大型离心式通风机性能预测方法.pdf

第４５卷第２期２０１９年２月工矿自动化ＩｎｄｕｓｔｒｙａｎｄＭｉｎｅＡｕｔｏｍａｔｉｏｎＶｏｌ．４５Ｎｏ．２Ｆｅｂ．２０１９文章编号１６７１－２５１Ｘ（２０１９）０２－００７０－０５ＤＯＩ１０．１３２７２／ｊ．ｉｓｓｎ．１６７１－２５１ｘ．２０１８１０００１４大型离心式通风机性能预测方法孙涛１，代邦武２，褚菲２，马小平２（１．云南能投煤业有限公司，云南昆明６５０２２８；２．中国矿业大学信息与控制工程学院，江苏徐州２２１１１６）摘要针对现有离心式通风机性能预测方法不能充分利用离心式通风机历史运行数据、建模周期长等问题，提出了基于最小二乘支持向量机（ＬＳＳＶＭ）与拉丁超立方采样（ＬＨＳ）的大型离心式通风机性能预测方法。选取出口压力作为衡量通风机性能的指标，利用ＬＳＳＶＭ建立离心式通风机性能预测模型；通过ＬＨＳ方法采集离心式通风机的入口温度、入口压力、入口流量和转速，将采集的数据进行归一化处理后用于ＬＳＳＶＭ模型的训练；通过测试数据验证所建立模型的有效性。仿真结果表明，基于ＬＳＳＶＭ与ＬＨＳ的大型离心式通风机性能预测方法能够充分利用已有通风机数据信息快速准确地预测通风机性能。关键词离心式通风机；性能预测；最小二乘支持向量机；拉丁超立方采样；ＬＳＳＶＭ；ＬＨＳ中图分类号ＴＤ６３５文献标志码Ａ网络出版地址ｈｔｔｐ／／ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／３２．１６２７．ＴＰ．２０１９０１１８．１６３９．００３．ｈｔｍｌ收稿日期２０１８－１０－１１；修回日期２０１９－０１－０８；责任编辑胡娴。基金项目江苏省重点研发计划资金支持项目（ＢＥ２０１６０４６）；江苏省普通高校研究生创新计划项目（ＫＹＬＸ１６０５３３）。作者简介孙涛（１９６１－），男，四川苍溪人，高级工程师，主要研究方向为矿山机电设备设计与安装、矿井自动化监控等，Ｅ－ｍａｉｌｓｔｃｕｍｔ＠１２６．ｃｏｍ。引用格式孙涛，代邦武，褚菲，等．大型离心式通风机性能预测方法［Ｊ］．工矿自动化，２０１９，４５（２）７０－７４．ＳＵＮＴａｏ，ＤＡＩＢａｎｇｗｕ，ＣＨＵＦｅｉ，ｅｔａｌ．Ｐｅｒｆｏｒｍａｎｃｅｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｆｏｒｌａｒｇｅ－ｃｅｎｔｒｉｆｕｇａｌｖｅｎｔｉｌａｔｏｒ［Ｊ］．ＩｎｄｕｓｔｒｙａｎｄＭｉｎｅＡｕｔｏｍａｔｉｏｎ，２０１９，４５（２）７０－７４．Ｐｅｒｆｏｒｍａｎｃｅｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｆｏｒｌａｒｇｅ－ｃｅｎｔｒｉｆｕｇａｌｖｅｎｔｉｌａｔｏｒＳＵＮＴａｏ１，ＤＡＩＢａｎｇｗｕ２，ＣＨＵＦｅｉ２，ＭＡＸｉａｏｐｉｎｇ２（１．ＹｕｎｎａｎＮｅｎｇｔｏｕＣｏａｌＩｎｄｕｓｔｒｙＣｏ．，Ｌｔｄ．，Ｋｕｎｍｉｎｇ６５０２２８，Ｃｈｉｎａ；２．ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇ，ＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＭｉｎｉｎｇａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｘｕｚｈｏｕ２２１１１６，Ｃｈｉｎａ）ＡｂｓｔｒａｃｔＩｎｖｉｅｗｏｆｐｒｏｂｌｅｍｓｔｈａｔｅｘｉｓｔｉｎｇｐｅｒｆｏｒｍａｎｃｅｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｓｆｏｒｃｅｎｔｒｉｆｕｇａｌｖｅｎｔｉｌａｔｏｒｃａｎｎｏｔｆｕｌｌｙｕｔｉｌｉｚｅｈｉｓｔｏｒｉｃａｌｏｐｅｒａｔｉｏｎｄａｔａｏｆｃｅｎｔｒｉｆｕｇａｌｖｅｎｔｉｌａｔｏｒａｎｄｈａｖｅｌｏｎｇｍｏｄｅｌｉｎｇｐｅｒｉｏｄ，ｐｅｒｆｏｒｍａｎｃｅｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｆｏｒｌａｒｇｅ－ｃｅｎｔｒｉｆｕｇａｌｖｅｎｔｉｌａｔｏｒｂａｓｅｄｏｎＬＳＳＶＭａｎｄＬＨＳｗａｓｐｒｏｐｏｓｅｄ．Ｏｕｔｌｅｔｐｒｅｓｓｕｒｅｉｓｓｅｌｅｃｔｅｄａｓｉｎｄｅｘｔｏｍｅａｓｕｒｅｐｅｒｆｏｒｍａｎｃｅｏｆｖｅｎｔｉｌａｔｏｒ，ａｎｄｐｅｒｆｏｒｍａｎｃｅｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｏｆｃｅｎｔｒｉｆｕｇａｌｖｅｎｔｉｌａｔｏｒｉｓｅｓｔａｂｌｉｓｈｅｄｂｙｕｓｉｎｇＬＳＳＶＭ．Ｉｎｌｅｔｔｅｍｐｅｒａｔｕｒｅ，ｉｎｌｅｔｐｒｅｓｓｕｒｅ，ｉｎｌｅｔｆｌｏｗｒａｔｅａｎｄｒｏｔａｔｉｏｎａｌｓｐｅｅｄｏｆｔｈｅｃｅｎｔｒｉｆｕｇａｌｖｅｎｔｉｌａｔｏｒａｒｅｃｏｌｌｅｃｔｅｄｂｙＬＨＳｍｅｔｈｏｄ，ａｎｄｔｈｅｃｏｌｌｅｃｔｅｄｄａｔａａｒｅｎｏｒｍａｌｉｚｅｄｆｏｒｔｒａｉｎｉｎｇｏｆＬＳＳＶＭｍｏｄｅｌ．Ｖａｌｉｄｉｔｙｏｆｔｈｅｅｓｔａｂｌｉｓｈｅｄｍｏｄｅｌｉｓｖｅｒｉｆｉｅｄｂｙｔｅｓｔｉｎｇｄａｔａ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｅｒｆｏｒｍａｎｃｅｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｆｏｒｌａｒｇｅ－ｃｅｎｔｒｉｆｕｇａｌｖｅｎｔｉｌａｔｏｒｂａｓｅｄｏｎＬＳＳＶＭａｎｄＬＨＳｃａｎｍａｋｅｆｕｌｌｕｓｅｏｆｅｘｉｓｔｉｎｇｖｅｎｔｉｌａｔｏｒｄａｔａｉｎｆｏｒｍａｔｉｏｎｔｏｑｕｉｃｋｌｙａｎｄａｃｃｕｒａｔｅｌｙｐｒｅｄｉｃｔｐｅｒｆｏｒｍａｎｃｅｏｆｖｅｎｔｉｌａｔｏｒ．Ｋｅｙｗｏｒｄｓｃｅｎｔｒｉｆｕｇａｌｖｅｎｔｉｌａｔｏｒ；ｐｅｒｆｏｒｍａｎｃｅｐｒｅｄｉｃｔｉｏｎ；ｌｅａｓｔｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ；Ｌａｔｉｎｈｙｐｅｒｃｕｂｅｓａｍｐｌｉｎｇ；ＬＳＳＶＭ；ＬＨＳ０引言离心式通风机的主要作用是保证井下空气供应，稀释有害气体，降低井下煤尘浓度，在煤矿安全生产中至关重要。