁工程中安全文明施工费费率标准指导效用滞后问题,在数据时效性约束下研究该费率的实时测算。在界定地铁工程安全文明施工费内涵的基础上,将其按固定费用和变动费用精细化分析,进而统计并预测其费用投入以作为费率测算分子;构建用粒子群算法优化的最小二乘支持向量机(PSO-LS-SVM)模型,用其预测竣工结算造价,从中提取计费基数作为费率测算分母;最终形成地铁工程安全文明施工费费率标准的动态测算方法;选取武汉地区在建样本项目进行实证分析。结果表明:用动态测算方法测算的费率,能够反映实时环境下的地铁工程对安全文明施工费的需求。     

基于主成分分析与Fisher判别分析法的矿井突水水源识别方法

为有效地预防矿井突水事故,及早识别突水水源是关键工作之一。根据矿井各含水层水化学成分的差异性,选取7种水化学成分指标作为突水水源识别的样本变量。在此基础上,采用主成分分析(PCA)与Fisher判别分析相结合的方法建立突水水源判别模型。以新庄孜煤矿不同水层的水化学特征资料中的33个为学习样本,12个为预测样本,对该模型进行检验和应用,并与传统Fisher判别分析模型的结果进行比较。研究结果表明:利用PCA与Fisher突水水源判别模型能够有效地消除样本变量指标间的相互影响,使突水水源判别结果更加准确。     

建筑工程安全施工费费率测算的PSO-BP模型研究

为科学合理地测算建筑工程安全施工费费率,考虑数据时效性和施工环境差异性对费率的重要影响,提出精细化限时测算方法。将建筑工程安全施工费划分为固定费用和变动费用2部分,构建基于粒子群优化算法(PSO)的误差BP神经网络模型,以此预测工程结算造价,分析费用后得到与实际安全施工费对应的费率计费基数,进而得到费率。选取41个已完工样本项目进行网络训练,确定模型最优网络结构。对武汉市15个典型在建项目进行实证分析。结果表明,在限定时间以及调研采集数据时效性约束条件下,用该模型算得的费率能反映不同地域施工环境对安全施工费动态需求。     

基于遗传算法的支持向量机预测有机物自燃点的研究

根据定量构效关系(QSPR)原理,研究自燃点(AIT)与其分子结构间的内在定量关系。以265种有机化合物作为样本集,随机选择238种作为训练集,27种作为测试集,用遗传算法(GA)进行变量选择,分别建立多元线性回归(MLR)模型和支持向量机(SVM)模型研究有机物的自燃点与其分子结构间的关系。通过分析,发现造成模型预测效果不佳的原因是试验数据本身存在问题。通过对2个模型的比较,结果为GA-SVM模型明显优于GA-MLR模型,说明自燃点与其分子结构间具有很强的非线性关系。     

旧工业建筑再生利用施工风险应急管理研究

为了解决旧工业建筑再生利用施工风险难以快速应对以及特征属性数据缺失的问题,通过对近年历史案例的收集,将规则推理（RBR）引入案例推理（CBR）中,构建旧工业建筑再生利用施工风险应急管理模型。利用组合权重的方法,求出各特征属性的权值;通过计算结构相似度来处理缺失的属性数据,并结合特征属性相似度,求出全局相似度,检索出相似度最大的案例;通过RBR对检索案例的应对措施进行适用性修正,提高应对措施的针对性;最后,选取案例对模型进行应用说明,结果表明:模型具有较强的适用性,可用于旧工业建筑再生利用施工阶段的风险应急管理。     

