输送带煤流量短时预测方法研究.pdf

扫码移动阅读第４５卷第４期２０１９年４月工矿自动化ＩｎｄｕｓｔｒｙａｎｄＭｉｎｅＡｕｔｏｍａｔｉｏｎＶｏｌ．４５Ｎｏ．４Ａｐｒ．２０１９文章编号１６７１－２５１Ｘ（２０１９）０４－００７２－０５ＤＯＩ１０．１３２７２／ｊ．ｉｓｓｎ．１６７１－２５１ｘ．２０１８１０００７５输送带煤流量短时预测方法研究冯梅，乔铁柱（太原理工大学新型传感器与智能控制教育部重点实验室，山西太原０３００２４）摘要对煤流量短时间内的趋势进行预测，是实现带速与运量匹配的前提条件，而现有输送带煤流量短时预测方法存在实时性不好和精度不高的问题。针对上述问题，提出了一种基于支持向量机的输送带煤流量短时预测方法。该方法首先利用支持向量机算法选择实时煤流量作为因变量、统计数据时间作为自变量，然后对实际采集到的煤流量数据进行归一化处理，利用交叉验证方法选择出最优的参数，利用最优参数训练支持向量机，拟合出理想的短时间内煤流量预测曲线，最后通过进一步对比拟合均方误差、相关系数等预测指标来分析煤流量预测曲线与原始数据曲线的拟合程度，得到最佳预测曲线。Ｍａｔｌａｂ仿真结果表明，该方法能够较好地预测输送带短时间内的煤流量，预测数据与真实值之间的偏差很小，均方误差为０．０００１５２５６３，相关系数为９９．７８４８％。关键词矿用带式输送机；煤流量短时预测；带速与运量匹配；回归预测；支持向量机；因变量；自变量中图分类号ＴＤ５２８文献标志码Ａ收稿日期２０１８－１０－３０；修回日期２０１９－０１－２５；责任编辑张强。基金项目山西省自然科学基金项目（２０１６０１Ｄ０１１０５９）。作者简介冯梅（１９９２－），女，山西吕梁人，硕士研究生，主要研究方向为带式输送机预测控制、节能调速控制等，Ｅ－ｍａｉｌｆｅｎｇｍｅｉｂｌｕｅ＠ｆｏｘｍａｉｌ．ｃｏｍ。引用格式冯梅，乔铁柱．输送带煤流量短时预测方法研究［Ｊ］．工矿自动化，２０１９，４５（４）７２－７６．ＦＥＮＧＭｅｉ，ＱＩＡＯＴｉｅｚｈｕ．Ｒｅｓｅａｒｃｈｏｎｓｈｏｒｔ－ｔｅｒｍｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｏｆｃｏａｌｆｌｏｗｏｎｃｏｎｖｅｙｏｒｂｅｌｔ［Ｊ］．ＩｎｄｕｓｔｒｙａｎｄＭｉｎｅＡｕｔｏｍａｔｉｏｎ，２０１９，４５（４）７２－７６．Ｒｅｓｅａｒｃｈｏｎｓｈｏｒｔ－ｔｅｒｍｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｏｆｃｏａｌｆｌｏｗｏｎｃｏｎｖｅｙｏｒｂｅｌｔＦＥＮＧＭｅｉ，ＱＩＡＯＴｉｅｚｈｕ（ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＡｄｖａｎｃｅｄＴｒａｎｓｄｕｃｅｒｓａｎｄＩｎｔｅｌｌｉｇｅｎｔＣｏｎｔｒｏｌＳｙｓｔｅｍ，ＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎ，ＴａｉｙｕａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｔａｉｙｕａｎ０３００２４，Ｃｈｉｎａ）ＡｂｓｔｒａｃｔＦｏｒｅｃａｓｔｉｎｇｔｈｅｔｒｅｎｄｏｆｃｏａｌｆｌｏｗｉｎａｓｈｏｒｔ－ｔｅｒｍｉｓｔｈｅｐｒｅｃｏｎｄｉｔｉｏｎｔｏｒｅａｌｉｚｅｍａｔｃｈｉｎｇｏｆｂｅｌｔｓｐｅｅｄａｎｄｔｒａｆｆｉｃｖｏｌｕｍｅ．Ｈｏｗｅｖｅｒ，ｔｈｅｅｘｉｓｔｉｎｇｓｈｏｒｔ－ｔｅｒｍｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｓｏｆｃｏａｌｆｌｏｗｏｎｃｏｎｖｅｙｏｒｂｅｌｔｈａｖｅｔｈｅｐｒｏｂｌｅｍｓｏｆｉｎｓｕｆｆｉｃｉｅｎｔｒｅａｌ－ｔｉｍｅｐｅｒｆｏｒｍａｎｃｅａｎｄｌｏｗｐｒｅｃｉｓｉｏｎ．Ｆｏｒｔｈｅｐｒｏｂｌｅｍｓ，ａｓｈｏｒｔ－ｔｅｒｍｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｏｆｃｏａｌｆｌｏｗｏｎｃｏｎｖｅｙｏｒｂｅｌｔｂａｓｅｄｏｎｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｗａｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｔｈｅｍｅｔｈｏｄｕｓｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅａｌｇｏｒｉｔｈｍｔｏｓｅｌｅｃｔｔｈｅｒｅａｌ－ｔｉｍｅｃｏａｌｆｌｏｗａｓｄｅｐｅｎｄｅｎｔｖａｒｉａｂｌｅａｎｄｓｔａｔｉｓｔｉｃａｌｄａｔａｔｉｍｅａｓｉｎｄｅｐｅｎｄｅｎｔｖａｒｉａｂｌｅ，ａｎｄｔｈｅｎｎｏｒｍａｌｉｚｅｓａｃｔｕａｌｃｏｌｌｅｃｔｅｄｃｏａｌｆｌｏｗｄａｔａ，ｕｓｅｓｃｒｏｓｓ－ｖａｌｉｄａｔｉｏｎｍｅｔｈｏｄｔｏｓｅｌｅｃｔｔｈｅｂｅｓｔｐａｒａｍｅｔｅｒｓ．Ｉｔａｌｓｏｕｓｅｓｔｈｅｂｅｓｔｐａｒａｍｅｔｅｒｓｔｏｔｒａｉｎｔｈｅｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｔｏｆｉｔｉｄｅａｌｓｈｏｒｔ－ｔｅｒｍｐｒｅｄｉｃｔｉｏｎｃｕｒｖｅｓｏｆｃｏａｌｆｌｏｗ．Ｆｉｎａｌｌｙ，ｔｈｅｍｅｔｈｏｄａｎａｌｙｚｅｓｆｉｔｔｉｎｇｄｅｇｒｅｅｏｆｔｈｅｃｏａｌｆｌｏｗｐｒｅｄｉｃｔｉｏｎｃｕｒｖｅｓａｎｄｔｈｅｏｒｉｇｉｎａｌｄａｔａｃｕｒｖｅｓｂｙｆｕｒｔｈｅｒｃｏｍｐａｒｉｎｇｔｈｅｐｒｅｄｉｃｔｉｏｎｐａｒａｍｅｔｅｒｓｓｕｃｈａｓｍｅａｎｓｑｕａｒｅｅｒｒｏｒａｎｄｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｔｏｏｂｔａｉｎｔｈｅｂｅｓｔｐｒｅｄｉｃｔｉｏｎｃｕｒｖｅ．ＴｈｅＭａｔｌａｂｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｅｔｈｏｄｃａｎｐｒｅｄｉｃｔｃｏａｌｆｌｏｗｏｎｃｏｎｖｅｙｏｒｂｅｌｔｉｎａｓｈｏｒｔｔｉｍｅ，ａｎｄｔｈｅｄｅｖｉａｔｉｏｎｂｅｔｗｅｅｎｔｈｅｐｒｅｄｉｃｔｅｄｄａｔａａｎｄｔｈｅｔｒｕｅｖａｌｕｅｉｓｓｍａｌｌ，ｔｈｅｍｅａｎｓｑｕａｒｅｅｒｒｏｒｉｓ０．０００１５２５６３，ａｎｄｔｈｅｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｉｓ９９．７８４８％．Ｋｅｙｗｏｒｄｓｍｉｎｅ－ｕｓｅｄｂｅｌｔｃｏｎｖｅｙｏｒ；ｓｈｏｒｔ－ｔｅｒｍｐｒｅｄｉｃｔｉｏｎｏｆｃｏａｌｆｌｏｗ；ｍａｔｃｈｉｎｇｏｆｂｅｌｔｓｐｅｅｄａｎｄｔｒａｆｆｉｃｖｏｌｕｍｅ；ｒｅｇｒｅｓｓｉｏｎｐｒｅｄｉｃｔｉｏｎ；ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ；ｄｅｐｅｎｄｅｎｔｖａｒｉａｂｌｅ；ｉｎｄｅｐｅｎｄｅｎｔｖａｒｉａｂｌｅ０引言带式输送机作为煤矿企业主要的煤炭运输设备，在煤矿运输系统中起到了举足轻重的作用。通常来说，矿用带式输送机常以恒定带速运行，绝大多数情况都难以达到满载的状况，并且经常会出现半载甚至空载的情况，俗称“ 大马拉小车” ，从而会导致生产不规律、资源浪费等情况发生［１－４］。通过带速与运量相匹配来实现矿用带式输送机的节能控制，能够适当减少其所消耗的能源［５－６］。作为矿用带式输送机节能调速的核心问题，带速与运量的匹配运行已成为一个研究重点。在节能调速过程中，因采煤量不均衡，输送带上煤流量也随之不断变化，这对于节能调速来说，是个难以避开的实际困难。对煤流量短时间内的趋势进行预测，是实现带速与运量匹配的前提条件，也能够进一步推进带式输送机的节能调速研究。传统的煤流量预测方法包括时间序列法、趋势预测法及ＡＲＩＭＡ模型法［７－９］等，这些方法适合处理较为平稳的数据，而且完全依赖于纯数学理论来建立模型，无法满足实际生产中的高精度需求。矿用带式输送机的输送过程对于数据的实时处理要求极高，同时煤流量的数据波动较大，需要将其分为不同的时间段，获取有限的样本来进行短时预测分析。支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓ，ＳＶＭ）是一种基于统计学的极为有效的机器学习方法［１０］，其优势是在统计样本量较少的情况下，亦能获得良好的统计规律，泛化能力强，容易训练。为此，本文提出了一种基于支持向量机的输送带煤流量短时预测方法，通过利用支持向量机算法，在实际统计输送带实时煤流量的基础之上，通过利用Ｍａｔｌａｂ软件中的相应函数调节适当的参数来实现短时间内煤流量趋势的预测。１基于支持向量机的输送带煤流量短时预测方法１．