CN117474165A - 一种基于支持向量机的矿压预测方法 - Google Patents
一种基于支持向量机的矿压预测方法 Download PDFInfo
- Publication number
- CN117474165A CN117474165A CN202311457217.0A CN202311457217A CN117474165A CN 117474165 A CN117474165 A CN 117474165A CN 202311457217 A CN202311457217 A CN 202311457217A CN 117474165 A CN117474165 A CN 117474165A
- Authority
- CN
- China
- Prior art keywords
- pressure
- data
- vector machine
- mining
- hydraulic support
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005065 mining Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000003245 coal Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 20
- 230000008859 change Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Algebra (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明提供了一种基于支持向量机的矿压预测方法,属于矿压预测技术领域;所要解决的技术问题为:提供一种基于支持向量机的矿压预测方法的改进;根据液压支架采集的历史矿压时序数据进行预处理,以目标液压支架及相邻液压支架的压力传感器数据为数据特征,构造一个训练集,通过支持向量机训练出目标液压支架的矿压模型,根据此模型并结合当前工作循环的输入变量,给出当前工作循环的预测矿压。本发明适用于综采工作面矿压预测建模,相比传统矿压计算具有预测准确率高、简单高效等优点,对支架选型、矿压灾害防控及治理具有指导意义,能够保障工作面的安全高效开采。
Description
技术领域
本发明提供了一种基于支持向量机的矿压预测方法,属于矿压预测技术领域。
背景技术
目前,我国煤炭工业是国民经济的主要基础产业,对国家经济发展起着重要作用。但是在煤炭开采过程中,由于生产环境恶劣且变化复杂,同时受到复杂地应力、开采动压等因素的影响,导致出现了工作面片帮、冒顶、压架等多种灾害,严重影响煤炭安全开采和人员设备安全,造成了大量的经济损失。
近年来,综采工作面的自动化程度和信息化程度提升,带动了工作面的安全性和生产效率的部分提高。越来越多的综采面装备了电液控制液压支架,液压支架的工作阻力变化反应了上覆岩层的力学特征,因此基于液压支架采集的海量工作阻力数据,对综采工作面矿压进行感知预测是实现工作面周期来压超前预警、提前响应的有效手段,对于优化围岩控制质量和工作面顶板事故的预警具有重要作用。
但是,井下综采工作面采场环境变化复杂,整个工作面多达上百台液压支架,不同位置的液压支架工作阻力时序数据差异显著,一般采用的方法也只考虑目标液压支架矿压的时间相关性,对数据的分析仅仅是初步阶段,没有达到对数据更深入的分析和挖掘的层次,所建立的矿压预测模型明显不能满足生产的精度需求,不能进行准确地预测。
如何能把这些不同位置的液压支架工作阻力时序数据进行有效分析,采用数据驱动建模方法建立综采工作面液压支架矿压时间序列预测模型,使其成为可以反映支架、支架及围岩间关系、矿压规律等的特征参数,这是一项很有意义的研究。
发明内容
本发明为了克服现有技术中存在的不足,所要解决的技术问题为:提供一种基于支持向量机的矿压预测方法的改进。
为了解决上述技术问题,本发明采用的技术方案为:一种基于支持向量机的矿压预测方法,包括如下步骤:
步骤一,获取煤矿综采工作面各液压支架的历史矿压数据,其中历史矿压数据为时间序列数据;
步骤二,对采集的时间序列数据进行预处理;
步骤三,确定目标液压支架,构建目标液压支架的支持向量机矿压预测模型;
步骤四,以目标液压支架及其相邻液压支架的压力传感器数据为特征,确定相邻液压支架的个数;
步骤五,以历史矿压时序数据为输入变量,以未来某一时刻或某几个时刻的矿压数据为输出变量,根据综采工作面多个历史工作循环的特征数据构造训练集;
步骤六,设置支持向量机算法的核函数和惩罚参数,通过支持向量机对训练集进行训练生成目标液压支架的矿压预测模型,并确定自动循环选择相邻液压支架的个数;
步骤七,将目标液压支架当前工作循环的特征输入变量数据导入目标液压支架之前训练好的矿压预测模型,得到预测输出数据;
步骤八,当前工作循环结束之后,计算本次工作循环期间预测压力数据与真实采集压力数据之间的误差统计值或者总体标准差;
