期刊文献+
共找到325篇文章
< 1 2 17 >
每页显示 20 50 100
基于LSTM−CNN的露天矿粉尘浓度预测模型
1
作者 刘干 林士桢 肖双双 《工矿自动化》 北大核心 2026年第1期73-79,共7页
目前露天矿粉尘浓度预测模型通常依赖于已知的指标和参数来估计粉尘浓度,露天矿环境复杂多变,粉尘浓度的关键影响因素众多且难以明确界定,现有预测模型在精度和泛化能力方面存在一定的局限性,且现有预测模型往往忽视了数据中深层次的时... 目前露天矿粉尘浓度预测模型通常依赖于已知的指标和参数来估计粉尘浓度,露天矿环境复杂多变,粉尘浓度的关键影响因素众多且难以明确界定,现有预测模型在精度和泛化能力方面存在一定的局限性,且现有预测模型往往忽视了数据中深层次的时空特征,难以全面反映粉尘浓度的变化规律。针对上述问题,提出了一种基于长短期记忆网络(LSTM)−卷积神经网络(CNN)的露天矿粉尘浓度预测模型。利用Pearson相关性分析筛选出湿度、噪声、剥采量与风速作为粉尘浓度预测的输入指标;这些指标经预处理后输入基于注意力机制的多个并行CNN单元,分别在不同尺度上提取输入的局部空间特征,并通过注意力机制加权,以增强与粉尘浓度关联性更强的特征表达,抑制冗余或噪声信息;注意力增强后的特征被重组为时间序列格式,由LSTM门控机制捕捉粉尘浓度随时间变化的动态模式和长期依赖关系,通过全连接层实现粉尘浓度预测。实验结果表明:与单一模型LSTM,CNN和随机森林相比,LSTM−CNN的决定系数R2分别提升7.85%,12.91%和23.49%;均方根误差(RMSE)分别降低17.81%,45.76%和33.35%;平均绝对误差(MAE)分别降低26.48%,25.56%和24.52%。与融合模型随机森林−支持向量回归和随机森林−门控循环单元相比,LSTM−CNN的R2分别提升2.89%和4.79%,RMSE分别降低9.15%和14.12%,MAE分别降低11.40%和16.53%。 展开更多
关键词 露天矿 粉尘浓度预测 长短期记忆网络 卷积神经网络 粉尘浓度 PM_(2.5)
在线阅读 下载PDF
Characterization of Stress Concentration by Tangential Component Hp(x) of Metal Magnetic Memory Signals 被引量:4
2
作者 FU Meili BAO Sheng 《Journal of Wuhan University of Technology(Materials Science)》 SCIE EI CAS 2018年第6期1486-1490,共5页
The correlation between the stress concentration and the spontaneous magnetic signals of metal magnetic memory(MMM) was investigated via tensile tests. Sheet specimens of the Q235 steel were machined into standard bar... The correlation between the stress concentration and the spontaneous magnetic signals of metal magnetic memory(MMM) was investigated via tensile tests. Sheet specimens of the Q235 steel were machined into standard bars with rectangular holes to obtain various stress concentration factors. The tangential component Hp(x) of MMM signals and its related magnetic characteristic parameters throughout the loading process were presented and analyzed. It is found that the tangential component Hp(x) is sensitive to the abnormal magnetic changes caused by the local stress concentration in the defect area. The minimum magnetic field is positively correlated to the magnitude of the load and the distance from the notch. The tangential magnetic stress concentration factor presents good numerical stability during the entire loading process, and can be used to evaluate the stress concentration factor. The results obtained will be a complement to the MMM technique. 展开更多