稳定的通风机性能直接关系到井下设备的可靠运转与人员的安全［１－２］。而对通风机性能的预测控制与运行优化是以准确的性能预测模型为基础的，因而建立准确的通风机性能预测模型十分重要。建立离心式通风机性能预测模型的方法主要有３类 ①以应用数学、流体力学和流场等相关理论为基础建立离心式通风机模型，对通风机性能进行预测［３］。② 实验法，即借助先进的测量技术建立各种工况下离心式通风机实验模型［４－５］。③ 以计算机技术为依托，利用各种ＣＦＤ（ＣｏｍｐｕｔａｔｉｏｎａｌＦｌｕｉｄＤｙｎａｍｉｃｓ）数值模拟技术建立离心式通风机性能预测模型［６－９］。这些方法往往需要复杂的数学计算和重复的实验设计，建模周期长，成本高，并且存在不能充分利用通风机历史运行数据等问题，造成信息资源的浪费。近年来，随着人工智能算法的发展，数据驱动的建模方法逐渐被用于通风机性能预测。张玮［１０］利用离心式通风机历史运行数据提出了一种基于模糊ＲＢＦ神经网络的离心式通风机建模方法，该方法取得了一定效果，但神经网络建模所需数据量大，建模周期长，且未对建模数据分布进行优化，可能导致建模数据过度集中，模型容易陷入局部最优。本文提出了基于最小二乘支持向量机（ＬｅａｓｔＳｑｕａｒｅｓＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＬＳＳＶＭ）与拉丁超立方采样（ＬａｔｉｎＨｙｐｅｒｃｕｂｅＳａｍｐｌｉｎｇ，ＬＨＳ）的大型离心式通风机性能预测方法，利用ＬＳＳＶＭ算法和离心式通风机历史运行数据建立性能预测模型，并采用ＬＨＳ方法保证建模数据均匀分布在建模区间，提高模型泛化性。１ＬＳＳＶＭ模型支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）以统计学习理论为基础，利用ＶＣ维（Ｖａｐｎｉｋ－ＣｈｅｒｖｏｎｅｎｋｉｓＤｉｍｅｎｓｉｏｎ）和结构风险最小化（ＳｔｒｕｃｔｕｒｅＲｉｓｋＭｉｎｉｍｉｚａｔｉｏｎ，ＳＲＭ）原理的基本思想，在有限样本的情况下，从学习能力和模型的复杂度之间找到一个最优权衡，从而获得一个强泛化性的学习机器［１１］，可以有效避免“ 过学习” 和“ 维数灾难” 等问题，在自然语言处理、文本识别、图像识别等领域获得广泛的应用［１２］。在此基础上，Ｊ．Ａ．Ｋ．Ｓｕｙｋｅｎｓ等［１３］将损失函数直接定义为误差平方和，提出了一种改进的ＳＶＭ算法ＬＳＳＶＭ。其主要优势是转化ＳＶＭ中的不等式约束为等式约束，从而降低算法计算的复杂性，加快算法求解的速度［１４－１６］。设有训练集（ｘｉ，ｙｉ），ｉ＝１，２，，ｌ，ｌ为样本数，ｘｉ∈Ｒｄ，是第ｉ个样本的输入，ｙｉ∈Ｒ，是第ｉ个样本的期望输出，构造回归函数ｆ（ｘｉ）＝ω Ｔ φ（ｘｉ）＋ｂ＋ｅｉ（１）式中 ω 为ＬＳＳＶＭ的权系数；ｂ为偏差；ｅ为误差； φ（）为非线性情况下将输入从低维空间变换到高维空间的核函数。