步骤九,如果误差统计值或总体标准差小于预设阈值,则将目标液压支架训练的矿压预测模型视为最终模型,否则返回步骤六,重新设置支持向量机算法的核函数和惩罚参数,继续通过支持向量机对训练集进行训练生成目标液压支架的矿压预测模型。
所述压力传感器为煤矿井下液压支架压力传感器,用于测量和采集液压支架承受的压力值,其中压力值是通过安装在液压支架下腔内的压力传感器采集的数据,为液压支架立柱内液体的压力值。
步骤四中相邻液压支架的个数具体通过人工选择或者自动循环选择两种方式确定,自动循环选择方式是通过逐渐增加相邻传感器的数量,每次在之前传感器的两侧再新增加两个传感器。
采用自动循环选择方式选择相邻传感器时每次训练结束都记录训练集的误差,直到误差比上次循环的误差大就停止循环。
步骤二中的数据预处理包括对数据的纯随机性和平稳性进行检验,对数据进行采样间隔校正,数据缺失值处理,数据去冗余,异常噪声值处理。
本发明相对于现有技术具备的有益效果为:利用本发明的基于支持向量机的矿压预测方法可以快速、高效地得到综采工作面的矿压规律特征,适用范围较广。具体优点如下:
(1)本发明方法具有一定的普适性,可操作性强,为综采顶板压力的预警提供了有效的依据,对支架选型、矿压灾害防控及治理具有指导意义,有利于煤矿的安全高效生产。
(2)本发明方法考虑了相邻液压支架压力数据的连续性和相关性,将相邻液压支架压力数据提取为数据特征,与其它仅考虑单个目标传感器压力数据的做法相比,分析更加全面、合理。
(3)本发明方法采用的支持向量机能较好地解决小样本、非线性、局部极小点等实际问题,具有很强的非线性拟合能力,可映射任意复杂的非线性关系,比人工神经网络等方法具有更好的泛化能力和求解精度,更适合顶板压力的模拟和预测。
附图说明
下面结合附图对本发明做进一步说明:
图1为本发明方法的流程图;
图2为煤矿综采工作面液压支架的阻力变化过程示意图;
图3为根据本发明实施例的顶板压力数据特征提取示意图;
图4为本发明实施例的训练集结构示意图。
具体实施方式
如图1至图4所示,本发明提供了一种基于支持向量机的矿压预测方法,能够采集液压支架的压力传感器历史数据,进行数据预处理和特征提取,根据历史周期构造时序训练集,建立基于支持向量机的矿压预测模型,从而预测当前周期的顶板压力,具体包括以下步骤:
步骤一,获取煤矿综采工作面各液压支架的历史矿压数据,历史矿压数据为时间序列数据;
煤矿井下的压力传感器是液压支架的核心组成部分,压力传感器安置在液压支架下腔,实时监测立柱下腔内液体压力的变化,来了解液压支架与顶板的相互作用情况。从压力传感器采集到的时间序列数据为:PressData,简记为PD,令第i个液压支架压力传感器的第j个压力数据为PDj i,其中,i=1,2,......,M,M为液压支架压力传感器的个数,j=1,2,......,N,N为单个液压支架压力传感器采集数据的总个数。
步骤二,对采集的时间序列数据进行预处理;
具体预处理流程和环节包括:对数据的纯随机性和平稳性进行检验,对数据进行采样间隔校正,数据缺失值处理,数据去冗余,异常噪声值处理等。
步骤三,确定目标液压支架,例如选择第i个液压支架的压力传感器为目标,将来构建此目标液压支架的支持向量机矿压预测模型。
通常,井下液压支架拥有多个立柱,在工作面按一定间距排列布置,移架时多数为依次顺序移动,少数也采用分段或交替移动等方式。在移架的过程中,压力传感器的读数会发生明显变化,这为压力的预测带来一定的困难。其中,目标液压支架为各液压支架中的其中一个液压支架。
步骤四,以目标液压支架及相邻液压支架的压力传感器数据为特征,使用人工选择和自动循环选择两种方式确定相邻液压支架的个数。
人工选择方式是根据自己的意愿选择相邻液压支架,例如选择第i-1,i,i+1三个液压支架的压力传感器数据为特征,如图3所示,构成三列矩阵数据,令:
上述矩阵中的每一列数据对应其中一个液压支架在某时间段内的矿压采集数据,矩阵中的每一行数据对应某时间段内的其中一个时刻各液压支架的矿压采集数据,其中第i个液压支架的压力传感器为目标液压支架的压力传感器。
自动循环选择方式是逐渐增加相邻传感器的数量,每次在之前传感器的两侧再新增加两个传感器用来训练。
步骤五,以历史矿压时序压力数据为输入变量,以未来某一时刻或某几个时刻的矿压数据为输出变量,根据综采工作面多个历史工作循环的特征数据构造训练集,也可以根据本工作循环的历史特征数据构造训练集;具体实施例以时序压力数据PDM为输入变量,以未来某一时刻t或某几个时刻的压力数据为输出变量,例如,下一个采集的压力数据为输出变量,构造训练样本集矩阵数据,令为如图4所示。
步骤六,设置支持向量机算法的核函数和惩罚参数,通过支持向量机对训练集进行训练生成目标液压支架的矿压预测模型;
其中,核函数对于支持向量机来说很重要,其直接决定着支持向量机的最终性能。因为核函数的类型、解析形式及其参数的变化会隐式地改变从原始输入空间到特征空间的变换映射,由此对特征空间的性质造成影响。因此支持向量机的理论研究中,核函数的选择、构造、参数寻优占据很重要的位置。