关键词 metal magnetic memory tangential component stress concentration tensile test
原文传递
Application of empirical mode decomposition in early diagnosis of magnetic memory signal 被引量:3
3
作者 冷建成 徐敏强 张嘉钟 《Journal of Central South University》 SCIE EI CAS 2010年第3期549-553,共5页
In order to eliminate noise interference of metal magnetic memory signal in early diagnosis of stress concentration zones and metal defects, the empirical mode decomposition method combined with the magnetic field gra... In order to eliminate noise interference of metal magnetic memory signal in early diagnosis of stress concentration zones and metal defects, the empirical mode decomposition method combined with the magnetic field gradient characteristic was proposed. A compressive force periodically acting upon a casing pipe led to appreciable deformation, and magnetic signals were measured by a magnetic indicator TSC-1M-4. The raw magnetic memory signal was first decomposed into different intrinsic mode functions and a residue, and the magnetic field gradient distribution of the subsequent reconstructed signal was obtained. The experimental results show that the gradient around 350 mm represents the maximum value ignoring the marginal effect, and there is a good correlation between the real maximum field gradient and the stress concentration zone. The wavelet transform associated with envelop analysis also exhibits this gradient characteristic, indicating that the proposed method is effective for early identifying critical zones. 展开更多
关键词 metal magnetic memory noise interference early diagnosis empirical mode decomposition magnetic field gradient stress concentration ZONES envelop analysis
在线阅读 下载PDF
Feasibility Research on Fatigue Damage Evaluation Based on Magnetic Memory Method 被引量:1
4
作者 王翔 秦晔 +1 位作者 陈铭 王成焘 《Journal of Donghua University(English Edition)》 EI CAS 2005年第5期9-11,共3页
