神经网络与岩石力学专家系统

介绍了岩石力学知识神经网络的表示、知识的获取与学习、神经网络专家系统等，反映了岩石力学与工程专家系统发展趋势。     

采用数字图像处理的浮选专家管理系统

该文献介绍了为铜精选工艺的控制和管理开发的ＡＣＥＦＬＯＴ－－一个实时分析浮选泡沫的动力学特征的系统，该系统使用图像处理技术来测量泡沫在浮选槽表面形成的几种物理参数，这包括一个探测浮选故障和低指标状态操作的专家系统，该专家系统能为控制提出正确的校正操作指令。     

基于BP神经网络的煤与瓦斯突出预测专家系统

考虑到人工神经网络极强的非线性逼近能力以及专家系统在知识处理方面的优势，利用VB结合BP算法开发了BP网络，通过建立区域突出预测知识推理模型，将专家经验及可信度作为BP神经网络的输入单元和输出单元，利用嵌套技术把学习结果作为专家系统知识库的一部分，实现了基于BP神经网络的煤与瓦斯突出预测专家系统。结果表明，该系统预测精度比传统专家系统有明显提高。     

浮选厂自学习咨询控制专家系统推理机设计

论述了浮选厂自学习咨询控制专家系统知识库以及与知识库相适应的推理机的设计，本系统采用的框架／规则表示法，不仅能自然、完整地表示浮选过程知识，而且也便于推理机的实现。     

采煤机神经网络故障诊断专家系统初探

以MG－200采煤机液压系统故障诊断为例，针对该专家系统开发过程中存在的问题，利用神经网络的独特功能，提出用神经网络建立专家系统的新方案。     

浮选生产过程智能控制系统

针对选煤厂浮选生产过程这样一类复杂工业过程，设计了一种基于专家系统和模糊控制和的专家控制器，用于实现选煤厂浮选生产过程的仿人智能控制，并在老虎台选煤厂浮选生产控制中得到应用，取得了 好经济效益。     

神经网络在矿石可选性预测专家系统中的应用

讨论了基于符号的知识处理系统的不足及神经网络应用于知识处理上的优点。提出了用神经网络建立矿石可选性预测专家系统的设计方法，给出了神经网络矿石可选性预测专家系统的结构，论述了系统实现中的一些技术问题。     

用神经网络确定锚杆支护形式与参数

神经网络是人工智能研究的一个重要分支，本文将神经网络误差反向传播ＢＰ网络方法应用于锚杆支护决策分析，建造了链枝支护决策神经网络专家系统，工程应用实例表明，用神经网络方法确定锚杆支护形式与参烽，方法新颖，确实可行。     

用神经网络确定锚杆支护形式与参数

神经网络是人工智能研究的一个重要分支，本文将神经网络误差反向传播ＢＰ网络方法应用于锚杆支护决策分析，建造了锚杆支护决策神经网络专家系统，工程应用实例表明，用神经网络方法确定锚杆支护形式与参数，方法新颖，确实可行。     

互感器故障诊断神经网络专家系统

基于神经网络专家系统的基本原理和利用神经网络的知识表达能够反映事物之模糊因果关系的特点，本文建立了一个用于高压电磁式互感器故障诊断的神经网络专家系统，提出了一种有效的推理方法，旨在全面，快速和准确地实现互感器的故障诊断，以提高互感器及电力系统运行的可靠性。     

基于正交试验和BP人工神经网络的浮选药剂制度优化

探索了人工神经网络在浮选药剂制度优化中的应用。研究通过浮选药剂三因素三水平正交试验采集具有一定代表性的实验数据,然后采用BP人工神经网络,建立了输入为pH值调整剂碳酸钠的用量、抑制剂硅酸钠的用量和捕收剂的用量,输出为选矿效率的BP人工神经网络模型,并通过样本检验模型的准确性。试验结果:F检验确定的药剂制度为pH值调整剂用量4 kg/t、抑制剂用量3 kg/t、捕收剂用量1 kg/t,选矿效率为19.75%,BP人工神经网络确定的药剂制度为pH值调整剂用量4 kg/t、抑制剂用量2.3 kg/t、捕收剂用0.9 kg/t,选矿效率为19.47%,两种药剂制度的选矿效率差别很小,但BP网络确定的药剂制度药剂用量更少。结果表明利用BP人工神经网络可用于浮选药剂制度的优化,可减少试验量,可通过建立模型找出更优的药剂制度,同时结合正交试验减少人工神经网络的学习样本数量,增加样本代表性,优化神经网络的学习过程。     

选煤厂浮选过程智能控制系统设计

针对屯兰选煤厂浮选过程加药量控制精度低、稳定性差、精煤洗出率低的问题,设计浮选过程智能控制系统。智能控制系统由基于BP神经网络的加药量预测模型和基于CAN总线通信的监控平台两部分组成,使得浮选过程智能化、透明化、信息化。经试验验证:屯兰选煤厂浮选过程采用BP神经网络预测模型后加药量更加精确、稳定,提高了精煤洗出率。     

基于深度学习的浮选加药控制系统

赵楼煤矿选煤中心根据浮选泡沫的特点将深度学习技术融入到浮选加药系统的研发之中,设计了基于卷积神经网络的识别与分类网络,提高了系统的泡沫识别准确率及抗干扰能力。通过将西门子PLC、WinCC、高清摄像机与智能算法的深度接合,使浮选加药控制系统实现了"人工智能"。     

将非数值特征模式识别及神经网络用于浮选现象的判断及控制

将神经网络非数值特征模式识别技术引入对浮选现象的判断是交叉学科在选矿领域应用的尝试，它具有包罗的变量多、层次多、精度高、运算快以及适用于对各种数值和非数值特征的变量辨识的优点。     

基于FNNES的加热炉炉温控制系统的研究与应用

针对加热炉温度控制系统特点,设计了一种集神经网络、模糊逻辑、传统专家系统于一体的新型控制系统—模糊神经网络专家系统(FNNES)。该系统具有推理速度快、抗干扰能力强、系统能耗低等优点。     

基于神经网络的矿山企业智能诊断专家系统

当企业拥有了数量庞大的生产经营数据后，如何方便、快捷地从这些数据中发现企业经营中存在的瓶颈，是矿山企业智能诊断研究所要解决的问题，为此本文研究了人工神经网络技术与专家系统的集成用于矿山企业生产经营中知识模式的发现，利用神经网络极强的学习能力，进行诊断知识的获取和诊断推理，模拟专家发现企业故障的因果关系。     

基于BP神经网络的煤矿机械故障诊断专家系统的开发

构建了基于BP神经网络的煤矿机械故障诊断专家系统的结构,以常见的20种故障诊断为研究对象,知识库、规则库和BP神经网络相结合进行推理,优化专家系统,提高了专家系统的响应速度和准确性。采用DreamWeaver、MatLab和.NET技术实现了专家系统的开发。并以一种煤矿机械为例,验证了整个系统的有效性和实用性。     

Application of neural networks to predict locked cycle flotation test results

The performance of a continuous flotation circuit is influenced by the flotation variables and the number of stages of a flotation circuit is dependent on flotation conditions, such that the interrelation between the flotation conditions and the number of stages must be carefully determined to obtain acceptable metallurgical performance from the circuit. The locked cycle test is a useful tool for simulation of continuous flotation circuits. However, it is a time-consuming and tedious procedure. A simulation method used to predict locked cycle test results from data from individual batch tests is available in the literature. In order to develop an optimum circuit configuration for a specific ore, several batch flotation tests for the first cycle of the locked cycle test have to be conducted to predict the metallurgical performance of various circuit types. Therefore, an integrated simulation method, which uses experimental data and the results of this simulation method has been developed to structure a neural network model for prediction of locked cycle tests results without additional experiment and calculation. In training and testing of the neural network model, results of the simulation method were used as the output data set and the flotation conditions of the batch tests were used as the input data set. Apart from the training and testing data, results of the LCT for several circuit types were predicted in order to validate the neural network model and to determine its performance on both: interpolation and extrapolation. Because the neural network model was trained using results of the simulation method, the use of the neural network model did not lead to any improvement in predictions of actual LCT results. However, the results of this study indicate that the neural network model can be used to simulate various circuit types with an error of less than 4%, instead of the simulation method. Consequently, the neural network model, as an alternative to the simulation method, can be used to determine the effects of changes in certain flotation variables on the number of cleaner and scavenger stages in a flotation circuit.     

基于Windows CE的矿井提升机故障诊断专家系统设计

以ARM为平台开发了一套融合了状态机和神经网络的矿井提升机故障诊断专家系统,着重介绍了专家系统下的神经网络原理以及Windows CE操作系统下采集程序EVC编程的实现方法。系统具有监测提升机状态参数和数据处理等功能,能在状态机下完成一般故障报警,能根据BP神经网络对故障进行分类识别,并且提供了将数据传输到服务器大型故障诊断专家系统中的网络接口。     

白钨矿与黑钨矿分流分速异步浮选过程中的模拟研究

本文针对矽卡岩型黑白钨混合矿,在相关异步浮选分离研究的基础上,利用回归分析与人工神经网络建立起不同工艺条件与矿物可浮性变化规律关系模型,为解决浮选建模过程中遇到的多变量、非线性、强耦合、大滞后等难题,实现浮选过程的优化控制提供参考。研究结果表明：对矿物浮选累计回收率的影响因素大小依次是Time > pH > 羟肟酸 > 柠檬酸。对于预测矿物不同工艺条件下的浮选指标,回归模型预测精度较差,白钨矿和黑钨矿浮选累计回收率预测值与试验值之间的相关系数R₂分别为0.805、0.827,而神经网络模型具有较好的预测精度,相关系数R₂分别为0.944、0.947。人工混合矿分离结果与单矿物浮选规律有很好的一致性,应用所建立的神经网络模型对于更好的掌握不同矿物之间的浮游规律,优化浮选工艺有一定的意义。