基于网格搜索与交叉验证的SVM磨机负荷预测

发布时间：2021-08-27 03:58

　　针对实际生产中只能依据专家经验判断磨机负荷（ML）状态,难以检测ML及其直接相关参数的问题,该文通过分析反应磨机内部负荷的振动信号,提取频谱特征,利用支持向量机（SVM）建立磨机负荷参数的预测模型。为解决SVM核函数参数g和惩罚因子C主观选取问题,提出采用网格搜索与交叉验证相结合的方法,对SVM参数进行优化。最后基于Matlab与VC混合编程,建立仿真平台,实现球磨机负荷参数的预测仿真。分别利用SVM默认参数和最佳优化参数代入ML回归预测模型,通过参数ML预测对比,得到SVM最佳优化参数下训练的平均平方误差（MSE）和平方相关系数（r2）均优于SVM默认参数下的预测结果。 

【文章来源】：中国测试. 2017,43(01)北大核心

【文章页数】：5 页

【文章目录】：
0 引言
1 SVM基本原理
2 SVM模型参数优化
    2.1 交叉验证
    2.2 网格搜索
    2.3 参数选取步骤
3 磨机负荷预测仿真与结果分析
    3.1 磨矿试验
    3.2 SVM参数优化
    3.3 仿真结果分析
4 结束语


【参考文献】：
期刊论文
[1]基于噪声水平估计的图像盲去噪[J]. 方帅,夏秀山,曹洋,于磊.  模式识别与人工智能. 2015(01)
[2]最小二乘支持向量机优化模型在煤矿安全预测中的应用[J]. 周华平,熊博杰,桂海霞.  测绘科学. 2014(07)
[3]基于KPCA频谱特征提取的球磨机负荷建模方法[J]. 冯雪,赵立杰,郑瀚洋.  沈阳化工大学学报. 2014(02)
[4]基于网格搜索和交叉验证的支持向量机在梯级水电系统隐随机调度中的应用[J]. 纪昌明,周婷,向腾飞,黄海涛.  电力自动化设备. 2014(03)
[5]金属矿山选矿厂磨矿分级自动控制研究现状[J]. 石立,张国旺,肖骁.  金属材料与冶金工程. 2014(01)
[6]基于遗传算法优化的支持向量机品位插值模型[J]. 李翠平,郑瑶瑕,张佳,侯定勇.  北京科技大学学报. 2013(07)
[7]基于支持向量机回归的电力系统负荷建模[J]. 崔晓祥,李娟.  江苏电机工程. 2012(03)
[8]基于多源数据特征融合的球磨机负荷软测量[J]. 汤健,赵立杰,岳恒,柴天佑.  浙江大学学报(工学版). 2010(07)



本文编号：3365603