To confirm whether Magnetic Memory Method can be used to evaluate the fatigue damage of ferromagnetic part or not,this paper stated the principle of magnetic memory method.Also, the relationship between testing parame... To confirm whether Magnetic Memory Method can be used to evaluate the fatigue damage of ferromagnetic part or not,this paper stated the principle of magnetic memory method.Also, the relationship between testing parameter of magnetic memory method and fatigue damage was analyzed based on the experiment. The results show that magnetic memory method can be used to evaluate the fatigue damage represented by stress concentration. However, the relationship between the parameter of magnetic memory method and fatigue damage still needs to be studied. 展开更多
关键词 magnetic memory method fatigue damage stress concentration
在线阅读 下载PDF
基于MIC-PCA-LSTM模型的垃圾焚烧炉NO_(x)排放浓度预测 被引量:2
5
作者 姚顺春 李龙千 +5 位作者 刘文 李峥辉 周安鹂 李文静 陈姜宏 卢志民 《华南理工大学学报(自然科学版)》 北大核心 2025年第7期1-10,共10页
垃圾焚烧过程选择性催化还原(SCR)脱硝系统出口NO_(x)排放浓度的准确预测对提高数据质量和喷氨控制水平具有重要意义。垃圾焚烧过程存在显著的非线性、多变量耦合和时间序列特性,给NO_(x)排放浓度的精准预测带来了巨大挑战。针对此问题... 垃圾焚烧过程选择性催化还原(SCR)脱硝系统出口NO_(x)排放浓度的准确预测对提高数据质量和喷氨控制水平具有重要意义。垃圾焚烧过程存在显著的非线性、多变量耦合和时间序列特性,给NO_(x)排放浓度的精准预测带来了巨大挑战。针对此问题,该文将最大信息系数(MIC)、主成分分析(PCA)和长短期记忆(LSTM)神经网络相结合,提出了一种SCR脱硝系统出口NO_(x)排放浓度预测模型。首先,采用MIC方法计算各变量间的最大归一化互信息值,选择和NO_(x)排放浓度相关性较大的特征变量,再结合最大冗余原则剔除冗余变量。随后,基于PCA方法获得各主成分方差的累计贡献率,提取主成分特征,得到最优输入特征变量集。最后,利用LSTM神经网络建立SCR出口NO_(x)排放浓度预测模型。结果表明,相比反向传播神经网络模型和支持向量机模型,该文提出的模型具有最优的预测精度和泛化能力,其测试集平均绝对百分比误差为6.33%,均方根误差为4.71 mg/m^(3),决定系数为0.90。研究结果为实现垃圾焚烧过程SCR脱硝系统的喷氨智能控制提供了理论基础。 展开更多
关键词 垃圾焚烧 选择性催化还原 排放浓度预测 最大信息系数 主成分分析 长短期记忆神经网络
在线阅读 下载PDF
融合二次分解的深度学习模型在PM_(2.5)浓度预测中的应用 被引量:2
6
作者 江雨燕 黄体臣 +1 位作者 甘如美江 王付宇 《安全与环境学报》 北大核心 2025年第1期296-309,共14页
针对PM_(2.5)质量浓度时间序列呈非线性难以预测的特征,为了进一步提高PM_(2.5)质量浓度预测精确度,研究通过“分而治之”先分解再预测的思想,提出一种融合二次分解的PM_(2.5)质量浓度混合预测模型(Complete Ensemble Empirical Mode De... 针对PM_(2.5)质量浓度时间序列呈非线性难以预测的特征,为了进一步提高PM_(2.5)质量浓度预测精确度,研究通过“分而治之”先分解再预测的思想,提出一种融合二次分解的PM_(2.5)质量浓度混合预测模型(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise-Variational Mode Decomposition-Temporal Convolutional Network-Bi-directional Long Short-Term Memory,CEEMDAN-VMD-TCN-BiLSTM)。