基于机器学习的高速公路大型货车追尾风险预测

针对高速公路大型货车追尾事故频发的问题，评估高速公路大型货车追尾风险，并分析交通流特性对大型货车追尾风险的影响，以降低追尾事故的发生率。根据德国HighD开源数据集，以不同冲突风险等级的碰撞时间(TTC)阈值作为大型货车冲突风险的划分标准，提取大型货车的车辆轨迹与交通特征参数等数据，基于随机森林(RF)、支持向量机(SVM)和人工神经网络(ANN)等3种机器学习模型分别建立高速公路大型货车追尾风险实时预测模型；以混淆矩阵、受试者工作特征曲线的曲线下面积(AUC)和洛伦兹(KS)检验等评价指标，对比分析各模型的整体预测能力，并选取预测精度最好的模型分析各个特征参数对追尾风险的影响程度。研究结果表明：RF模型的预测准确率达75%,相对SVM模型高出8%,相对ANN模型高出10%,且RF模型的预测精确度、召回率、AUC值和KS值均优于SVM模型和ANN模型；最小车头间距、车速标准差和加速度标准差3个参数对大型货车追尾风险影响程度最高。     

基于SR-CM的公务航空运行安全风险评估

为了对公务航空进行有效的安全风险管控,基于公务航空运行特点,构建基于Spearman秩相关系数-云模型(SR-CM)的公务航空运行安全风险评估模型.通过对近8年国内外公务航空事故事件进行分析整理统计,建立基于人-机-环-管系统的安全风险指标体系;针对单一赋权造成的随机性和模糊性,构建Spearman秩相关系数(SRCC)组合赋权模型,结合云模型(CM),将定性指标定量化进行安全风险评估.最后运用SR-CM模型对A公务航空公司进行试点验证,计算该公务航空公司的安全风险等级与安全风险等级标准之间的隶属度.结果表明,该公务航空公司安全风险评语云涉及从低风险到较高风险,并且与一般风险相似度最大,确定该公务航空公司的安全风险等级为一般风险.     

安全生产水平预测与评价的系统动力学模型

为有效预测和评价安全生产水平,建立一个量化、动态、可反馈的系统动力学(SD)安全生产水平预测与评价模型。通过辨析安全生产影响要素,绘制安全生产要素-系统-指数因果关系图。运用SD理论,构建安全生产水平预测和评价SD模型。在模型中确定3个状态变量、3个决策变量和4个辅助变量,并设置6条反馈回路。通过确定变量,并利用SD模型进行仿真模拟,可实现安全生产水平的定量、动态预测和评价;将SD模型用于安全生产水平预测和评价,可弥补现行定性、静态、链式评价方法的不足。     

基于主成分分析和神经网络的事故预测方法及应用

为解决人工神经网络(ANN)对复杂系统进行事故预测建模时,易导致网络复杂,降低网络性能和增大预测误差的问题,提出一种基于主成分分析法(PCA)的ANN事故预测方法。介绍PCA法和ANN的基本理论,阐述基于PCA法的ANN事故预测模型及其预测步骤,即在利用ANN预测之前,先用PCA法分析事故影响指标,将多个指标转化为少数几个能反映原始信息的互不相关的综合变量(主成分),然后以这些变量作为输入进行ANN建模,从而达到简化模型,提高网络性能和计算精度的目的。以煤矿事故预测为例,进行应用和对比研究。结果表明:基于PCA的ANN事故预测相对误差小于3%,而直接运用ANN方法预测的相对误差达到5%。这说明,对复杂安全系统进行事故预测时,基于PCA法的ANN预测方法是更可行的。     

装配式建筑安全文明施工费RS-LSSVM预测方法

为准确测算装配式建筑安全文明施工费,开发一种基于粗糙集(RS)-最小二乘支持向量机(LSSVM)模型的预测方法。根据装配式建筑作业空间并行多维且以吊装施工为主的特点,分析影响费用的主要因素并通过RS属性约简算法确定其测算因子;引入LSSVM,构建装配式建筑项目安全文明施工费测算模型,给出计算方法以及模型流程;以某城市群部分装配式项目的相关数据进行模型学习训练和仿真测算,以此为例完成实证检验和分析。结果表明:在样本数据较少、指标成多维非线性关系的情况下,用该方法测算所得结果与实际情况符合较好(平均相对误差为4.92%),比BP模型和回归分析等2种传统方法(11.78%和17.67%)测算结果更准确,效率更高。     

