共查询到20条相似文献,搜索用时 203 毫秒
1.
通过particle swarm optimization(PSO)全面优化BP神经网络的偏置与权值,同时利用优化过的BP神经网络创建胜利煤矿设备油耗的测控网络模型,进而研究胜利煤矿设备油耗问题。这种通过PSO优化出的BP神经网络所创建的模型能够将该矿影响设备油耗的复杂因素与繁琐的设备油耗数值进行完美的拟合,经过仿真后的结论说明:创建的模型具备较好的稳定性和测控准确度较高等性能,非常适合进行该煤矿设备油耗的测控工作,能够很好的指导该矿设备的科学管控,降低该矿生产成本投入。 相似文献
2.
神经网络测控露天煤矿220 t级卡车油耗研究 总被引:1,自引:0,他引:1
《露天采矿技术》2018,(5)
通过Particle Swarm Optimization,PSO全面优化BP神经网络的偏置与权值。同时利用优化过的BP神经网络创建胜利煤矿设备油耗的测控网络模型,将该矿影响设备油耗的复杂因素与繁琐的设备油耗数值进行完美的拟合。经过仿真后的结论说明:创建的模型具备较好的稳定性,测控准确度较高等性能,非常适合进行该煤矿设备油耗的测控工作,能够很好的指导该矿设备的科学管控,降低该矿生产成本投入。 相似文献
3.
4.
5.
6.
为解决王坪煤业采煤工作面煤矿设备运行状态评估时出现的预测精度低、单一模型适用范围小等问题,将Arima模型、BP神经网络以及GM(1,1)模型相结合,提出组合下的煤矿设备运行状态预测模型。经过系统对比验证分析,AGB组合模型下煤矿设备运行状态预测较单一预测模型精度更高,能够为现场工作人员提供更好的指导,为煤矿设备的运行安全提供了保障。 相似文献
7.
8.
在对BP神经网络原理进行分析的基础上,设计出预测煤层温度的BP神经网络模型,然后对实验数据进行仿真模拟,采用MATLAB语言,利用样本进行网络训练后,得出的预测结果达到了工程实际能够接受的精度,说明该模型能够用于煤矿煤炭自燃温度的预测,实现煤炭自燃早期预报。 相似文献
9.
矿石破碎是露天矿采矿生产工艺的重要环节,旋回式破碎机作为露天矿进行破碎的大型设备,其故障的诊断通常较为复杂,难以利用主观经验进行精确及快速诊断。针对旋回式破碎设备的故障诊断问题,利用传感器实时采集数据,基于改进后BP神经网络构建故障诊断模型,以偏心套故障、轴承磨损、平行轴缺油、平行轴油温异常作为故障类型,以回流油温、润滑油油压、轴承振动频率、轴承转速作为故障特征参数,利用已知故障类型和故障样本数据对BP神经网络故障诊断模型进行了训练和优化,最后通过测试数据对优化后的旋回式破碎机故障诊断模型进行了验证。结果表明:基于BP神经网络的故障诊断模型能够对旋回式破碎机故障状态实时地做出有效判断,实现以预防为主的故障诊断方式,满足了露天矿大型旋回式破碎机的故障诊断的需求。 相似文献
10.
11.
12.
BP神经网络的初始连接权重和阈值对露天矿边坡位移预测的精度和收敛速度有重要影响。鉴于粒子群优化(PSO)算法具有全局搜索性能和收敛速度快,引入PSO算法对BP神经网络的初始连接权重和阈值进行全局优化,提出了基于PSO优化BP神经网络的露天矿边坡位移预测模型。将所提出的模型应用于实际案例中,并与BP神经网络进行对比。结果表明:该模型能够提高BP神经网络在露天矿边坡位移预测中的精度和收敛速度,预测结果的最大相对误差和平均相对误差分别是0.566 8%和0.353 0%,具有较好的精度和实际应用价值。 相似文献
13.
14.
15.
16.
为提高煤矿井下瓦斯涌出量预测效率和准确性,针对瓦斯涌出量影响因素的多重相关性、复杂性问题,提出使用主成分分析法对影响因素进行降维处理,针对BP神经网络收敛速度慢且易陷入局部最优解的问题,引入退火粒子群算法优化BP神经网络的权值和阈值;利用Matlab软件编写并构建了PCA-SAPSO-BP神经网络耦合算法对瓦斯涌出量进行预测;选取开滦钱家营煤矿瓦斯涌出量及其影响因子数据作为样本,使用BP神经网络模型、PSO-BP模型和SAPSO-BP模型对样本进行预测。结果表明:PCA-SAPSO-BP神经网络模型的预测平均相对误差为1.06%,PCA-PSO-BP模型为2.20%,PCA-BP模型为3.00%,SAPSO-BP模型为1.61%,PSO-BP模型为2.81%,BP模型为3.98%;预测模型的归一化均方误差为0.002 5,希尔不等系数为0.005 5,平均绝对误差为0.07 m3/min,判定系数为0.997 5,证明PCA-SAPSO-BP神经网络模型提高了BP模型瓦斯涌出量的预测精度。 相似文献
17.
18.
本文利用BP (BackPropagation)神经网络 ,通过构造评价函数 ,发展了基于ANN的矿业组合优化模型与方法。应用表明 ,这种模型与方法能够很好地解决矿业工程中复杂的组合优化问题 相似文献
19.
20.
针对BP神经网络模型在求取概率积分法预计参数时的缺陷,提出了一种基于改进灰狼优化算法(GWO)的BP神经网络参数预测模型。主要通过对灰狼算法的收敛因子a进行非线性收敛的改进,再利用粒子群算法(PSO)的速度更新公式更新搜索灰狼搜索位置。用改进的灰狼优化算法对BP神经网络的初始权值和阈值进行优化,然后利用最优的初始权值和阈值对模型进行训练和预测,从而得到概率积分法参数的预测结果。结果显示经过改进的灰狼算法优化BP神经网络的参数预测结果明显优于单一的BP神经网络模型和不改进的灰狼算法优化BP神经网络模型的预测结果,可以在矿区开采沉陷预计方面得到应用。 相似文献