该模型先由递归特征消除(Recursive Feature Elimination,RFE)进行特征筛选,随后使用自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)将2013—2016年北京市PM_(2.5)质量浓度序列分解为一系列高低频模态分量并计算各分量样本熵,将样本熵由K-means聚类整合为新的分量,再由变分模态分解(Variational Mode Decomposition,VMD)方法进行二次分解。最后,将所有分量先经时间卷积网络(Temporal Convolutional Network,TCN)进行特征提取,并通过双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)预测,叠加各分量预测值即为最终预测结果。消融试验结果显示,该模型相比于单次CEEMDAN分解模型均方根误差E_(MAPE)降低19.312%,绝对误差E_(MAE)降低34.423%,百分比误差E_(MAPE)与希尔不等系数E_(TIC)分别减少40.465百分点和59.794%。由此可见,研究在引入VMD构成二次分解模型相比于单次分解模型的预测误差更小,精度更高,可为决策者在PM_(2.5)质量浓度预测与治理等工作提供一定参考。 展开更多
关键词 环境工程学 PM_(2.5)质量浓度预测 自适应噪声的完备经验模态分解 变分模态分解 时间卷积网络 双向长短期记忆网络
原文传递
基于聚类EEMD-PCA-LSTM与误差补偿的光热电站短期太阳直接法向辐射预测 被引量:1
7
作者 张晓英 常正云 +1 位作者 罗童 张兴平 《电气工程学报》 北大核心 2025年第2期345-353,共9页
太阳直接法向辐射(Direct normal irradiance,DNI)的变化影响光热发电的可靠性和效率。以西北某光热电站为研究对象,提出一种聚类、集合经验模态分解(Ensemble empirical mode decomposition,EEMD)、主成分分析(Principal component ana... 太阳直接法向辐射(Direct normal irradiance,DNI)的变化影响光热发电的可靠性和效率。以西北某光热电站为研究对象,提出一种聚类、集合经验模态分解(Ensemble empirical mode decomposition,EEMD)、主成分分析(Principal component analysis,PCA)和长短期记忆(Long short-term memory,LSTM)神经网络与误差补偿的光热电站短期DNI预测模型。首先,充分考虑影响DNI的环境因素,研究气象参数与DNI间的关系,利用近邻传播(Affinitypropagation,AP)聚类算法得到同一天气下的典型日,利用EEMD将原始DNI序列进行分解得到各子模态,降低序列的非平稳性;其次,利用PCA得到关键影响因子,使原始序列相关性和冗余性降低,减少模型输入维度;然后,利用LSTM网络对各分解子模态建模预测得到初始预测DNI序列,将其与真实序列作差,得到两者间的误差序列,重新建立LSTM网络对误差序列进行预测,即误差补偿;最后,将初始预测DNI与误差序列求和,得到最终的预测模型,实现对光热电站短期DNI的预测。预测结果表明,该预测模型效果较好,预测精度达94%。 展开更多
关键词 直接法向辐射 光热发电 集合经验模态分解 主成分分析 长短期记忆神经网络 误差补偿
在线阅读 下载PDF
基于3种时间序列模型的北京市每日花粉浓度预测
8
作者 张鑫 杨华 +1 位作者 董玲玲 张宏远 《北京林业大学学报》 北大核心 2025年第6期90-100,共11页
【目的】分析花粉高峰期持续时间和浓度峰值,构建北京市每日花粉浓度的最优预测模型,为科学预测未来每日花粉浓度提供数据支持。【方法】采用多重插补法处理2015—2020年北京市每日花粉浓度时间序列中的缺失数据,2015—2019年数据用于建... 【目的】分析花粉高峰期持续时间和浓度峰值,构建北京市每日花粉浓度的最优预测模型,为科学预测未来每日花粉浓度提供数据支持。【方法】采用多重插补法处理2015—2020年北京市每日花粉浓度时间序列中的缺失数据,2015—2019年数据用于建立SARIMA、LSTM和Prophet 3种时间序列模型,预测未来一年(2020年,共计182 d)的花粉浓度变化。【结果】(1)随机森林法、贝叶斯线性回归法、观测值中随机取样法和加权预测均值匹配法4种多重插补法中,随机森林法的第3个插补数据集P值最小(P=0.002),为最优插补数据集。(2)2015—2020年每日平均花粉浓度数据显示,春季高峰期集中在3—6月,4月初达到峰值(792粒/(103 mm^(2)));秋季高峰期集中在8月至9月末,在9月初达到峰值(449粒/(103 mm^(2)))。