机械装备故障预测系统分析

针对机械装备复杂多变的服役状态,分析了机械装备的故障预测系统,了机械装备故障预测系统的研制目的,系统特性,提出了系统的设计原则,建立了系统的总体功能结构及系统的预测模型,并探讨了故障预测系统的评价指标。     

改进的BP算法在黄河下游枯季径流预测中的应用

本在黄河下游地区应用多层前向人工神经网络理论,通过改进BP算法,建立下游枯季径流预测的BP神经网络模型,使用花园口-利津水站26年的完整序列测流资料训练和检验网络并用于预测,结果表明,通过本次研究建立的BP网络模型是合理的,可靠的,它较好地反映了黄河下游的枯季径流规律,可为今后黄河流域水资源的统一调度,管理,尤其是预防黄河下游再次出现断流提供科学依据。     

电磁兼容性的计算机预测

本文列出了电磁兼容性的基本方程,分别建立了干扰源,传输函娄和敏感设备的数学模型,并分析了电磁兼容性预测的四个层次;幅度筛选,频率筛选,详细分析和性能分析。     

基于深度学习的排污口污染物浓度预测研究

入河排污口是污染物进入生态环境的最后一道关口,预防超标排放是改善流域生态环境质量的基础.为实现排口超标排放事前预警,本研究以长江泰州段两类典型排口(污水处理设施排口和工业企业清净下水排口)为例,利用排口污染物监测数据与气象数据,基于长短期记忆神经网络(LSTM)、门控循环单元(GRU)、卷积循环神经网络(CRNN)等深度学习算法构建多污染因子(总氮、氨氮、COD、总磷)浓度预测模型,并结合SHAP分析结果识别影响排口水质预测的重要因素.结果表明：(1)单层与双层GRU模型在排污口未来6 h污染物浓度预测中表现较好,R²可达0.67～0.81;(2)自相关变量的累积重要性绝对值占比超80%,对排口污染物浓度预测的影响显著大于其他输入变量.该方法有潜力拓展应用至其它排污口类型及其它污染因子的浓度预测,为排口污染预警和全链条管理提供技术支撑.     

基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补(MICE＿SVM)的鲸鱼优化算法(WOA)-极限学习机(ELM)预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE＿SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明：MICE＿SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE＿SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。     

基于PCA-BBO-SVM的尾矿坝变形预测模型与性能验证研究

为准确预测尾矿坝变形趋势,通过主成分分析法(PCA)对尾矿坝变形影响因子进行优选,基于生物地理学优化算法(BBO)对支持向量机(SVM)参数进行寻优,建立PCA-BBO-SVM尾矿坝变形预测模型,并以杨家湾尾矿坝为例对模型性能进行验证。研究结果表明：PCA-BBO-SVM模型在4个测点的RMSE为0.139 6,0.274 2,0.317 0,0.530 6;MAE为0.112 5,0.213 5,0.269 0,0.412 9;MAPE为0.525 0%,0.692 3%,2.621 2%,1.311 2%;预测精度及对局部波动的预测能力均高于BP、GS-SVM、GA-SVM和PSO-SVM模型,研究结果可为尾矿坝变形预测提供模型支撑。     

酒泉市辖区黑河水系地表水环境质量分析

根据“十三五”期间酒泉辖区内黑河水系河流和湖库布设点位水质监测数据,选取21项监测指标,采用单因子评价法、内梅罗污染指数法和spearman秩相关系数,同时根据黑河水系酒泉段污染源调查评价以及充分考虑人为因素的影响选取氨氮和总磷项作为评价因子,多维度判定黑河水系酒泉境内的水质状况。通过灰色建模软件6.0筛选出符合模型精度要求的点位并对“十四五”期间酒泉市辖区内黑河水系地表水环境质量进行了预测,为管理部门对水域环境治理提供参考借鉴。     

软土路基的最终沉降量计算方法探讨

根据武汉四新大道软基沉降实测资料,介绍了采用双曲线法、Asaoka法以及三点法对软基最终沉降量进行推算的过程,通过各种方法优缺点的对比,从推算过程及推算结果的比较中找到类似工程的最佳计算方法.     

MI和SVM算法在煤与瓦斯突出预测中的应用

为解决能用于煤与瓦斯突出预测模型的真实事故训练数据量小、数据集缺失严重的问题,提出采用数据挖掘多重填补(MI)算法填补事故数据中缺失参数,增大可用数据集,并将填补后的数据用于支持向量机(SVM)预测模型的训练与测试,选取K最近邻(KNN)算法与SVM进行对比.结果 表明:SVM数据填补前后的平均识别率分别为88.37％...     

人工神经网络在预测深基坑周边地表沉降变形中的应用研究

深基坑开挖引起的周边地表变形预测是一个复杂非线性问题,引起地表沉降的影响因素很多,各因素之间呈高度的非线性关系。传统的基坑用边地表沉降变形预测方法存在着一定的局限性,其预测精度有待提高,而人工神经网络是一种多元非线性动力学系统,可以灵活方便地对多成因的复杂未知系统进行高度建模,实现全面考虑各种主要影响因素的深基坑周边地表沉降变形预测。本文介绍了误差反向传播(BP)网络模型的结构、学习过程及其算法的改进,径向基函数(RBF)网络模型的结构及其学习过程;分析了影响深基坑开挖周边土体沉降变形的主要影响因素;以25个基坑工程的地表沉降实测资料为训练样本,建立了11个输入影响因素的BP神经网络模型和RBF神经网络模型,通过对样本的学习训练过程及对5个检验样本的预测精度,说明了人工神经网络用于预测基坑周边地表沉降的可行性和准确性。