１支持向量机算法支持向量机通过非线性映射将输入向量映射到一个高维特征空间，然后在该特征空间构建一个最优超平面来逼近目标函数，引入核函数方法来避免显式的非线性映射，克服高维特征空间带来的计算困难，其中核函数参数Ｇ的选择决定了核函数的作用范围。支持向量机在处理样本数量较少、非线性类等问题上有很多独特的优势，它既有扎实的理论基础，所应用的模型也较为简单，同时能够解决一些复杂的实际问题。支持向量机算法已经在不同的领域得到了应用与推广，如时间序列预测、模式识别、数据分类等［１１］。假设某一随机样本集合为（ｙ１，ｘ１），（ｙ２，ｘ２），，（ｙｎ，ｘｎ），ｙ∈Ｒ，则回归函数线性方程式为ｆ（ｘ）＝ｗＴｘ＋ｂ（１）式中ｗ为ｎ维向量；ｘ为样本的向量表示；ｂ为几何间隔，是常量。通过函数的最小值找到最佳的回归函数为ｙ＝Ｍｉｎ１２ｗＴｗ＋Ｃ∑ Ｎｉ＝１（ ξ ｉ＋ξ ＊ｉ）（２）式中Ｃ为惩罚参数，是常量；Ｎ为样本个数；ｉ为某个样本数据； ξ为松弛变量上限；ξ ＊为松弛变量下限。１．２预测方法设计利用支持向量机预测方法［１２］对矿用输送带的煤流量进行短时间内的趋势预测，其具体的流程如图１所示。首先要根据具体的应用环境，同时结合算法本身来选定合适的因变量与自变量，然后对实际采集到的数据进行归一化处理，接着对式（２）中的惩罚参数Ｃ和核函数参数Ｇ进行一次次的试验。根据粗略化到精细化过程来选定２个参数的最优值，然后利用最优参数训练支持向量机，拟合出理想的短时间内煤流量预测曲线，通过进一步对比拟合预测指标（均方误差ＭＳＥ、相关系数Ｒ）来分析煤流量预测曲线与原始数据曲线的拟合程度［１３］。图１基于支持向量机的输送带煤流量短时预测方法流程Ｆｉｇ．１Ｆｌｏｗｏｆｓｈｏｒｔ－ｔｅｒｍｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｏｆｃｏａｌｆｌｏｗｏｎｃｏｎｖｅｙｏｒｂａｓｅｄｏｎＳＶＭ支持向量机作为回归预测的核心，它的作用在于调节相应的参数，主要参数包括惩罚参数Ｃ和核函数参数Ｇ，只有这样才能得到比较理想的预测准确率。利用交叉验证（Ｋ－ｆｏｌｄＣｒｏｓｓ－Ｖａｌｉｄａｔｉｏｎ，Ｋ－ＣＶ）方法选择最优参数Ｃ和Ｇ。首先选取一定取值范围内的Ｃ和Ｇ参数，通过Ｋ－ＣＶ方法将选定的参数Ｃ、Ｇ分为Ｋ组，一般为均分，得到Ｋ个模型，用这Ｋ个模型的预测准确率作为Ｋ－ＣＶ的性能指标。然后得到不同组Ｃ、Ｇ的预测分类准确率，最终将验证分类预测准确率最高的一组Ｃ、Ｇ参数作为最优参数。最后，利用选定的最优参数训练ＳＶＭ，得到理想的预测曲线。１．３数据预处理矿用带式输送机属于串联级输送带，若忽略输送带传送过程中不必要的损耗，则途径每一级串联３７２０１９年第４期冯梅等输送带煤流量短时预测方法研究输送带上的煤流量数目大致是相同的［１４］。因此，通过统计第１级输送带上煤流量的实时数据，作为实验预处理的原始数据，用来预测第２级、第３级等后续串联级输送带在短时间内的煤流量趋势，并在此基础上进一步实现带式输送机的节能调速，即运量与带速的匹配。对采集到的原始数据进行归一化处理，将数据规整到［０，２］范围内。