基于FA-BAS-ELM的海洋油气管道外腐蚀速率预测

为提高海洋油气管道外腐蚀速率预测的精度和效率,建立基于因子分析(FA)和天牛须搜索算法(BAS)的极限学习机(ELM)腐蚀速率预测模型。利用FA对影响因素数据集进行降维处理,确定预测模型的输入变量;建立ELM预测模型,并采用BAS对ELM模型的参数进行优化,避免参数取值随机性对模型预测性能的影响;以实海挂片试验为例,通过建模仿真评价模型的预测性能,并与其他模型进行对比分析。结果表明:FA-BAS-ELM预测模型的平均绝对误差(MAPE)仅为1.92%,决定系数R²高达0.9949,相比于其他模型,该模型具有更优的预测性能。     

基于QPSO-RBF的瓦斯涌出量预测模型

为了提高径向基(RBF)网络预测瓦斯涌出量的泛化能力,提出QPSO-RBF模型。该模型采用量子粒子群(QPSO)算法优化RBF网络隐层基函数中心、扩展系数以及输出权等初始参数,将网络参数编码为QPSO学习算法中的粒子个体,在全局空间中搜索最优适应值参数。其中,RBF网络选取5-3-1的精简结构,采用5个变量作为影响因子预测瓦斯涌出量。结果表明,经QPSO优化后的RBF网络模型预测结果稳定且唯一,其泛化指标平均相对变动值(ARV)为0.012 2。与PSO-RBF、RBF模型预测结果比较,QPSO-RBF模型的泛化能力和网络训练速度优于前2种;预测精度约为PSO-RBF模型的1.5倍、RBF模型的4倍。     

基于案例推理的露天矿山排土场滑坡事故预警方法研究

通过整理100组排土场滑坡的案例库,提出了基于案例推理(CBR)的排土场滑坡中长期预警方法,采用框架法表示滑坡案例,RBF神经网络和欧式距离相结合实现案例的检索,由用户和专家来完成案例的修正与调整。在高村排土场进行了实际应用,通过案例检索获得了相似的案例,确定了预警等级及合理的处置方案,为排土场滑坡事故预防提供了科学指导。     

基于QSPR方法的脂肪醇化合物闪点预测

为提高脂肪醇化合物闪点预测精度,提出基于定量结构-性质关系(QSPR)原理的脂肪醇化合物闪点预测方法。应用Dragon软件计算出91种脂肪醇的分子描述符,利用遗传函数算法(GFA)从1 481个描述符中筛选出3个与脂肪醇闪点关系最密切的分子描述符。分别用多元线性回归(MLR)方法和支持向量机(SVM)方法进行建模,并采用内部验证和外部检验的方式对模型的拟合度、预测性等性能进行验证。结果表明:预测集的MLR方法和SVM方法的平均绝对误差(AAE)分别为2.870 K和2.706 K;均方根误差(RMSE)为3.451 K和3.371 K。SVM模型在精度上略优于MLR模型,而MLR模型更为简单和方便。     

基于KPCA-MPSO-ELM的矿井突水水源判别模型

为准确判别矿井突水水源并有效预防突水事故,提出一种基于核主成分分析-改进粒子群算法-极限学习机(KPCA-MPSO-ELM)的矿井突水水源判别模型。利用核主成分分析(KPCA)法对原始数据进行属性约减,通过改进粒子群算法(MPSO)优化极限学习机(ELM)的初始权值和阈值,建立KPCA-MPSO-ELM模型;在综合考虑矿井各含水层的水化学特征的基础上,选取Ca2+、Mg2+、K++Na+、HCO3-、SO42-、Cl-等的浓度和总硬度作为矿井突水水源的主要判别依据;以新庄孜矿的45组实测数据作为样本进行实例分析,其中33组数据作为训练数据训练模型,另外12组数据作为预测样本,用该模型进行预测,并将其判别结果与MPSO-ELM、KPCA-PSO-ELM模型的判别结果进行对比。结果表明:KPCA方法能减少指标数据间的信息重叠;通过MPSO优化ELM参数,可提高算法的整体搜索性能和收敛速度; KPCA-MPSO-ELM模型的预测精度高于MPSO-ELM、KPCA-PSOELM等2个模型。     

