基于可解释性机器学习的城市O3驱动因素挖掘

受前体物排放和气象条件等因素共同驱动,大气臭氧(O₃)已成为影响城市夏季环境空气质量的主要污染物.目前物理化学机制驱动的演绎模型在进行O₃污染解析时需要的模型参数众多,运算时效性较差;数据驱动的归纳模型运算效率高,但存在可解释性差等问题.通过建立可解释性数据驱动的Correlation-ML-SHAP模型,Correlation模块挖掘O₃浓度关联影响因素,机器学习ML模块耦合可解释性SHAP模块计算各驱动因素对O₃浓度的影响贡献,实现对驱动因素的定量解析,并以晋城市2021年夏季O₃污染过程为例开展应用研究.结果表明,Correlation-ML-SHAP模型能够挖掘并利用强驱动因素模拟O₃浓度和量化影响贡献,其中ML模块采用XGBoost模型模拟准确度最佳. 2021年夏季晋城市O₃污染强驱动因素为：气温、日照强度、湿度和前体物排放水平,贡献权重为：32.1%、 21.3%、 16.5%和15.6%,其中气温、日照强度和前体物排放...     

基于红外热成像的隧道火焰检测技术研究

精准的火焰检测是有效避免火灾发生的关键,针对传统的火灾探测算法在公路隧道等大空间环境中存在及时性与准确性相互制约的问题,通过研究隧道火焰初期在图像中呈现的静态和动态特征,提出了一种基于红外热成像的公路隧道火灾初期火焰检测方法。利用温度阈值获取疑似火焰区域,根据红外图像在引导滤波器作用下降噪,同时利用区域增长法分割疑似火焰区域;从疑似区域中提取的特征值构成特征向量,进行数据归一化提高SVM收敛速度;利用人工蜂群算法优化参数。结果表明:ABC-SVM能够实现公路隧道火灾初期的火焰识别,检测正确率相较于RBF方法提升了2.26%,运行时间缩短了2.29 ms;检测正确率相较于SVM方法提升了0.87%,运行时间缩短了2.22 ms。本方法可以对初期隧道火灾进行快速、有效检测,并有良好的环境适用性。     

Pipeline leakage detection and isolation: An integrated approach of statistical and wavelet feature extraction with multi-layer perceptron neural network (MLPNN)

Leakage diagnosis of hydrocarbon pipelines can prevent environmental and financial losses. This work proposes a novel method that not only detects the occurrence of a leakage fault, but also suggests its location and severity. The OLGA software is employed to provide the pipeline inlet pressure and outlet flow rates as the training data for the Fault Detection and Isolation (FDI) system. The FDI system is comprised of a Multi-Layer Perceptron Neural Network (MLPNN) classifier with various feature extraction methods including the statistical techniques, wavelet transform, and a fusion of both methods. Once different leakage scenarios are considered and the preprocessing methods are done, the proposed FDI system is applied to a 20-km pipeline in southern Iran (Goldkari-Binak pipeline) and a promising severity and location detectability (a correct classification rate of 92%) and a low False Alarm Rate (FAR) were achieved.     

关联交叉口交通流模糊变权重组合预测方法

针对单一交通流预测方法存在的局限性和传统交通流组合预测模型中权重不能动态变化的问题,提出一种关联交叉口交通流模糊变权重组合预测方法。先对交叉口交通流的关联性进行分析,并给出关联交叉口的定义;再建立关联交叉口交通流模糊自适应变权重组合预测模型,该模型分别利用Kalman滤波器模型与SVM模型来预测关联交叉口交通流量,然后根据这2个模型预测的误差和交通量的变化趋势,采用模糊逻辑推理方法,对这2个预测模型分别赋予适当的权重。试验结果表明,组合预测模型的最大绝对误差、平均绝对误差和相关系数均明显好于单一的预测方法,分别为9.8%、4.63%和0.99。     

Optimizing mixture properties of biodiesel production using genetic algorithm-based evolutionary support vector machine

Nowadays, biodiesel is used as one of the alternative renewable energy due to the increasing energy demand. However, optimum production of biodiesel still requires a huge number of expensive and time-consuming laboratory tests. To address the problem, this research develops a novel Genetic Algorithm-based Evolutionary Support Vector Machine (GA-ESIM). The GA-ESIM is an Artificial Intelligence (AI)-based tool that combines K-means Chaotic Genetic Algorithm (KCGA) and Evolutionary Support Vector Machine Inference Model (ESIM). The ESIM is utilized as a supervised learning technique to establish a highly accurate prediction model between the input--output of biodiesel mixture properties; and the KCGA is used to perform the simulation to obtain the optimum mixture properties based on the prediction model. A real biodiesel experimental data is provided to validate the GA-ESIM performance. Our simulation results demonstrate that the GA-ESIM establishes a prediction model with better accuracy than other AI-based tool and thus obtains the mixture properties with the biodiesel yield of 99.9%, higher than the best experimental data record, 97.4%.     

基于SVM的矿井通风阻力系数影响因素分析与预测

矿井通风阻力系数是通风安全最重要的基础参数之一，为了实现矿井通风阻力系数简单准确地预测，提出了利用支持向量机（SVM）来预测矿井通风阻力系数的方法。通过分析影响因子与矿井通风阻力系数的相关性关系，并利用MATLAB逐步建立单影响因素与矿井通风阻力系数、多影响因素与矿井通风阻力系数之间的SVM预测模型，对比分析各预测模型的相对误差，确定最佳矿井通风阻力系数预测模型，即当输入模型影响因素为巷道断面积、周长和支护方式时，预测相对误差小于10%的样本数占测试样本的76%，相对误差小于20%的样本数占测试样本的90%。结果表明:该预测方法在矿井通风阻力系数预测中是可行的，并具较高的准确性。     

关于太钢高温作业行车的冷风机延长使用寿命的探讨

为延长高温作业行车冷风机的使用寿命,节省投资,分析了产品自身、设备选型、使用、维修等多方面影响产品寿命的原因。并提出了相应的管理措施。     

一起桥式起重机伤亡事故的原因及预防措施

本文介绍了一起桥式起重机伤亡事故的经过、发生事故的原因,认为是设备存在严重隐患和管理不完善。提出了预防起重机械事故的措施。     

某铁矿胶带运输机移动卸料车的除尘系统

针对该矿胶带运输机移动卸料车定点卸料的作业特点,采用随卸料车移动的抽风罩、水平式风管接口装置及湿式除尘机组,构成简捷的除尘系统,有效地解决了卸料车作业时产生的粉尘污染问题。     

基于机器学习的电热防除冰表面温度变化趋势预测

针对飞机部件周期控制律电加热防除冰的应用,提出基于机器学习以预测电加热防除冰表面温度的变化趋势.依靠大型结冰风洞及其电加热防除冰控制系统完成防除冰试验,获得有效的试验数据,以通、断电周期为分割单元,将试验数据划分成验证集和训练集.根据电热防除冰过程的换热情况,构建样本的特征参数,利用机器学习的有监督学习方式,选择KNN近邻回归算法和局部线性加权回归算法预测温度变化率,再转换为温度,得到的温度变化与测量数据的线性相关性达到80％以上的高相似度结果,表明使用机器学习可快速预测电热防除冰部件的表面温度变化趋势,且不同的回归算法针对模型不同测温点位置的预测效果存在差异.