目前可用的核函数有几十个,而常用的核函数有以下几种:
①.线性核函数(Linear Kernel):
Klinear(xi,xj)=xi·xj;
②多项式核函数(Polynomial Kernels):
Kpoly(xi,xj)=[γ(xi·xj)+c]d;
其中γ,d和c都是常数,d=1时,为一阶多项式核函数,即线性核函数。
③S型核函数(Sigmoid Kernels):
Ksigmoid(xi,xj)=tanh(γ(xi·xj)+c);
其中γ和c均为常数。
④Gaussian核函数或径向基核函数(Radial Basis Function Kernels,RBF):
其中γ,σ2是非零常数。目前Gaussian核是最常用的核函数。
由此训练构造得到SVR(Support Vector Regression)原始优化问题:
其中,w为法向量,b为截距,ξ为松弛变量,C为惩罚因子;X是训练样本输入,y是训练样本输出。求得最优解之后,得到最优回归函数:
其中,αi是第i个样本对应的拉格朗日乘子,K为核函数矩阵。
如果步骤四采用的是自动循环选择方式,那么每次训练结束都记录训练集的误差,直到误差比上次循环的误差大就停止循环。例如,第p+1次循环构造的训练集为上训练所得的误差比第p次循环构造的训练集/>上训练所得的误差大时,停止循环选择,此时最终选择第i-p,...,i,...,i+p个传感器,共计2p+1个传感器。
步骤七,将目标液压支架当前工作循环的特征输入变量数据导入目标液压支架之前训练好的矿压预测模型,得到预测输出数据;例如,将目标液压支架i当前工作循环t时刻的特征输入变量数据导入最优支持向量机回归函数模型之中,得到预测输出值yt′。
步骤八,当前工作循环结束之后,计算本次工作循环期间预测压力数据与真实采集压力数据之间的误差统计值;例如,计算t时刻的预测压力数据与真实采集压力数据之间的误差et=yt′-yt,或者计算整个工作循环期间N个时刻的预测压力数据与真实采集压力数据之间的总体标准差
步骤九,如果误差统计值或者总体标准差小于预设阈值ε,则将目标液压支架训练的矿压预测模型视为最终预测模型,否则返回步骤六,重新设置支持向量机算法的核函数和惩罚参数。例如:预设总体标准差阈值为ε=0.01,当整个工作循环期间N个时刻的预测总体标准差σ<0.01,则将目标液压支架训练的支持向量机矿压预测模型视为最终预测模型,否则返回步骤六,重新设置支持向量机算法的核函数和惩罚参数,继续通过支持向量机对训练集进行训练生成目标液压支架的矿压预测模型。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种基于支持向量机的矿压预测方法,其特征在于:包括如下步骤:
步骤一,获取煤矿综采工作面各液压支架的历史矿压数据,其中历史矿压数据为时间序列数据;
步骤二,对采集的时间序列数据进行预处理;
步骤三,确定目标液压支架,构建目标液压支架的支持向量机矿压预测模型;
步骤四,以目标液压支架及其相邻液压支架的压力传感器数据为特征,确定相邻液压支架的个数;
步骤五,以历史矿压时序数据为输入变量,以未来某一时刻或某几个时刻的矿压数据为输出变量,根据综采工作面多个历史工作循环的特征数据构造训练集;
步骤六,设置支持向量机算法的核函数和惩罚参数,通过支持向量机对训练集进行训练生成目标液压支架的矿压预测模型,并确定自动循环选择相邻液压支架的个数;
步骤七,将目标液压支架当前工作循环的特征输入变量数据导入目标液压支架之前训练好的矿压预测模型,得到预测输出数据;
步骤八,当前工作循环结束之后,计算本次工作循环期间预测压力数据与真实采集压力数据之间的误差统计值或者总体标准差;
步骤九,如果误差统计值或总体标准差小于预设阈值,则将目标液压支架训练的矿压预测模型视为最终模型,否则返回步骤六,重新设置支持向量机算法的核函数和惩罚参数,继续通过支持向量机对训练集进行训练生成目标液压支架的矿压预测模型。
2.根据权利要求1所述的一种基于支持向量机的矿压预测方法,其特征在于:所述压力传感器为煤矿井下液压支架压力传感器,用于测量和采集液压支架承受的压力值,其中压力值是通过安装在液压支架下腔内的压力传感器采集的数据,为液压支架立柱内液体的压力值。
3.根据权利要求2所述的一种基于支持向量机的矿压预测方法,其特征在于:步骤四中相邻液压支架的个数具体通过人工选择或者自动循环选择两种方式确定,自动循环选择方式是通过逐渐增加相邻传感器的数量,每次在之前传感器的两侧再新增加两个传感器。
4.根据权利要求3所述的一种基于支持向量机的矿压预测方法,其特征在于:采用自动循环选择方式选择相邻传感器时每次训练结束都记录训练集的误差,直到误差比上次循环的误差大就停止循环。