2015—2019年花粉浓度总体呈逐年下降趋势,2020年呈现阶跃式上升;其中,2015年高峰期持续时间最长(春季107 d,秋季65 d),2018年最短(春季60 d,秋季46 d);2020年花粉浓度峰值达到最高水平,而2019年花粉浓度峰值最低。(3)3种时间序列模型中,LSTM模型对北京市每日花粉浓度时间序列的描述和预测效果最佳。当LSTM模型的时间步长(look_back)为60时,模型预测效果最佳,RMSE、MAE均为最小,R^(2)=0.78。相比之下,Prophet模型效果较差,无法灵敏捕捉浓度峰值,预测值存在负数情况,预测效果不佳。SARIMA模型拟合效果尚可,但预测效果不理想,预测值存在为负的情况。【结论】与SARIMA和Prophet模型相比,LSTM模型更适用于北京市每日花粉浓度时间序列模型的建立与长期预测。未来研究应完善花粉浓度数据,优化模型性能,以更准确地预测花粉高峰期的起止时间、持续时间及高峰浓度,为过敏性疾病的防控提供更可靠的依据。 展开更多
关键词 多重插补法 花粉浓度 长短期记忆神经网络 长期预测
在线阅读 下载PDF
金属磁记忆法对起重机金属结构早期损伤检测的优化研究及工程应用
9
作者 王松雷 沈恒山 《起重运输机械》 2025年第16期84-88,共5页
文中以某QE10+10 t-22.5m A5桥式起重机主梁三角板裂纹为例,系统分析了金属磁记忆法(MMM)在金属结构早期损伤检测中的应用价值。通过对比传统无损检测方法的局限性,提出基于磁记忆技术的快速巡检方案。研究结果表明,金属磁记忆法结合渗... 文中以某QE10+10 t-22.5m A5桥式起重机主梁三角板裂纹为例,系统分析了金属磁记忆法(MMM)在金属结构早期损伤检测中的应用价值。通过对比传统无损检测方法的局限性,提出基于磁记忆技术的快速巡检方案。研究结果表明,金属磁记忆法结合渗透检测可显著提高裂纹检出效率,单台设备检测成本降低90%以上。而且,进一步引入应力集中动态模型、巴克豪森噪声理论,基于区间模型的可靠性评估可直观反映结构安全裕度,避免传统概率方法在小样本场景下的失效风险。该研究为起重机健康监测提供了高效、鲁棒的技术路径,为起重机金属结构的健康监测提供了理论支持和技术参考。 展开更多
关键词 起重机 金属磁记忆 无损检测 应力集中 非概率可靠性
在线阅读 下载PDF
基于IoT与EdgeAI的水质溶解氧浓度预测系统
10
作者 杨焕峥 《长江信息通信》 2025年第4期187-189,共3页
为了提升水质溶解氧浓度预测的实时性和准确性,提出了一种基于物联网(IoT)和边缘人工智能(EdgeAI)技术的预测系统,该系统采用改进的减法平均优化器(ISABO)优化CNN-LSTM模型的关键参数,从而提高了预测精度,优化后的模型被部署在STM32H7... 为了提升水质溶解氧浓度预测的实时性和准确性,提出了一种基于物联网(IoT)和边缘人工智能(EdgeAI)技术的预测系统,该系统采用改进的减法平均优化器(ISABO)优化CNN-LSTM模型的关键参数,从而提高了预测精度,优化后的模型被部署在STM32H7单片机上,利用溶解氧浓度传感器通过RS-485通信实时传输数据至单片机进行处理与预测,确保低延迟的本地推理与智能决策,预测结果通过5G模块采用MQTT协议上传至OneNET云平台,支持远程监控和数据分析。该系统将物联网与边缘人工智能技术相结合,提升了预测实时性、系统稳定性与智能化水平,在水质监测和环境保护领域具有广泛的应用前景。 展开更多
关键词 减法平均优化器 卷积神经网络 长短期记忆网络 溶解氧浓度 预测
在线阅读 下载PDF
基于CNN-LSTM模型的燃烧烟气CO_(2)浓度预测研究 被引量:1
11
作者 李倬毅 孟骏 +4 位作者 杨晓冬 马钢 刘少俊 郑成航 高翔 《燃烧科学与技术》 北大核心 2025年第4期406-414,共9页
在“碳达峰”和“碳中和”目标下,燃烧装置的低碳化改造是减少CO_(2)排放的重要途径.为了预估碳排放水平,指导碳捕集装置的设计,以燃烧装置运行参数、燃料参数和已有烟气参数等特征变量作为输入,提出了一种卷积-长短期记忆神经网络模型(... 在“碳达峰”和“碳中和”目标下,燃烧装置的低碳化改造是减少CO_(2)排放的重要途径.为了预估碳排放水平,指导碳捕集装置的设计,以燃烧装置运行参数、燃料参数和已有烟气参数等特征变量作为输入,提出了一种卷积-长短期记忆神经网络模型(CNN-LSTM),用于烟气出口CO_(2)浓度的预测.与长短期记忆神经网络模型(LSTM),随机森林模型(Random Forest)和极限梯度增强模型(XGBoost)相比,CNN-LSTM具有更好的准确性.CNN-LSTM的决定系数R^(2)和均方根误差RMSE分别为0.971和0.122,相比前述模型R^(2)提高了0.93%~6.23%,RMSE降低了11.59%~41.3%.进一步优化特征变量后,CNN-LSTM的R^(2)和RMSE分别提升至0.975和0.116. 展开更多
关键词 燃烧烟气 CO_(2)浓度预测 卷积神经网络 长短期记忆神经网络
在线阅读 下载PDF
