基于神经网络模型的胜利露天煤矿燃油损耗的研究

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。     

神经网络测控露天煤矿220 t级卡车油耗研究

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。     

基于LVQ-GA-BP神经网络的煤矿瓦斯涌出量预测

针对煤矿瓦斯涌出量影响因素多、非线性、复杂性等特点,提出了学习向量量化神经网络(LVQ)与GA-BP神经网络相结合的方法。通过LVQ对诸多影响因素进行分类并选出主要影响因素,再用遗传算法(GA)优化BP神经网络的权值和阈值,构建煤矿瓦斯涌出量预测模型,并通过相关数据将建立的LVQ-GA-BP预测模型与BP神经网络进行了对比分析,结果表明通过这种方法平均相对误差为0.025 51,低于BP神经网络训练的平均绝对误差,网络收敛速度也显著提高了。     

应用神经网络方法评定巷道围岩稳定性

开滦荆各庄煤矿地质构造独特,大量数据表明该矿地应力与巷道夹角、顶板岩性、地下水和巷道断面积是影响巷道围岩稳定性的主要因素。在实验室研究的基础上,利用BP神经网络方法建立巷道围岩稳定性模型,结合该矿山的实测数据进行了验证,为该矿巷道进行有效支护提供了保证。     

长沟峪煤矿矿井涌水量预测研究

鉴于矿井涌水影响因素的复杂性,建立了基于BP神经网络矿井涌水量预测模型,并运用该模型对长沟峪煤矿+141水平涌水量进行预测。通过预测结果可知,该模型具有较高的精度,将对预测该矿矿井涌水量起到一定的指导作用,并为矿井水利用规划的制定奠定了基础。     

煤矿设备运行状态在AGB组合模型下的预测分析研究

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。     

矿井通风网络最优化评价的BP神经网络模型

从基本指标、辅助指标两个方面确立了包含16项矿井通风网络最优化的评价指标,建立了矿井通风网络最优化评价体系。通过采用样本数据对BP神经网络进行训练,确定隐含层神经元个数,通过对检验样本进行预测,校验BP神经网络。将训练后的BP神经网络模型用于葛亭煤矿、山东新河煤矿、淮南潘一矿通风网络评价,所得结果与矿井通风网络的实际情况较吻合。分析表明,BP神经网络模型可用于对矿井通风网络进行有效评价,可供类似矿山参考。     

基于BP神经网络的煤炭自燃温度预测方法研究

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。     

金属露天矿旋回式破碎机在线故障诊断模型构建与实时分析

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。     

基于极限学习机的煤矿瓦斯涌出量预测研究

为有效挖掘煤矿瓦斯涌出量数据的非线性特征,及时消除煤矿瓦斯安全风险,降低瓦斯灾害的发生概率,建立了以极限学习机算法为核心的煤矿瓦斯涌出量预测模型。同时,为验证其鲁棒性及优越性,引入BP神经网络模型进行对比分析。研究结果表明,基于ELM的煤矿瓦斯涌出量预测模型能够对煤矿瓦斯涌出量数据特征进行良好的描述,且各项对比指标均优于BP神经网络模型,为煤矿瓦斯涌出量预测研究提供了新的方法。     

基于MATLAB的BP神经网络在煤矿桥(门)式起重机检验中的应用

利用人工神经网络具有自适应、自学习的BP算法,结合煤矿桥(门)式起重机检验的特点,建立了适用于桥(门)式起重机检验评价的BP神经网络模型,通过在MATLAB平台环境下进行设计和开发,并将训练结果与桥(门)式起重机大小车轨道相关的距离偏差实际检测评价结果进行了比较,验证了该BP神经网络模型运用于煤矿起重机检验工作是可行的。     

基于PSO优化BP神经网络的露天矿边坡位移预测模型

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。     

基于神经网络的综采设备配套专家系统研究

对基于神经网络的综采配套专家系统进行了研究,给出了具体处理方法。在此基础上建立了工作面生产能力预测BP神经网络模型和综采工作面设备参数神经网络预测模型,并采用上述模型对济二号煤矿试验工作面的产量、工效和综机设备等主要技术参数进行了预测。     

基于神经网络的综采设备配套专家系统研究

对基于神经网络的综采配套专家系统进行了研究,给出了具体处理方法。在此基础上建立了工作面生产能力预测BP神经网络模型和综采工作面设备参数神经网络预测模型,并采用上述模型对济二号煤矿试验工作面的产量、工效和综机设备主要技术参数进行了预测。     

寺河矿采区巷道修复收敛变形分析及发展趋势预测

寺河煤矿采区巷道围岩条件差有时会发生严重破坏,这影响正常的煤矿生产,并容易产生安全问题。文章根据寺河煤矿采区巷道的多种支护情况,通过收敛变形记录对神经网络模型进行训练,建立了相适应的BP神经网络预测模型。通过该神经网络模型成功预测修复后巷道的收敛变形发展情况,预测结果与实测值相似度达85%以上。     

基于PCA-SAPSO-BP神经网络的瓦斯涌出量预测研究

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。     

基于神经网络和证据理论的煤矿风险预警模型

建立了煤矿风险预警指标体系,提出基于BP神经网络和D—S证据理论的煤矿风险预警模型。通过多个BP神经网络输出结果构造证据理论的基本可信度分配(BPA),可以克服BPA传统构造方法带来的主观因素影响,也可以解决单一BP神经网络输出的不稳定问题。实例分析和仿真表明,该模型预警结果准确可靠。     

基于ANN的矿业组合优化方法研究与应用

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     

基于改进BP神经网络的矿井瓦斯浓度预测算法

针对传统煤矿瓦斯预警的可靠性差和误差大等问题,提出了一种基于改进BP神经网络的矿井瓦斯浓度预测算法。提出的新型算法在传统BP神经网络算法的基础上,将遗传算法与BP神经网络算法有效结合,采用优化连接权方法对BP神经算法进行优化。该方法降低了瓦斯浓度预测模型的迭代次数和绝对误差。     

改进GWO-BP算法的概率积分法预计参数求取

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。