5.根据权利要求4所述的一种基于支持向量机的矿压预测方法,其特征在于:步骤二中的数据预处理包括对数据的纯随机性和平稳性进行检验,对数据进行采样间隔校正,数据缺失值处理,数据去冗余,异常噪声值处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311457217.0A CN117474165A (zh) | 2023-11-03 | 2023-11-03 | 一种基于支持向量机的矿压预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311457217.0A CN117474165A (zh) | 2023-11-03 | 2023-11-03 | 一种基于支持向量机的矿压预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117474165A true CN117474165A (zh) | 2024-01-30 |
Family
ID=89627062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311457217.0A Pending CN117474165A (zh) | 2023-11-03 | 2023-11-03 | 一种基于支持向量机的矿压预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474165A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101241521A (zh) * | 2008-03-06 | 2008-08-13 | 上海交通大学 | 基于支持向量机的轿车车身综合性能指标建模方法 |
CN104794327A (zh) * | 2015-05-06 | 2015-07-22 | 西安科技大学 | 基于决策融合的多模型矿井顶板安全预警模型 |
CN104991212A (zh) * | 2015-07-07 | 2015-10-21 | 湖南大学 | 一种基于最小二乘线性插值的电流采集通道自校准方法 |
CN107368463A (zh) * | 2017-07-11 | 2017-11-21 | 中国矿业大学 | 基于光纤光栅传感网络数据的巷道非线性变形预测方法 |
CN107392786A (zh) * | 2017-07-11 | 2017-11-24 | 中国矿业大学 | 基于支持向量机的矿井光纤光栅监测***缺失数据补偿方法 |
CN107633331A (zh) * | 2017-09-26 | 2018-01-26 | 北京福布罗科技有限公司 | 时间序列模型建立方法及装置 |
CN108764589A (zh) * | 2018-08-10 | 2018-11-06 | 武汉工程大学 | 一种基于支持向量机的离子浓度预测方法 |
CN111125964A (zh) * | 2019-12-27 | 2020-05-08 | 华东理工大学 | 一种基于克里金插值法的污水处理过程代理模型构建方法 |
CN111441825A (zh) * | 2020-03-05 | 2020-07-24 | 天地科技股份有限公司 | 一种综采工作面液压支架工作状态监测*** |
CN111832150A (zh) * | 2020-03-03 | 2020-10-27 | 天地科技股份有限公司 | 一种矿压预测方法、装置及电子设备 |
CN114991844A (zh) * | 2022-08-03 | 2022-09-02 | 太原向明智控科技有限公司 | 一种煤矿智能化综采工作面矿压数据采集及统计方法 |
CN115689353A (zh) * | 2022-10-31 | 2023-02-03 | 三峡大学 | 基于gs-svm算法的水电站调速***健康评估方法 |
CN116861226A (zh) * | 2022-03-23 | 2023-10-10 | 腾讯科技(深圳)有限公司 | 一种数据处理的方法以及相关装置 |
-
2023
- 2023-11-03 CN CN202311457217.0A patent/CN117474165A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101241521A (zh) * | 2008-03-06 | 2008-08-13 | 上海交通大学 | 基于支持向量机的轿车车身综合性能指标建模方法 |
CN104794327A (zh) * | 2015-05-06 | 2015-07-22 | 西安科技大学 | 基于决策融合的多模型矿井顶板安全预警模型 |
CN104991212A (zh) * | 2015-07-07 | 2015-10-21 | 湖南大学 | 一种基于最小二乘线性插值的电流采集通道自校准方法 |
CN107368463A (zh) * | 2017-07-11 | 2017-11-21 | 中国矿业大学 | 基于光纤光栅传感网络数据的巷道非线性变形预测方法 |