基于变量筛选和注意力机制的CNN-BiLSTM出口SO_(2)浓度预测模型 被引量:1
12
作者 畅晗 金秀章 +1 位作者 赵术善 赵大勇 《计量学报》 北大核心 2025年第7期1041-1050,共10页
针对燃煤电厂锅炉燃烧工况复杂多变和脱硫系统惯性大,影响因素多,导致的出口SO_(2)浓度频繁大范围波动且难以预测的问题,提出一种基于浣熊优化算法(coati optimization algorithm,COA)优化变分模态分解(variational mode decomposition,... 针对燃煤电厂锅炉燃烧工况复杂多变和脱硫系统惯性大,影响因素多,导致的出口SO_(2)浓度频繁大范围波动且难以预测的问题,提出一种基于浣熊优化算法(coati optimization algorithm,COA)优化变分模态分解(variational mode decomposition,VMD)算法与融合卷积神经网络(convolutional neural network,CNN),双向长短期记忆网络(bidirectional long short-term memory networks,BiLSTM)和注意力机制的出口SO_(2)浓度预测模型。首先使用k-近邻互信息法筛选出与出口SO_(2)浓度相关性高的辅助变量,求取出各个辅助变量对应的时延补偿,然后对补偿后的变量用COA-VMD算法进行分解,保留分解结果中与输出变量相关性最大的变量子集进行重构,并将其作为模型的输入,最后使用CNN-BiLSTM-Attention建立出口SO_(2)浓度预测模型。仿真结果表明,相比其他模型该模型的均方根误差、平均绝对百分比误差最小,预测精度最高,分别为0.5777 mg/m^(3),0.2705%,0.9732。 展开更多
关键词 SO_(2)浓度预测 浣熊优化算法 VMD分解 卷积神经网络 双向长短期记忆网络 注意力机制
在线阅读 下载PDF
自复位双肢剪切型耗能段的滞回性能与力学模型 被引量:1
13
作者 朱剑波 曾思智 +2 位作者 常丽青 邵铁峰 胡淑军 《建筑钢结构进展》 北大核心 2025年第7期21-30,共10页
基于双肢短剪切型耗能段的耗能机制、形状记忆合金(shape memory alloy, SMA)棒材的超弹性特性和碟形弹簧的恢复力特性,提出了一种自复位双肢剪切型耗能段(self-centering coupled shear link, SC-CSL),该耗能段可有效提高中心支撑钢框... 基于双肢短剪切型耗能段的耗能机制、形状记忆合金(shape memory alloy, SMA)棒材的超弹性特性和碟形弹簧的恢复力特性,提出了一种自复位双肢剪切型耗能段(self-centering coupled shear link, SC-CSL),该耗能段可有效提高中心支撑钢框架结构的抗震性能和震后恢复能力。采用校正的有限元法对SC-CSL的力学性能进行分析,研究其滞回性能和破坏模式;随后对考虑了SMA棒材直径和碟形弹簧刚度的10个模型进行了参数分析。结果表明:SC-CSL具有良好的承载能力和自复位能力,以及较小的残余变形。在拉力作用下,SMA棒材处于受拉状态且碟形弹簧保持静止;在压力作用下,SMA棒材保持静止且碟形弹簧处于受压状态,整个加载过程中双肢短剪切型耗能段发生变形并提供承载力。增大SMA棒材直径和碟形弹簧刚度均能有效提高构件的承载能力、割线刚度和自复位能力等,并能减小构件的残余变形和等效黏滞阻尼比。通过分析也能发现所推导的力学模型可较准确地计算SC-CSL的极限承载力,为该种构件的分析与设计提供理论基础。 展开更多
关键词 中心支撑钢框架结构 自复位双肢剪切型耗能段 滞回性能 力学模型 形状记忆合金 抗震性能
原文传递
基于CNN-LSTM的垃圾焚烧炉烟气浓度预测方法 被引量:2
14
作者 蔡庙辉 吴昌子 +3 位作者 郇洪江 李俊 薄翠梅 俞辉 《化学工业与工程》 北大核心 2025年第3期165-172,共8页
针对焚烧炉出口烟气NO_(x)浓度复杂因素影响较多,传统软测量模型预测精度不足等问题,提出了一种滑动时间窗CNN-LSTM混合神经网络的预测模型,提高NO_(x)出口浓度的预测精度。以扬州某生活垃圾焚烧炉实际运行工况数据为样本,采用CNN的卷... 针对焚烧炉出口烟气NO_(x)浓度复杂因素影响较多,传统软测量模型预测精度不足等问题,提出了一种滑动时间窗CNN-LSTM混合神经网络的预测模型,提高NO_(x)出口浓度的预测精度。以扬州某生活垃圾焚烧炉实际运行工况数据为样本,采用CNN的卷积层和池化层对于输入数据进行特征提取,利用滑动时间窗构建模型输入特征图,获取具有时间依赖性的序列,按照时间序列顺序映射到LSTM中进行预测,将预测结果通过输出层输出。实现结果表明:CNN-LSTM模型的RMSE和MAPE的值分别为11.505%和5.68%,相较于单一的CNN和LSTM模型,RMSE分别降低了18.34%和23.77%,MAPE分别降低了16.02%和22.71%,更有效实现对焚烧炉出口污染物浓度的预测。 展开更多