定义损失函数为ｐ（ｙｉ，ｆ（ｘｉ））＝（ｙｉ－ｆ（ｘｉ））２＝ｅ２（２）根据结构风险最小原理，ＬＳＳＶＭ风险函数为［１７］Ｊ＝１２ ω ２＋ｒ２∑ ｌｉ＝１ｅ２ｉ（３）式中ｒ为惩罚系数。据此可以得到最优化问题ｍｉｎ１２ ω ２＋ｒ２∑ ｌｉ＝１ｅ２ｉｓ．ｔ．ｆ（ｘｉ）＝ω Ｔ φ（ｘｉ）＋ｂ＋ｅｉ（４）构造Ｌａｇｒａｎｇｅ函数Ｌ（ω，ｂ，ｅｉ，ａｉ）＝１２ ω ２＋ｒ２∑ ｌｉ＝１ｅ２ｉ－ ∑ ｌｉ＝１ａｉ｛ω Ｔ φ（ｘｉ）＋ｂ＋ｅｉ－ｙｉ｝（５）式中ａｉ为Ｌａｇｒａｎｇｅ乘子，ａｉ≥０。根据ＫＫＴ条件［１８］，最优条件为 Ｌ ω ＝ω－∑ ｌｉ＝１ａｉφ（ｘｉ）＝０→ω＝ ∑ ｌｉ＝１ａｉφ（ｘｉ） Ｌ ｂ＝－∑ ｌｉ＝１ａｉ＝０→ ∑ ｌｉ＝１ａｉ＝０ Ｌ ｅｉ＝ｒ∑ ｌｉ＝１ｅｉ－∑ ｌｉ＝１ａｉ＝０→ａｉ＝ｒｅｉ Ｌ ａｉ＝０→ω Ｔ φ（ｘｉ）＋ｂ＋ｅｉ－ｙｉ＝烅烄烆０（６）消去ω和ｅ，求解式（６）可得０１ｖ１ＴｖΩ＋Ｄ－１［］ｒｂ［］ａ＝０［］ｙ（７）式中１ｖ＝［１，１，，１］；对角阵Ｄｒ＝ｄｉａｇ［ｒ，ｒ，，ｒ］；ｙ＝［ｙ１，ｙ２，，ｙｌ］Ｔ；ａ＝［ａ１，ａ２，，ａｌ］Ｔ；矩阵Ω 的元素Ω ｉｊ＝φ Ｔ（ｘｉ） φ（ｘｊ）＝Ｋ（ｘｉ，ｘｊ），Ｋ（ｘｉ，ｘｊ）为满足Ｍｅｒｃｅｒ条件的对称函数，也称核函数。求解式（７）得到ａｉ与ｂ，则ＬＳＳＶＭ回归预测模型为１７２０１９年第２期孙涛等大型离心式通风机性能预测方法ｆ（ｘ）＝∑ ｌｉ＝１ａｉＫ（ｘｉ，ｘｊ）＋ｂ（８）ＬＳＳＶＭ的回归预测能力主要取决于核函数与具体参数的选取。实际应用中通常选择满足Ｍｅｒｃｅｒ条件的核函数，一般分为两大类局部核和全局核［１９］。若将两者线性组合，就可以将两者的优点集于一身，使得到的模型具有更强的泛化能力。常用的核函数主要有高斯径向基核函数、多项式核函数、多层感知器核函数等。２离心式通风机性能预测模型２．１离心式通风机数据采集数据是建立离心式通风机模型的基础，因而需要设计实验来采集必要的离心式通风机建模数据。影响离心式通风机性能的输入变量有很多，忽略次要变量的影响，选取入口压力、入口温度、入口流量和转速作为影响离心式通风机性能的主要变量，选取出口压力作为衡量通风机性能的指标。为了提高所建模型的泛化性，避免局部建模，采集的训练与测试数据应该均匀分布在通风机的整个运行区间内。ＬＨＳ采用分层抽样，将采样区间均匀划分为若干等份，在每个部分中随机采集数据，保证了数据分布的均匀性，避免了数据过度集中［２０－２１］。因此，选用ＬＨＳ方法采集离心式通风机的实验数据。Ｇ．Ｅ．Ｐ．Ｂｏｘ等［２２］指出，在实验的初始阶段，采集的数据不宜超过实验数据总量的２５％，假设采集数据总量ｎ＝１０ｄ（ｄ为输入变量维度），那么初始实验中采集的实验数据量ｎ０应满足ｎ０≤０．２５ｎ＝２．５ｄ，因而，本文采用ｎ０＝０．２５ｎ作为初始试验阶段实验数据量。数据采集硬件实现方案如图１所示，首先通过传感器对被测通风机的入口压力、温度、流量及转速进行测量，然后测量数据通过总线传输到ＤＡＱ数据采集系统，最终ＤＡＱ数据采集系统将数据打包通过Ｉ／Ｏ设备传入主机。图１离心式通风机数据采集硬件实现方案Ｆｉｇ．