CN107392786A (zh) * | 2017-07-11 | 2017-11-24 | 中国矿业大学 | 基于支持向量机的矿井光纤光栅监测***缺失数据补偿方法 |
CN107633331A (zh) * | 2017-09-26 | 2018-01-26 | 北京福布罗科技有限公司 | 时间序列模型建立方法及装置 |
CN108764589A (zh) * | 2018-08-10 | 2018-11-06 | 武汉工程大学 | 一种基于支持向量机的离子浓度预测方法 |
CN111125964A (zh) * | 2019-12-27 | 2020-05-08 | 华东理工大学 | 一种基于克里金插值法的污水处理过程代理模型构建方法 |
CN111832150A (zh) * | 2020-03-03 | 2020-10-27 | 天地科技股份有限公司 | 一种矿压预测方法、装置及电子设备 |
CN111441825A (zh) * | 2020-03-05 | 2020-07-24 | 天地科技股份有限公司 | 一种综采工作面液压支架工作状态监测*** |
CN116861226A (zh) * | 2022-03-23 | 2023-10-10 | 腾讯科技(深圳)有限公司 | 一种数据处理的方法以及相关装置 |
CN114991844A (zh) * | 2022-08-03 | 2022-09-02 | 太原向明智控科技有限公司 | 一种煤矿智能化综采工作面矿压数据采集及统计方法 |
CN115689353A (zh) * | 2022-10-31 | 2023-02-03 | 三峡大学 | 基于gs-svm算法的水电站调速***健康评估方法 |
Non-Patent Citations (1)
Title |
---|
孙刚等: "基于支持向量机的矿压监测数据预测研究", 阜阳师范学院学报(自然科学版), vol. 30, no. 03, 16 September 2013 (2013-09-16), pages 46 - 49 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934337B (zh) | 一种基于集成lstm的航天器遥测数据异常的检测方法 | |
CN111860952B (zh) | 一种突出煤层关键开采参数快速优选方法 | |
CN111488694B (zh) | 基于多元线性自回归的泥水盾构机掘进关键参数预测方法 | |
CN107862331A (zh) | 一种基于时间序列及cnn的不安全行为识别方法及*** | |
CN111737909A (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN104880217B (zh) | 一种基于测量值关联度的故障传感器信息重构方法 | |
CN112487356A (zh) | 一种结构健康监测数据增强方法 | |
CN113343591B (zh) | 基于自注意力网络的产品关键零件寿命端到端预测方法 | |
CN112926771B (zh) | 一种基于改进的时空图卷积网络产油量预测方法及*** | |
CN114254457A (zh) | 一种基于数字孪生的矿山液压支架疲劳寿命预测方法 | |
CN110807544A (zh) | 一种基于机器学习的油田剩余油饱和度分布的预测方法 | |
CN115730684A (zh) | 一种基于lstm-cnn模型的空气质量检测*** | |
CN111143934A (zh) | 一种基于时间卷积网络的结构变形预测方法 | |
CN116542429A (zh) | 一种融合时空特征的油藏生产指标机器学习预测方法 | |
CN117474165A (zh) | 一种基于支持向量机的矿压预测方法 | |
CN114117654A (zh) | 一种基于机器学***井射孔优化设计方法及装置 | |
CN116662920B (zh) | 钻爆法施工装备异常数据辨识方法、***、装备及介质 | |
CN111340275B (zh) | 基于随钻探测技术的隧道支护模式选型实时预测方法 | |
CN111177916A (zh) | 一种基于机器深度学习的卫星机电类产品寿命预测方法 | |
CN116244596A (zh) | 基于tcn和注意力机制的工业时序数据异常检测方法 | |
CN114971070B (zh) | 一种预测矿区地下水位的方法 | |
CN112464570B (zh) | 基于bp-lstm的大坝监测物理量智能预测方法 | |
CN114881074A (zh) | 一种基于聚类-深度学习的工程结构变形预测方法 | |
CN115640329A (zh) | 一种基于多源数据分析的油井故障智能诊断方法 | |
CN113191556A (zh) | 一种核电Loca事件故障预测与诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |