林业机械国际标准的特点与林业机械的安全标准

给出了安全为主题的所有林业机械国际标准的简要介绍及相应的我国的采标情况。可以看到林业机械国际标准的最显蓍特点就是注重安全，即人身安全和环境安全。     

电瓷厂瓷泥废水的处理与利用

本文介绍了电瓷制造企业瓷泥废水的产生和水质特征。作者在多年探索和实践的基础上,采用"化学絮凝、多级沉淀、机械排泥、板框压滤脱水、预处理水离心分离过滤"的工艺流程,获得了较好的效果,处理后的废水含瓷泥由原11500mg/L净化到小于5mg/L,并综合回收了瓷泥,实现了净化水循环利用。     

支持向量机在环境空气质量评价中的应用

环境质量评价是环境科学的重要组成部分。建立环境空气质量评价的支持向量机模型,并用实例进行验证,评价结果与实际情况及其它方法相吻合,表明支持向量机在环境空气质量评价中的可行性和有效性。     

SFS型多管水冷式冷渣机技术及其应用

针对人力除渣,劳动强度大,工作环境恶劣,需消耗大量工业水,炉渣热源未得到利用的问题,本公司通过调研,采用了SFS型多管水冷式冷渣机代替人力除渣,改善了工人的工作环境,降低了劳动强度,炉渣热源也得到有效利用,提高了机组整体效率,节能效果明显.     

小波支持向量机在大气污染物浓度预测中的应用

用小波分解重构和支持向量机相结合的方法,建立大气污染物浓度预测模型。通过小波分解,将大气污染物浓度序列分解为不同频段的小波系数序列,再对各层的小波系数序列重构到原尺度上。利用相关分析的方法构建出低频小波系数a3和中频小波系数d3的支持向量机模型输入因子为前一天小波系数a3和7个气象因子;高频小波系数d2和d1以前三日的小波系数为输入因子,然后对各小波系数序列采用相应的支持向量机模型进行预测,各小波系数均使用ν-支持向量回归机(ν-SVR)算法和径向基函数,最后通过小波重构合成大气污染物浓度序列的最终预测结果。通过对大气SO2浓度预测实例证明,该大气污染物浓度预测模型具有推广能力较强、预测精度较高、训练速度快、便于建模等优点,具有良好的应用前景。     

洗槽机清洗头升降故障原因分析及对策

针对洗槽机清洗头运行中的升降故障进行了原因分析,找出了解决方法,为今后类似的故障检查和排除提供了借鉴。     

听针的诉说

我长着一个圆圆小小的脑袋,细长光溜的身子,一只尖尖的脚丫,看上去就像一根麻杆。 别看我长得不好看,可我却有“神医”般的能耐,装置上哪台机泵咳嗽感冒发烧,甚至是打个喷嚏,只要我往它手腕上一搭,准能断个分毫不差,所以,师傅们都管我叫‘机泵听诊器”。     

基于多生理信号的飞行警戒疲劳检测

为预防事故发生,保障飞行安全,提出一种基于多生理信号和支持向量机(SVM)的飞行警戒疲劳检测方法,识别飞行员飞行警戒中的疲劳状态。首先,研究疲劳评价与检测方法,并基于自主开发的飞行警戒测试系统与多导生物反馈仪和眼动仪搭建试验平台;然后,采集飞行警戒作业中的心电、眼动、呼吸等多生理信号和主观疲劳自评值;再次,通过配对样本的非参数检验,提取敏感生理指标,并以此作为特征向量,通过机器学习训练,构建基于多生理信号和SVM的疲劳检测模型;最后,依据受试者工作特征(ROC)曲线和模型准确率,对比分析各疲劳检测模型的效果。结果表明：在飞行警戒疲劳状态下,作业者的多项生理指标均有显著变化;心电、眼动和呼吸等多生理信号融合较单一信号的疲劳检测效果好,其ROC曲线下面积为0.802。基于高斯径向基核函数(RBF)构建的疲劳检测模型训练及预测准确率可达93%和87.50%。基于多生理信号和SVM方法可以实现对飞行警戒疲劳状态的检测。     

基于SVM的含缺陷20钢弯管爆破压力预测

为快速、精确预测含局部减薄缺陷的弯管爆破压力,首先验证显式非线性有限元模型的模拟精确性,然后以168组不同缺陷尺寸下20钢弯管爆破压力的有限元模拟数据作为学习样本,建立含局部减薄缺陷20钢弯管爆破压力预测的支持向量机(SVM)模型;其次利用交叉验证(CV)、遗传算法(GA)、粒子群算法(PSO)分别优化SVM模型;最后分析对比用于预测弯管爆破压力的3种优化SVM模型与ASME B31G-2009、DNV RP-F101、SHELL 92等3种通用规范的计算误差。结果表明：CV-SVM、GA-SVM、PSO-SVM等3种模型的预测误差均小于3种规范的计算误差,其最大相对误差分别为-2.33%、-3.4%和1.94%;说明SVM模型用于预测弯管爆破压力时操作简单、计算时间短、预测精度高、工程实用性好。     

基于迁移学习算法的深部爆破振动速度预测

为了更好地预测深部矿山爆破振动速度,针对深部爆破振动速度预测中存在的样本量小、数据分布同浅部爆破不同的问题,将浅部地下矿山爆破数据中有用的知识迁移至深部矿山爆破振动速度预测模型中,提出一种逻辑回归迁移学习算法(LR-TrAdaboost),提升模型的样本容量及预测准确率;以某铜矿深部爆破振动速度预测为研究对象,结合该铜矿27条深部爆破数据以及梅山矿等5个地下金属矿204条浅部爆破数据,利用支持向量回归机(SVR)、回归迁移学习算法(TrAdaboost-R²)以及LR-TrAdaboost算法分别进行预测和对比。结果表明：3种算法的模型分数分别为0.24、0.38、0.81,均方根误差(RMSE)分别为0.152、0.107、0.06,LR-TrAdaboost算法预测误差相比SVR、TrAdaboost-R²分别降低了60.5%、43.9%;同时,LR-TrAdaboost在迭代次数为50时已经收敛,而TrAdaboost-R²在迭代次数100次后才收敛,收敛速度前者是后者的2倍;LR-TrAdaboost算法的预测性...