归一化的映射为ｆ∶ｘ→ｙ＝ｘ－ｘｍｉｎｘｍａｘ－ｘｍｉｎ（３）式中ｘ为自变量；ｙ为因变量；ｘｍｉｎ为自变量中的最小值；ｘｍａｘ为自变量中的最大值。２Ｍａｔｌａｂ仿真分析在Ｍａｔｌａｂ软件中使用ｌｉｂｓｖｍ工具箱载入某煤矿一段时间内采集到的串联级输送带第１级输送带上煤流量的原始实时数据，绘制出相应的煤流量趋势曲线，如图２所示。选择实时的煤流量作为因变量，统计数据时间作为自变量，然后利用ｍａｐｍｉｎｍａｘ函数来实现因变量与自变量数据的归一化处理，处理之后的结果如图３所示，将原始数据归一化到［０，２］范围内，方便后续对数据的训练与测试。图２原始煤流量曲线Ｆｉｇ．２Ｏｒｉｇｉｎａｌｃｏａｌｆｌｏｗｃｕｒｖｅ图３原始煤流量曲线归一化后的结果Ｆｉｇ．３Ｎｏｒｍａｌｉｚａｔｉｏｎｒｅｓｕｌｔｓｏｆｏｒｉｇｉｎａｌｃｏａｌｆｌｏｗｃｕｒｖｅ利用支持向量机预测方法中参数优化函数ＳＶＭｃｇＦｏｒＲｅｇｒｅｓｓ．ｍ对惩罚参数Ｃ和核函数参数Ｇ进行不断的训练与选择［１５］，先进行粗略化的寻找，然后在粗略寻找的结果中利用Ｋ－ＣＶ方法来进行更进一步的精细化选择，直到选定最优的Ｃ和Ｇ参数［１６］。参数粗略、精细选择结果如图４和图５所示，其中包括粗略及精细选择的等高线图与３Ｄ视图。（ａ）等高线（ｂ）３Ｄ视图图４Ｃ、Ｇ参数粗略选择结果Ｆｉｇ．４ＲｏｕｇｈｓｅｌｅｃｔｉｏｎｒｅｓｕｌｔｓｏｆＣ，Ｇｐａｒａｍｅｔｅｒｓ经过对原始实时数据进行不断的训练与测试，选定了最优的Ｃ和Ｇ参数，同时通过均方误差ＭＳＥ来更有效地验证参数Ｃ、Ｇ，说明预测模型拟合原始数据的精确度［１７］，具体的参数最优选择结果见表１。参数Ｃ和Ｇ在一定范围内取值，将数据训练分类准确率最高的那组Ｃ和Ｇ参数对应的数值作为最优参数。与此相对应的基于支持向量机的煤流量预测曲线如图６所示。从图６可直观地看出，原始煤流量曲线与预测煤流量曲线两者之间的拟合程度良好。表１最优参数选择结果Ｔａｂｌｅ１Ｓｅｌｅｃｔｉｏｎｒｅｓｕｌｔｓｏｆｂｅｓｔｐａｒａｍｅｔｅｒｓ选择方法惩罚参数Ｃ核函数参数Ｇ均方误差ＭＳＥ粗略选择０．０２０６１７５．２７８００．００１７１５８精细选择０．０６２５００１．４１４２０．００１８３８５４７工矿自动化２０１９年第４５卷（ａ）等高线（ｂ）３Ｄ视图图５Ｃ、Ｇ参数精细选择结果Ｆｉｇ．５ＦｉｎｅｓｅｌｅｃｔｉｏｎｒｅｓｕｌｔｓｏｆＣ，Ｇｐａｒａｍｅｔｅｒｓ图６煤流量预测结果Ｆｉｇ．６Ｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆｃｏａｌｆｌｏｗ原始数据曲线与利用支持向量机预测的煤流量趋势之间的误差与相对误差如图７、图８所示。从图７、图８可看出，误差的波动范围为３％，在６００ｍｉｎ后，煤流量趋势较为平稳的时间段内相对误差的波动范围为５％左右，在０～６００ｍｉｎ之间，数据误差量相对较大，需要后续进行进一步的优化。