基于范例推理的灾害性地震应急物资需求预测研究

基于范例推理(CBR)理论,利用最近相邻法和粗糙集理论搜索相似度最高的主震历史范例,分析各主要物资需求量的影响因素,预测当前范例主震期应急物资需求量。通过序贯决策,采用马尔科夫预测模型预测余震类型,进而搜索余震历史范例,预测余震期应急物资需求量。以"玉树"地震为例,运用该方法估算地震发生后食物类、生活用品类、药品类、工程机械类的需求量。     

基于案例推理的大型养路机械故障诊断系统

为实现铁路大型养路机械(简称"大机")故障的智能检索和诊断,使用基于案例推理(CBR)的思路分析和设计用以实现这些目的的系统。阐述案例的表示和构建方法。提出捣固车的故障案例模型构建方法。设计捣固车故障诊断的CBR系统。给出带权值的k-近邻法的案例相似性检索方法。提出大机故障诊断智能决策系统,采用定性和定量检索相结合的方法。故障诊断系统能够进行案例的定性、定量和混合检索。用捣固车的具体故障案例,验证所设计的系统的可行性。诊断系统检索得到的故障类型与依据现场采集的数据判定的故障类型基本一致,能够进行案例调用和修改。     

BP神经网络模型的改进及其在海底管道外腐蚀速率预测中的应用

针对海底油气管道外腐蚀问题构建模型预测其腐蚀速率，建立基于改进鹈鹕优化算法(Improvement Pelican Optimization Algorithm, IPOA)的BP神经网络(Back Propagation Neural Network, BPNN)腐蚀速率预测模型。通过Logistic-Tent混沌映射初始种群与收敛因子非线性化的方法提高鹈鹕算法(POA)的全局搜索能力和寻优精度，采用IPOA算法优化BPNN的权值和阈值，提升模型的预测精度与鲁棒性。以实海挂片试验数据为基础，建立POA-BPNN和BPNN模型作为对比。结果表明：IPOA-BPNN模型的决定系数R²为0.966 4,均方误差为0.235 3,平均相对误差为3.16%,均优于其余两个模型，模型的鲁棒性较未改进有较大的提升。这表明IPOA-BPNN模型能够为海底管道的维修与更换提供决策支持。     

飞行签派员警觉性预测三过程模型

为解决民航飞行签派员警觉性预测问题,在国际通用的警觉性理论基础上,通过电子手环监测与精神运动能力测试(PVT)数据分析,构建面向民航飞行签派员的警觉性预测三过程模型(TPMA)。首先,从国内大型运输航空公司的一线值班飞行签派员中选取120名被试,在40 h睡眠剥夺条件下定时采集体温数据,并对被试进行PVT测试;其次,使用余弦分析法确定相位,根据测试数据,确定模型的上下渐近线,睡眠转换阈值等关键参数;然后,通过提前唤醒,测试修正睡眠惯性过程;最后,测试120名被试用以验证模型,并额外选取3组不同排班方式的被试开展独立验证。结果表明：二谐量的余弦函数可以很好地拟合体温数据,拟合相位为16.88,警觉性昼夜节律参数为-55 ms/℃,上下渐近线分别为750、200 ms,睡眠转换阈值为437 ms; TPMA预测结果与规律作息测试数据拟合优度大于0.90,与实际工作条件下测试数据的拟合优度大于0.81。提出的飞行签派员TPMA具有较好的稳定性和适用性。