１Ｈａｒｄｗａｒｅｉｍｐｌｅｍｅｎｔａｔｉｏｎｏｆｄａｔａａｃｑｕｉｓｉｔｉｏｎｏｆｃｅｎｔｒｉｆｕｇａｌｖｅｎｔｉｌａｔｏｒ２．２数据处理由于变量之间存在量纲的差异，采集到的数据并不直接应用于模型训练，需要对数据做归一化处理，即把有量纲数据变为无量纲数据，将采集的数据映射到［０，１］范围内，从而提高模型的收敛速度，提升模型的精度。本文采用最大－最小值归一化方法，将采集的数据映射到［０，１］的范围内，具体表达式为Ｓ＝ｓ－ｓｍｉｎｓｍａｘ－ｓｍａｘ（９）式中Ｓ为归一化后的数据；ｓ为采集数据；ｓｍｉｎ为采集数据最小值；ｓｍａｘ为采集数据最大值。２．３模型训练与模型验证离心式通风机性能预测模型训练结构如图２所示。该结构可以分为２个部分，即数据采集处理和模型训练。前者主要完成实验数据的采集与处理，后者实现性能预测模型的建立与验证。首先通过ＬＨＳ方法采集离心式通风机的实验数据（入口温度、压力、流量和通风机转速），将采集的数据进行归一化处理后用于ＬＳＳＶＭ模型的训练［２３］。模型训练完成后，将测试数据应用到所建立的模型，验证模型的有效性。如果所建立的模型满足建模的停止条件，则应用此模型。若所建立的模型无法满足建模的停止条件，则需要采集更多的数据进行模型训练。本文选取ＲＢＦ核函数作为ＬＳＳＶＭ的核函数，核参数通过网格搜索法获得［１３］。图２离心式通风机性能预测模型训练结构Ｆｉｇ．２Ｔｒａｉｎｉｎｇｓｔｒｕｃｔｕｒｅｏｆｐｅｒｆｏｒｍａｎｃｅｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｆｏｒｃｅｎｔｒｉｆｕｇａｌｖｅｎｔｉｌａｔｏｒ此外，选取均方根误差（Ｒｏｏｔ－Ｍｅａｎ－ＳｑｕａｒｅＥｒｒｏｒ，ＲＭＳＥ）和平均相对误差（ＭｅａｎＲｅｌａｔｉｖｅＥｒｒｏｒ，ＭＲＥ）来评估模型的预测性能，同时选取ＲＭＳＥ作为模型的训练停止条件，二者具体表达式为２７工矿自动化２０１９年第４５卷ＲＭＳＥ＝１ｌ∑ ｌｉ＝１（ｔｉ－ｔ－ｉ）槡２（１０）ＭＲＥ＝１ｌ∑ ｌｉ＝１ｔｉ－ｔ－ｉｔｉ１００％（１１）式中ｔｉ为真实值；ｔ－ｉ为模型预测值。３仿真分析某煤矿主要通风机采用离心式通风机，本文以该离心式通风机为研究对象，利用ＬＳＳＶＭ算法建立通风机性能预测模型，验证所提方法的有效性。模型训练与测试样本均从现场的集散控制系统中获得。利用ＬＨＳ方法从离心式通风机稳定运行区域内选取１００组数据用于模型训练，选取５０组测试数据用于模型验证，并确定模型训练的停止条件为ＲＭＳＥ＜０．０５。利用Ｍａｔｌａｂ实现上述模型。图３给出了在不同数量训练样本的情况下，预测模型的ＲＭＳＥ情况。从图３可以看出，随着训练样本的增加，预测模型的ＲＭＳＥ值不断下降，最终趋于稳定，在训练样本数为３０时，模型满足训练停止条件。图３ＬＳＳＶＭ方法均方根误差Ｆｉｇ．３Ｒｏｏｔ－ｍｅａｎ－ｓｑｕａｒｅｅｒｒｏｒｏｆＬＳＳＶＭｍｅｔｈｏｄ图４展示了在满足模型停止条件，即使用３０个训练样本时，模型的预测值与真实值的对比。从图４可以看出，所建立的模型能够很好地预测离心式通风机的输出压力，预测值与真实数据较吻合。图４通风机性能预测模型预测值与真实值对比Ｆｉｇ．４Ｃｏｍｐａｒｉｓｏｎｏｆｐｒｅｄｉｃｔｅｄａｎｄａｃｔｕａｌｖａｌｕｅｓｏｆｐｅｒｆｏｒｍａｎｃｅｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｆｏｒｃｅｎｔｒｉｆｕｇａｌｖｅｎｔｉｌａｔｏｒ为了进一步体现所提方法的优越性，表１给出了在满足停止条件后，不同训练样本下模型的ＲＭＳＥ和ＭＲＥ。从表１中可以看出，误差随着训练数据的增加而呈下降趋势，并最终逐渐收敛。表１不同训练样本下ＬＳＳＶＭ方法的ＭＲＳＥ与ＭＲＥ值Ｔａｂｌｅ１ＲＭＳＥａｎｄＭＲＥｏｆＬＳＳＶＭｍｅｔｈｏｄｕｎｄｅｒｄｉｆｆｅｒｅｎｔｔｒａｉｎｉｎｇｓａｍｐｌｅｓ训练样本数ＲＭＳＥ／１０－２ＭＲＥ／％３０１．９０２．３０４０１．４０２．００５００．５０１．８０６００．３６１．５０７００．３６０．５３８００．３３０．５５９００．３２０．５２１０００．３２０．５３４结语基于ＬＳＳＶＭ算法建立矿用离心式通风机性能预测模型，采用ＬＨＳ方法采集通风机的实验数据，进一步降低建模成本，提高建模精度，通过仿真实例验证所提方法的有效性。然而实际生产中存在大量相似的离心式通风机，尽管它们在大小、结构、转速等方面存在差异，但所遵循的机理相似，因而如何利用已有相似离心式通风机数据建立当前离心式通风机模型成为下一步研究方向。参考文献（Ｒｅｆｅｒｅｎｃｅｓ）［１］牛青．矿井通风机性能测试方法与系统的研究［Ｄ］．西安西安科技大学，２０１４．［２］万雷．单级离心风机气动性能模拟与实验验证［Ｄ］．哈尔滨哈尔滨工程大学，２０１３．［３］李超，伍继浩．离心通风机整机损失数学模型的研究及优化［Ｊ］．风机技术，２０００（４）１５－１７．［４］姜华，宫武旗，张炜，等．带分流叶片离心叶轮非定常流场的实验研究［Ｊ］．西安交通大学学报，２００９，４３（９）１４－１８．ＪＩＡＮＧＨｕａ，ＧＯＮＧＷｕｑｉ，ＺＨＡＮＧＷｅｉ，ｅｔａｌ．Ｅｘｐｅｒｉｍｅｎｔａｌｉｎｖｅｓｔｉｇａｔｉｏｎｏｆｔｈｅｕｎｓｔｅａｄｙｄｉｓｃｈａｒｇｅｆｌｏｗｉｎａｃｅｎｔｒｉｆｕｇａｌｉｍｐｅｌｌｅｒｗｉｔｈｓｐｌｉｔｔｅｒｂｌａｄｅｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＸｉ＇ａｎＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，２００９，４３（９）１４－１８．［５］聂波，张俊林，满建楠．进口弯管对前向离心通风机性能影响的研究［Ｊ］．流体机械，２０１８，４６（１）６－９．ＮＩＥＢｏ，ＺＨＡＮＧＪｕｎｌｉｎ，ＭＡＮＪｉａｎｎａｎ．Ｅｆｆｅｃｔｏｎｔｈｅ３７２０１９年第２期孙涛等大型离心式通风机性能预测方法ｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｆｏｒｗａｒｄｃｅｎｔｒｉｆｕｇａｌｆａｎｗｉｔｈｉｎｌｅｔｂｅｎｔｐｉｐｅ［Ｊ］．ＦｌｕｉｄＭａｃｈｉｎｅｒｙ，２０１８，４６（１）６－９．［６］ＯＮＭＡＰ，ＣＨＡＮＴＲＡＳＭＩＴ．Ｃｏｍｐａｒｉｓｏｎｏｆｔｗｏｍｅｔｈｏｄｓｔｏｄｅｔｅｒｍｉｎｅｆａｎｐｅｒｆｏｒｍａｎｃｅｃｕｒｖｅｓｕｓｉｎｇｃｏｍｐｕｔａｔｉｏｎａｌｆｌｕｉｄｄｙｎａｍｉｃｓ［Ｃ］／／ＩＯＰＣｏｎｆｅｒｅｎｃｅＳｅｒｉｅｓＭａｔｅｒｉａｌｓＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，２０１８．［７］ＭＡＤＨＷＥＳＨＮ，ＫＡＲＡＮＴＨＫＶ，ＳＨＡＲＭＡＮＹ．Ｅｆｆｅｃｔｏｆｉｎｎｏｖａｔｉｖｅｃｉｒｃｕｌａｒｓｈｒｏｕｄｆｅｎｃｅｓｏｎａｃｅｎｔｒｉｆｕｇａｌｆａｎｆｏｒａｕｇｍｅｎｔｅｄｐｅｒｆｏｒｍａｎｃｅ－Ａｎｕｍｅｒｉｃａｌａｎａｌｙｓｉｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０１８，３２（１）１８５－１９７．［８］黄忠文，王培，韩海燕．离心通风机叶轮的有限元建模与应力分析［Ｊ］．流体机械，２０１５，４３（１０）２７－３０．ＨＵＡＮＧＺｈｏｎｇｗｅｎ，ＷＡＮＧＰｅｉ，ＨＡＮＨａｉｙａｎ．Ｆｉｎｉｔｅｅｌｅｍｅｎｔｍｏｄｅｌｉｎｇａｎｄｓｔｒｅｓｓａｎａｌｙｓｉｓｏｆｃｅｎｔｒｉｆｕｇａｌｆａｎｉｍｐｅｌｌｅｒ［Ｊ］．ＦｌｕｉｄＭａｃｈｉｎｅｒｙ，２０１５，４３（１０）２７－３０．［９］邵国建，陈帮，谢云川．进气箱对离心风机性能影响的研究［Ｊ］．风机技术，２０１８，６０（１）３９－４３．ＳＨＡＯＧｕｏｊｉａｎ，ＣＨＥＮＢａｎｇ，ＸＩＥＹｕｎｃｈｕａｎ．Ｅｆｆｅｃｔｏｆｉｎｌｅｔｂｏｘｏｎｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｃｅｎｔｒｉｆｕｇａｌｆａｎ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＴｕｒｂｏｍａｃｈｉｎｅｒｙ，２０１８，６０（１）３９－４３．［１０］张玮．基于神经网络的数据统计建模［Ｄ］．杭州浙江工业大学，２００９．［１１］ＶＡＰＮＩＫＶＮ．Ａｎｏｖｅｒｖｉｅｗｏｆｓｔａｔｉｓｔｉｃａｌｌｅａｒｎｉｎｇｔｈｅｏｒｙ［Ｊ］．ＩＥＥＥｔｒａｎｓａｃｔｉｏｎｓｏｎｎｅｕｒａｌｎｅｔｗｏｒｋｓ，１９９９，１０（５）９８８－９９９．［１２］ＣＨＥＲＫＡＳＳＫＹＶ，ＭＡＹ．ＰｒａｃｔｉｃａｌｓｅｌｅｃｔｉｏｎｏｆＳＶＭｐａｒａｍｅｔｅｒｓａｎｄｎｏｉｓｅｅｓｔｉｍａｔｉｏｎｆｏｒＳＶＭｒｅｇｒｅｓｓｉｏｎ［Ｊ］．ＮｅｕｒａｌＮｅｔｗｏｒｋｓ，２００４，１７（１）１１３－１２６．［１３］ＳＵＹＫＥＮＳＪＡＫ，ＶＡＮＤＥＷＡＬＬＥＪ．Ｌｅａｓｔｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｃｌａｓｓｉｆｉｅｒｓ［Ｊ］．ＮｅｕｒａｌＰｒｏｃｅｓｓｉｎｇＬｅｔｔｅｒｓ，１９９９，９（３）２９３－３００．［１４］周欣然．基于最小二乘支持向量机的在线建模与控制方法研究［Ｄ］．长沙湖南大学，２０１２．［１５］陈爱军．