針對實際生產(chǎn)中只能依據(jù)專家經(jīng)驗判斷磨機負(fù)荷（ML）狀態(tài),難以檢測ML及其直接相關(guān)參數(shù)的問題,該文通過分析反應(yīng)磨機內(nèi)部負(fù)荷的振動信號,提取頻譜特征,利用支持向量機（SVM）建立磨機負(fù)荷參數(shù)的預(yù)測模型。為解決SVM核函數(shù)參數(shù)g和懲罰因子C主觀選取問題,提出采用網(wǎng)格搜索與交叉驗證相結(jié)合的方法,對SVM參數(shù)進(jìn)行優(yōu)化。最后基于Matlab與VC混合編程,建立仿真平臺,實現(xiàn)球磨機負(fù)荷參數(shù)的預(yù)測仿真。分別利用SVM默認(rèn)參數(shù)和最佳優(yōu)化參數(shù)代入ML回歸預(yù)測模型,通過參數(shù)ML預(yù)測對比,得到SVM最佳優(yōu)化參數(shù)下訓(xùn)練的平均平方誤差（MSE）和平方相關(guān)系數(shù)（r2）均優(yōu)于SVM默認(rèn)參數(shù)下的預(yù)測結(jié)果。 

【文章來源】：中國測試. 2017,43(01)北大核心

【文章頁數(shù)】：5 頁

【文章目錄】：
0 引言
1 SVM基本原理
2 SVM模型參數(shù)優(yōu)化
    2.1 交叉驗證
    2.2 網(wǎng)格搜索
    2.3 參數(shù)選取步驟
3 磨機負(fù)荷預(yù)測仿真與結(jié)果分析
    3.1 磨礦試驗
    3.2 SVM參數(shù)優(yōu)化
    3.3 仿真結(jié)果分析
4 結(jié)束語


【參考文獻(xiàn)】：
期刊論文
[1]基于噪聲水平估計的圖像盲去噪[J]. 方帥,夏秀山,曹洋,于磊.  模式識別與人工智能. 2015(01)
[2]最小二乘支持向量機優(yōu)化模型在煤礦安全預(yù)測中的應(yīng)用[J]. 周華平,熊博杰,桂海霞.  測繪科學(xué). 2014(07)
[3]基于KPCA頻譜特征提取的球磨機負(fù)荷建模方法[J]. 馮雪,趙立杰,鄭瀚洋.  沈陽化工大學(xué)學(xué)報. 2014(02)
[4]基于網(wǎng)格搜索和交叉驗證的支持向量機在梯級水電系統(tǒng)隱隨機調(diào)度中的應(yīng)用[J]. 紀(jì)昌明,周婷,向騰飛,黃海濤.  電力自動化設(shè)備. 2014(03)
[5]金屬礦山選礦廠磨礦分級自動控制研究現(xiàn)狀[J]. 石立,張國旺,肖驍.  金屬材料與冶金工程. 2014(01)
[6]基于遺傳算法優(yōu)化的支持向量機品位插值模型[J]. 李翠平,鄭瑤瑕,張佳,侯定勇.  北京科技大學(xué)學(xué)報. 2013(07)
[7]基于支持向量機回歸的電力系統(tǒng)負(fù)荷建模[J]. 崔曉祥,李娟.  江蘇電機工程. 2012(03)
[8]基于多源數(shù)據(jù)特征融合的球磨機負(fù)荷軟測量[J]. 湯健,趙立杰,岳恒,柴天佑.  浙江大學(xué)學(xué)報(工學(xué)版). 2010(07)



本文編號：3365603