关键词 垃圾焚烧炉 NO_(x)浓度预测 卷积神经网络 长短期记忆网络
在线阅读 下载PDF
基于RF-BiLSTM的浮选钼铋产品质量预测模型
15
作者 张梦麟 廖寅飞 +1 位作者 邹奇奇 王乾宁 《中国矿业》 北大核心 2025年第7期285-294,共10页
钼和铋是重要的战略金属资源,广泛应用于电子、冶金等行业。浮选是选矿厂回收钼铋精矿的关键技术环节,浮选产品质量直接影响选矿厂经济效益。然而,当前我国大多数选矿厂普遍采用人工轮班采样与离线化验的方法对品位进行检测,这种传统检... 钼和铋是重要的战略金属资源,广泛应用于电子、冶金等行业。浮选是选矿厂回收钼铋精矿的关键技术环节,浮选产品质量直接影响选矿厂经济效益。然而,当前我国大多数选矿厂普遍采用人工轮班采样与离线化验的方法对品位进行检测,这种传统检测方法一个突出的问题是品位获取的滞后性。针对这一问题,本文提出一种基于深度学习的浮选产品质量动态预测方法。选矿厂工业数据易受环境、设备故障等多方面因素影响,导致出现数据缺失或者异常的情况。传统统计方法难以准确捕捉数据间的变化趋势及潜在的联系。基于此,本文提出一种改进的随机森林插补方法,对选矿厂工业数据进行缺失值修复。这一方法相较于传统的中位数等填充方法能够有效填补缺失数据,减少信息失真。实验结果表明,使用该方法填补数据后提高了下游预测任务的精度,MAPE值相较于统计方法显著降低,有效提升了数据质量。基于优化后的数据集,本文构建了融合双向时序特征提取的BiLSTM预测模型。与传统的单向LSTM模型相比,BiLSTM模型能够同时利用前后向时序信息,提升预测精度。实验表明:该模型在钼铋品位预测中展现出显著优势,其中钼品位预测MAPE值为0.87%,R^(2)达0.89,较LSTM模型预测误差降低44.23%,特别是在工况波动时段仍可保持预测精度。证实了模型具备较好的泛化能力和工程适用性,能够实现钼铋浮选产品质量的预测。 展开更多
关键词 浮选 双向长短期记忆 数据处理 预测模型 精矿品位
在线阅读 下载PDF
基于TCN-BiLSTM混合神经网络模型的核素扩散浓度预测方法
16
作者 王箫箫 杨子辉 +4 位作者 艾雨星 李煜辰 莫紫雯 袁振豪 李桃生 《辐射研究与辐射工艺学报》 2025年第6期102-113,共12页
为满足核应急对核素扩散分布快速预测的需求,本研究提出了一种基于TCN-BiLSTM混合神经网络模型的核素扩散浓度快速预测方法。通过时序卷积网络TCN提取时序特征,并利用双向长短期记忆网络BiLSTM捕捉双向时序依赖。采用真实的地形数据与... 为满足核应急对核素扩散分布快速预测的需求,本研究提出了一种基于TCN-BiLSTM混合神经网络模型的核素扩散浓度快速预测方法。通过时序卷积网络TCN提取时序特征,并利用双向长短期记忆网络BiLSTM捕捉双向时序依赖。采用真实的地形数据与气象数据,经拉格朗日扩散模型计算核素浓度分布数据,构成训练时序数据集。选取美国伊利诺伊州电厂SF6扩散示踪实验数据集Kincaid,验证TCN-BiLSTM模型的有效性。针对模拟137Cs泄漏事故为案例,模型预测值与拉格朗日模型计算结果偏差小于2%,与TCN相比MAE和RMSE分别降低了29.7%和33.3%,该方法可为核素扩散分布预测提供快速有效支持。 展开更多
关键词 时序卷积网络 双向长短期记忆网络 核素大气扩散 浓度预测
在线阅读 下载PDF
基于VMD-LSTM的矿井粉尘浓度预测研究 被引量:1
17
作者 李永中 陈博 +3 位作者 王海山 胡世奇 王攀 郑谐 《工矿自动化》 北大核心 2025年第9期90-97,156,共9页
针对煤矿井下粉尘浓度数据的非线性、非平稳及强噪声特性导致传统预测模型精度不足的问题,提出一种变分模态分解(VMD)与长短期记忆网络(LSTM)融合的矿井粉尘浓度预测方法。将原始粉尘时序浓度数据输入VMD,在设定模态数量K和约束因子α... 针对煤矿井下粉尘浓度数据的非线性、非平稳及强噪声特性导致传统预测模型精度不足的问题,提出一种变分模态分解(VMD)与长短期记忆网络(LSTM)融合的矿井粉尘浓度预测方法。将原始粉尘时序浓度数据输入VMD,在设定模态数量K和约束因子α条件下,VMD将原始数据分解为K个具有不同频率特征的模态分量,每个分量分别对应不同频段的振幅信息。将分量数据输入LSTM,通过选择性遗忘/输入门控算法对输入的分量数据进行训练,输出分量预测结果。对分量预测结果进行叠加重构,输出最终预测结果。以三道沟煤矿某工作面粉尘浓度数据为研究对象,分析了约束因子α对VMD分解效果的影响及模态数量K对预测性能的影响,结果表明:在K=5时样本被VMD完全分解,每个模态分量包含了详细的频率信息,可以清楚直观地分析整体信号的成分;α=2 000时各模态分量轮廓完整且完全分离,过小的α会导致独立分量中包含较多冗余信息,随着α值的增大模态分量带宽不断降低且分辨率提高。基于VMD-LSTM的粉尘浓度预测实验结果表明:在K=5,α=2 000时,VMD-LSTM的预测结果与实测值的误差最小,MAE,MSE,RMSE和MRE均优于其他模型,说明VMDLSTM对复杂环境条件下非线性、非平稳及强噪声的粉尘浓度预测具有强泛化能力和鲁棒性。 展开更多