在工程应用上，通常数值模拟结果和实验结果之间的误差在２０％以内认为是可以接受的，所以两者的数据误差基本都集中于可接受的范围内。这也表明，将支持向量机预测方法应用到具体的矿用输送带短时间内煤流量预测是可行的。图７原始数据与预测数据之间的误差Ｆｉｇ．７Ｅｒｒｏｒｂｅｔｗｅｅｎｏｒｉｇｉｎａｌｄａｔａａｎｄｐｒｅｄｉｃｔｅｄｄａｔａ图８原始数据与预测数据之间相对误差Ｆｉｇ．８Ｒｅｌａｔｉｖｅｅｒｒｏｒｂｅｔｗｅｅｎｏｒｉｇｉｎａｌｄａｔａａｎｄｐｒｅｄｉｃｔｅｄｄａｔａ３结论（１）基于支持向量机的输送带煤流量短时预测方法利用支持向量机预测算法，在统计矿用输送带实时煤流量的基础之上，通过Ｍａｔｌａｂ软件中的ｍａｐｍｉｎｍａｘ函数来实现数据的归一化处理，调节适当的参数，以实现短时间内煤流量趋势的预测。（２）仿真结果表明，利用该预测方法的原始数据与预测数据之间的拟合程度良好，均方误差为０．０００１５２５６３，说明预测数据与真实值之间的偏差很小；相关系数为９９．７８４８％，进一步表明，原始曲线与预测曲线之间呈高度的正相关关系。（３）下一步将通过进一步的细分，如通过分析煤流量变化趋势，详细划分原始数据曲线中不同的曲率问题，融合不同的算法，实现更加精确的煤流量预测。参考文献（Ｒｅｆｅｒｅｎｃｅｓ）［１］杨昆．基于功率平衡的多电机驱动带式输送机的节能策略研究［Ｄ］．合肥合肥工业大学，２０１６．［２］程军，李愈清，陆文涛．基于变频调速的煤矿带式输送机节能控制方法［Ｊ］．电气传动，２０１３，４３（１１）６１－６４．５７２０１９年第４期冯梅等输送带煤流量短时预测方法研究ＣＨＥＮＧＪｕｎ，ＬＩＹｕｑｉｎｇ，ＬＵＷｅｎｔａｏ．Ｅｎｅｒｇｙ－ｓａｖｉｎｇｃｏｎｔｒｏｌｍｅｔｈｏｄｂａｓｅｄｏｎｆｒｅｑｕｅｎｃｙｃｏｎｔｒｏｌｏｆｃｏａｌｍｉｎｅｂｅｌｔｃｏｎｖｅｙｏｒ［Ｊ］．ＥｌｅｃｔｒｉｃＤｒｉｖｅ，２０１３，４３（１１）６１－６４．［３］孙伟，王慧，杨海群．带式输送机变频调速节能控制系统研究［Ｊ］．工矿自动化，２０１３，３９（４）９８－１０１．ＳＵＮＷｅｉ，ＷＡＮＧＨｕｉ，ＹＡＮＧＨａｉｑｕｎ．Ｒｅｓｅａｒｃｈｏｆｅｎｅｒｇｙ－ｓａｖｉｎｇｃｏｎｔｒｏｌｓｙｓｔｅｍｗｉｔｈｆｒｅｑｕｅｎｃｙ－ｃｏｎｖｅｒｓｉｏｎｓｐｅｅｄ－ｒｅｇｕｌａｔｉｏｎｆｏｒｂｅｌｔｃｏｎｖｅｙｏｒ［Ｊ］．ＩｎｄｕｓｔｒｙａｎｄＭｉｎｅＡｕｔｏｍａｔｉｏｎ，２０１３，３９（４）９８－１０１．［４］蒋涛，李振华，杨慧，等．基于模糊控制的井下带式输送机控制设计研究［Ｊ］．煤矿机械，２０１５，３６（３）２２１－２２３．ＪＩＡＮＧＴａｏ，ＬＩＺｈｅｎｈｕａ，ＹＡＮＧＨｕｉ，ｅｔａｌ．Ｄｅｓｉｇｎａｎｄｒｅｓｅａｒｃｈｏｎｃｏｎｔｒｏｌｏｆｕｎｄｅｒｇｒｏｕｎｄｂｅｌｔｃｏｎｖｅｙｏｒｂａｓｅｄｏｎｆｕｚｚｙｃｏｎｔｒｏｌ［Ｊ］．ＣｏａｌＭｉｎｅＭａｃｈｉｎｅｒｙ，２０１５，３６（３）２２１－２２３．［５］任中全，王淼．带式输送机节能调速控制系统设计［Ｊ］．