針對(duì)實(shí)際生產(chǎn)中只能依據(jù)專(zhuān)家經(jīng)驗(yàn)判斷磨機(jī)負(fù)荷（ML）狀態(tài),難以檢測(cè)ML及其直接相關(guān)參數(shù)的問(wèn)題,該文通過(guò)分析反應(yīng)磨機(jī)內(nèi)部負(fù)荷的振動(dòng)信號(hào),提取頻譜特征,利用支持向量機(jī)（SVM）建立磨機(jī)負(fù)荷參數(shù)的預(yù)測(cè)模型。為解決SVM核函數(shù)參數(shù)g和懲罰因子C主觀(guān)選取問(wèn)題,提出采用網(wǎng)格搜索與交叉驗(yàn)證相結(jié)合的方法,對(duì)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(tái),實(shí)現(xiàn)球磨機(jī)負(fù)荷參數(shù)的預(yù)測(cè)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(cè)模型,通過(guò)參數(shù)ML預(yù)測(cè)對(duì)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(cè)結(jié)果。 

【文章來(lái)源】：中國(guó)測(cè)試. 2017,43(01)北大核心

【文章頁(yè)數(shù)】：5 頁(yè)

【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(yàn)證
    2.2 網(wǎng)格搜索
    2.3 參數(shù)選取步驟
3 磨機(jī)負(fù)荷預(yù)測(cè)仿真與結(jié)果分析
    3.1 磨礦試驗(yàn)
    3.2 SVM參數(shù)優(yōu)化
    3.3 仿真結(jié)果分析
4 結(jié)束語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]基于噪聲水平估計(jì)的圖像盲去噪[J]. 方帥,夏秀山,曹洋,于磊.  模式識(shí)別與人工智能. 2015(01)
[2]最小二乘支持向量機(jī)優(yōu)化模型在煤礦安全預(yù)測(cè)中的應(yīng)用[J]. 周華平,熊博杰,桂海霞.  測(cè)繪科學(xué). 2014(07)
[3]基于KPCA頻譜特征提取的球磨機(jī)負(fù)荷建模方法[J]. 馮雪,趙立杰,鄭瀚洋.  沈陽(yáng)化工大學(xué)學(xué)報(bào). 2014(02)
[4]基于網(wǎng)格搜索和交叉驗(yàn)證的支持向量機(jī)在梯級(jí)水電系統(tǒng)隱隨機(jī)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(dòng)化設(shè)備. 2014(03)
[5]金屬礦山選礦廠(chǎng)磨礦分級(jí)自動(dòng)控制研究現(xiàn)狀[J]. 石立,張國(guó)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(jī)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(bào). 2013(07)
[7]基于支持向量機(jī)回歸的電力系統(tǒng)負(fù)荷建模[J]. 崔曉祥,李娟.  江蘇電機(jī)工程. 2012(03)
[8]基于多源數(shù)據(jù)特征融合的球磨機(jī)負(fù)荷軟測(cè)量[J]. 湯健,趙立杰,岳恒,柴天佑.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2010(07)



本文編號(hào)：3365603