关键词 矿井粉尘浓度预测 变分模态分解 长短期记忆网络 模态数量 约束因子 VMD-LSTM
在线阅读 下载PDF
石油套管螺纹接头上扣的磁记忆检测
18
作者 张鸿博 闫凯 +2 位作者 辛政熹 樊建春 田春萌 《无损检测》 2025年第12期68-74,共7页
在油气开采过程中,套管连接部位失效易引发事故。提出了一种用于套管接头完整性检测的磁信号评价方法。由于套管接头螺纹间接触应力可作为评价套管接头密封完整性质量的重要指标,在井口升降试验机上,利用磁记忆检测法对不同上扣扭矩下... 在油气开采过程中,套管连接部位失效易引发事故。提出了一种用于套管接头完整性检测的磁信号评价方法。由于套管接头螺纹间接触应力可作为评价套管接头密封完整性质量的重要指标,在井口升降试验机上,利用磁记忆检测法对不同上扣扭矩下的套管常用材料N80短节试样进行检测试验,其检测信号经滤波、梯度变换后的梯度信号可直观显示应力集中特征。故,以磁信号的梯度峰峰值及梯度峰面积值作为评价套管螺纹段应力集中的参数,可进行套管螺纹连接质量评价。试验结果表明,上扣扭矩值与梯度峰峰值呈线性正相关,对梯度峰面积值与上扣扭矩采用高斯函数进行拟合后,具有良好的拟合度。该结论可为评价套管螺纹连接质量提供理论依据。 展开更多
关键词 套管 磁记忆检测 梯度 应力集中 评价
在线阅读 下载PDF
基于CEEMDAN-LSTM的管道输送稀饲料浓度研究
19
作者 于慧泽 刘玉健 +1 位作者 刘涛 许少鹏 《饲料工业》 北大核心 2025年第10期8-18,共11页
为解决管道输送稀饲料过程中稀饲料浓度难以检测的问题,提出一种基于完全自适应噪声完备集合经验模态分解(CEEMDAN)与长短期记忆神经网络(LSTM)相组合的分类预测方法。该方法先通过CEEMDAN分解算法,将采集到的声音信号和振动信号分解为... 为解决管道输送稀饲料过程中稀饲料浓度难以检测的问题,提出一种基于完全自适应噪声完备集合经验模态分解(CEEMDAN)与长短期记忆神经网络(LSTM)相组合的分类预测方法。该方法先通过CEEMDAN分解算法,将采集到的声音信号和振动信号分解为多层具有不同特征的子序列分量本征模态函数(intrinsic mode function,IMF),然后分别建立LSTM网络模型进行单步预测,最后通过叠加预测结果得出管道输送稀饲料浓度最终预测值。结果表明:CEEMDAN分解算法优于经验模态分解(empirical mode decomposition,EMD)和集合经验模态分解(ensemble empirical mode decomposition,EEMD)算法,可克服EMD模态混叠现象和EEMD带来的冗余噪声影响。CEEMDAN-LSTM模型分类预测振动信号的平均绝对误差(mean absolute error,MAE)指标为0.001、均方根误差(root mean square error,RMSE)指标为0.001,分类预测声音信号的MAE指标为0.036、RMSE指标为0.044。相较神经网络(back propagation,BP)、长短期记忆网络、支持向量回归(support vector machines,SVM)等分类预测模型具有更高的准确性。该方法可在管道输送稀饲料时精确预测其浓度提供理论依据,具有一定的实际应用意义。 展开更多
关键词 管道输送 浓度 完全自适应噪声完备集合经验模态分解(CEEMDAN) 长短期记忆神经网络(LSTM) 分类预测
在线阅读 下载PDF
基于三维力磁耦合分析的压力容器金属磁记忆检测
20
作者 郑康宁 孙晨灿 +2 位作者 范文英 张红升 郭凯 《无损检测》 2025年第10期10-17,共8页
针对压力容器金属磁记忆检测无法完成量化分析和识别的问题,根据能量守恒关系和电磁场理论,采用ANSYS软件建立了三维力磁耦合模型,在圆孔凹坑、矩形槽、气孔等缺陷类型的基础上,分析了金属磁记忆信号随缺陷深度的变化情况,然后对磁记忆... 针对压力容器金属磁记忆检测无法完成量化分析和识别的问题,根据能量守恒关系和电磁场理论,采用ANSYS软件建立了三维力磁耦合模型,在圆孔凹坑、矩形槽、气孔等缺陷类型的基础上,分析了金属磁记忆信号随缺陷深度的变化情况,然后对磁记忆信号做积分处理。结果表明,随着缺陷深度的增加,凹坑缺陷和矩形槽缺陷附近的磁场能量幅值呈线性变化。同时,该研究还发现用积分方法研究铁磁材料的应力集中和宏观缺陷具有有效性。此外,所提方法引入BP神经网络后,可实现对缺陷类型的智能分类,从而既定位出了缺陷位置还实现了定性分类。 展开更多
关键词 金属磁记忆检测 缺陷 应力集中 力磁耦合模型
在线阅读 下载PDF
上一页 1 2 17 下一页 到第
使用帮助 返回顶部