煤炭技术，２０１６，３５（５）２４５－２４６．ＲＥＮＺｈｏｎｇｑｕａｎ，ＷＡＮＧＭｉａｏ．Ｄｅｓｉｇｎｏｆｅｎｅｒｇｙｓａｖｉｎｇｃｏｎｔｒｏｌｓｙｓｔｅｍｆｏｒｂｅｌｔｃｏｎｖｅｙｏｒ［Ｊ］．ＣｏａｌＴｅｃｈｎｏｌｏｇｙ，２０１６，３５（５）２４５－２４６．［６］刘明．煤矿带式输送机节能方法研究［Ｊ］．煤炭与化工，２０１５，３８（５）２３－２５．ＬＩＵＭｉｎｇ．Ｓｔｕｄｙｏｎｍｉｎｅｂｅｌｔｃｏｎｖｅｙｏｒｅｎｅｒｇｙｓａｖｉｎｇｍｅｔｈｏｄ［Ｊ］．ＣｏａｌａｎｄＣｈｅｍｉｃａｌＩｎｄｕｓｔｒｙ，２０１５，３８（５）２３－２５．［７］岳莉莉．基于时间序列分析的风速短期预测方法研究［Ｄ］．北京华北电力大学（北京），２０１２１－４２．［８］李东东，覃子珊，林顺富，等．基于混沌时间序列法的微网短期负荷预测［Ｊ］．电力系统及其自动化学报，２０１５，２７（５）１４－１８．ＬＩＤｏｎｇｄｏｎｇ，ＱＩＮＺｉｓｈａｎ，ＬＩＮＳｈｕｎｆｕ，ｅｔａｌ．Ｓｈｏｒｔ－ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇｆｏｒｍｉｃｒｏｇｒｉｄｂａｓｅｄｏｎｍｅｔｈｏｄｏｆｃｈａｏｔｉｃｔｉｍｅｓｅｒｉｅｓ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＵ－ＥＰＳＡ，２０１５，２７（５）１４－１８．［９］孙亚星．我国货币供应量因素分解模型与ＡＲＩＭＡ模型预测［Ｄ］．长沙中南大学，２００９１－５２．［１０］温凯瑞．带式输送机节能调速控制系统关键技术研究［Ｄ］．北京中国地质大学（北京），２０１８１－７３．［１１］李永娜．基于支持向量机的回归预测综述［Ｊ］．信息通信，２０１４（１１）３２－３３．ＬＩＹｏｎｇｎａ．Ａｓｕｒｖｅｙｏｆｒｅｇｒｅｓｓｉｏｎｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓ［Ｊ］．Ｉｎｆｏｒｍａｔｉｏｎ＆Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１４（１１）３２－３３．［１２］杨飞．基于ＳＶＭ的煤炭销售分析预测系统的研究［Ｄ］．太原太原科技大学，２０１１１－６６［１３］刘炳文，王铁，刘磊．基于ＳＶＭ模型的煤炭运输自卸车维修成本回归分析［Ｊ］．矿山机械，２０１４，４２（１０）３９－４３．ＬＩＵＢｉｎｇｗｅｎ，ＷＡＮＧＴｉｅ，ＬＩＵＬｅｉ．ＲｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓｏｎｍａｉｎｔｅｎａｎｃｅｃｏｓｔｏｆｄｕｍｐｔｒｕｃｋｆｏｒｃｏａｌｔｒａｎｓｐｏｒｔａｔｉｏｎｂａｓｅｄｏｎＳＶＭｍｏｄｅｌ［Ｊ］．Ｍｉｎｉｎｇ＆ＰｒｏｃｅｓｓｉｎｇＥｑｕｉｐｍｅｎｔ，２０１４，４２（１０）３９－４３．［１４］李大锋，赵帅，吴峰．基于ＩＣＡ－ＳＶＭ的煤与瓦斯突出预测研究［Ｊ］．