最小二乘支持向量机及其在工业过程建模中的应用［Ｄ］．杭州浙江大学，２００６．［１６］ＬＵＣｈａｏ，ＣＨＥＮＪｉｅ，ＨＯＮＧＲｏｎｇｊｉｎｇ，ｅｔａｌ．ＤｅｇｒａｄａｔｉｏｎｔｒｅｎｄｅｓｔｉｍａｔｉｏｎｏｆｓｌｅｗｉｎｇｂｅａｒｉｎｇｂａｓｅｄｏｎＬＳＳＶＭｍｏｄｅｌ［Ｊ］．ＭｅｃｈａｎｉｃａｌＳｙｓｔｅｍｓａｎｄＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，２０１６，７６－７７３５３－３６６．［１７］ＷＡＮＧＨ，ＨＵＤ．ＣｏｍｐａｒｉｓｏｎｏｆＳＶＭａｎｄＬＳ－ＳＶＭｆｏｒｒｅｇｒｅｓｓｉｏｎ［Ｃ］／／ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓａｎｄＢｒａｉｎ，２００５．［１８］张檑，李宏光．基于ＫＫＴ条件选择被控变量的自优化控制方法［Ｊ］．北京化工大学学报（自然科学版），２０１３，４０（增刊１）６７－７１．ＺＨＡＮＧＬｅｉ，ＬＩＨｏｎｇｇｕａｎｇ．Ｓｅｌｆ－ｏｐｔｉｍｉｚｉｎｇｃｏｎｔｒｏｌａｐｐｒｏａｃｈｗｉｔｈＫａｒｕｓｈＫｕｈｎＴｕｃｋｅｒ（ＫＫＴ）ｂａｓｅｄｃｏｎｔｒｏｌｌｅｄｖａｒｉａｂｌｅａｌｔｅｒｎａｔｉｖｅｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＣｈｅｍｉｃａｌＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０１３，４０（Ｓ１）６７－７１．［１９］郑丽媛，孙朋，张素君．煤矿瓦斯突出预测的ＰＳＯ－ＬＳＳＶＭ模型［Ｊ］．仪表技术与传感器，２０１４（６）１３８－１４０．ＺＨＥＮＧＬｉｙｕａｎ，ＳＵＮＰｅｎｇ，ＺＨＥＮＧＳｕｊｕｎ．ＰｒｅｄｉｃｔｉｏｎｏｎｇａｓｅｍｉｓｓｉｏｎｖａｌｕｅｂａｓｅｄｏｎＰＳＯ－ＬＳＳＶＭ［Ｊ］．ＩｎｓｔｒｕｍｅｎｔＴｅｃｈｎｉｑｕｅａｎｄＳｅｎｓｏｒ，２０１４（６）１３８－１４０．［２０］ＭＣＫＡＹＭＤ，ＢＥＣＫＭＡＮＲＪ，ＣＯＮＯＶＥＲＷＪ．Ａｃｏｍｐａｒｉｓｏｎｏｆｔｈｒｅｅｍｅｔｈｏｄｓｆｏｒｓｅｌｅｃｔｉｎｇｖａｌｕｅｓｏｆｉｎｐｕｔｖａｒｉａｂｌｅｓｉｎｔｈｅａｎａｌｙｓｉｓｏｆｏｕｔｐｕｔｆｒｏｍａｃｏｍｐｕｔｅｒｃｏｄｅ［Ｊ］．Ｔｅｃｈｎｏｍｅｔｒｉｃｓ，２０００，２１（２）２３９－２４５．［２１］吴振君，王水林，葛修润．ＬＨＳ方法在边坡可靠度分析中的应用［Ｊ］．岩土力学，２０１０，３１（４）１０

版权申诉 word格式文档无特别注明外均可编辑修改；预览文档经过压缩，下载后原文更清晰！ 立即下载

关键词：: 大型离心通风机性能预测方法技术规范煤矿开采 20201218141547220134 煤矿开采采矿技术煤矿文库，行业标准法律法规培训课件案例分析规程措施技术规范煤矿论文考试题库技术方案技术标书施工组织技术总结安全管理通知公告设计图纸实用文档图书资料文档下载在线阅读视频课程培训视频

矿业文库所有资源均是用户自行上传分享，仅供网友学习交流，未经上传用户书面授权，请勿作他用。