工矿自动化，２００９，３５（１０）３６－３８．ＬＩＤａｆｅｎｇ，ＺＨＡＯＳｈｕａｉ，ＷＵＦｅｎｇ．ＲｅｓｅａｒｃｈｏｎｐｒｅｄｉｃｔｉｏｎｏｆｃｏａｌａｎｄｇａｓｏｕｔｂｕｒｓｔｂａｓｅｄｏｎＩＣＡ－ＳＶＭ［Ｊ］．ＩｎｄｕｓｔｒｙａｎｄＭｉｎｅＡｕｔｏｍａｔｉｏｎ，２００９，３５（１０）３６－３８．［１５］朱莉．基于ＳＶＭ的煤与瓦斯突出预测模型研究［Ｄ］．西安西安科技大学，２００９１－６４．［１６］刘叶玲．基于ＳＶＭ的煤岩破裂与失稳预测模型［Ｊ］．煤田地质与勘探，２００７，３５（３）６２－６５．ＬＩＵＹｅｌｉｎｇ．ＦｏｒｅｃａｓｔｍｏｄｅｌｂａｓｅｄｏｎＳＶＭｄｕｒｉｎｇｃｏａｌｃｒａｃｋａｎｄｄｅｓｔａｂｉｌｉｚａｔｉｏｎ［Ｊ］．ＣｏａｌＧｅｏｌｏｇｙ＆Ｅｘｐｌｏｒａｔｉｏｎ，２００７，３５（３）６２－６５．［１７］王丽．时间序列的函数型变系数自回归预测方法研究［Ｄ］．太原山西大学，２０１６檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿檿１－５４．（上接第４８页）［１９］王怡婷，郭红．基于层次聚类的ＷｉＦｉ室内位置指纹定位算法［Ｊ］．福州大学学报（自然科学版），２０１７，４５（１）８－１５．ＷＡＮＧＹｉｔｉｎｇ，ＧＵＯＨｏｎｇ．ＷｉＦｉｉｎｄｏｏｒｐｏｓｉｔｉｏｎｆｉｎｇｅｒｐｒｉｎｔｉｎｇｌｏｃａｌｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｈｉｅｒａｒｃｈｉｃａｌｃｌｕｓｔｅｒｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｆＦｕｚｈｏｕＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０１７，４５（１）８－１５．［２０］莫树培．悬臂式掘进机截齿截割模型构建及受力分析［Ｊ］．煤矿机械，２０１５，３６（１）１１３－１１５．ＭＯＳｈｕｐｅｉ．Ｆｏｒｃｅａｎａｌｙｓｉｓａｎｄｍｏｄｅｌｉｎｇｏｆｃｕｔｔｉｎｇｐｉｃｋｏｆｂｏｏｍｒｏａｄｈｅａｄｅｒ［Ｊ］．ＣｏａｌＭｉｎｅＭａｃｈｉｎｅｒｙ，２０１５，３６（１）１１３－１１５．［２１］孙利民，张书钦，李志，等．无线传感器网络理论及应用［Ｍ］．北京清华大学出版社，２０１８．［２２］孙继平，李晨鑫．基于ＴＯＡ技术的煤矿井下人员定位精度评价方法［Ｊ］．煤炭科学技术，２０１４，４２（３）６６－６８．ＳＵＮＪｉｐｉｎｇ，ＬＩＣｈｅｎｘｉｎ．ＥｖａｌｕａｔｉｏｎｍｅｔｈｏｄｏｆｐｏｓｉｔｉｏｎｉｎｇａｃｃｕｒａｃｙｆｏｒｍｉｎｅｕｎｄｅｒｇｒｏｕｎｄｐｅｒｓｏｎｎｅｌｂａｓｅｄｏｎＴＯＡｔｅｃｈｎｏｌｏｇｙ［Ｊ］．ＣｏａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０１４，４２（３）６６－６８．６７工矿自动化２０１９年第４５卷