范世民，胡学军

运用动态模糊聚类方法，以煤层强度、赋存深度、节理裂隙发育程度、夹矸厚度、采空区充满程度、老顶级别、采放比等7个因素按模糊最大隶属度原则综合评价顶煤冒放性.建立了模糊聚分析方法的数学模型，以上述7个指标为基础，对顶煤冒放性的模糊聚类分析进行运算，给出分类的实施过程.潞安矿区顶煤冒放性分类结果表明，5对主要生产矿井主采3号煤层，其顶煤冒放性皆为好（Ⅰ类）和较好（Ⅱ类），经潞安矿区综放开采实践证实，分类合理.     

基于自组织神经网络的土壤应用

自组织竞争神经网络以无教师教学的方式进行网络训练，具有自组织功能。网络通过自身训练，自动对输入模式进行分类。土壤分类是土壤科学的基础，也是土壤科学发展水平的综合指标。SOM网络是一种具有聚类功能的神经网络，本文利用SOM网络对土壤进行了分类，为土壤分类提供了一种新的思路与方法。     

基于多目标模型的煤与瓦斯突出风险分类方法研究

为了对阳泉矿区内不同类型的煤与瓦斯突出风险进行分类管控，建立了基于多目标加权灰靶决策模型的煤与瓦斯突出风险分类方法，根据灰色关联度分析结果，建立了分类指标体系，利用阳泉矿区典型矿井实际样本验证了该分类方法的可靠性，对阳泉矿区以及国内其他条件类似矿区的煤矿进行煤与瓦斯突出风险分类管控以及针对性防治具有积极的理论指导价值。     

采动岩层的动态模糊分类

论文以14个矿区实测资料通过模糊聚类分析,得到了较符合实际的动态分类图。     

霍州矿区岩石巷道围岩稳定性分类研究

针对霍州煤电集团下属矿区岩石巷道工程地质与生产技术条件,选取了岩体强度、岩体完整性系数、地下水状态、水平最大主应力、水平最大主应力方向与巷道夹角以及巷道埋深等6个稳定性评价指标,依据大量的现场调研样本,采用模糊聚类分析方法,研究了霍州矿区岩石巷道围岩稳定性分类方案,并在此基础上针对每类巷道的围岩稳定性状况提出了相应的支护对策.研究成果为霍州矿区岩石巷道支护设计、施工和管理提供了一定的依据.     

霍州矿区煤巷围岩稳定性分类与支护对策研究

针对现有煤巷围岩稳定性分类方案不能满足霍州矿区快速发展的机械化生产需求的现状,选取了巷道围岩强度、顶板岩体完整性、采动影响以及地应力等4个方面的9个指标,依据现场大量调研和统计的样本,采用基于模糊等价关系的聚类分析方法,研究了霍州矿区煤巷围岩稳定性分类方案,并对每类巷道围岩稳定性状况进行分析,提出相应的支护对策,制订出霍州矿区煤巷支护对策选择标准。     

SOM网络在电机转子故障诊断应用中的可视化分析

SOM网络(自组织特征映射神经网络)模拟大脑神经系统,具有自适应、自学习与联想功能,是一种无导师学习网络,最大优点是能够保持原始数据的拓扑结构,在数据分类、知识获取、过程监控和故障识别等领域中应用广泛。将其用于电机转子的故障诊断,着重利用U矩阵图和D矩阵图等可视化工具对其分类结果进行仿真与分析,并与SOM网络一般聚类结果进行比较。结论表明,SOM网络的可视化方法简单、直观、易懂,对故障的判别率较高。     

TM图像的矿区土地资源分类体系的建立与信息提取

以多时相TM图像为数据源，分析矿区土地资源的主要演变形式，参考国家标准分类体系，提出了适合于沈阳矿区的土地资源监测分类体系.结合前人的研究成果，分析地物在TM图像上的灰度变化、空间关系及结构变化，对矿区水体、建设用地、绿地和耕地、塌陷地分别进行了模型提取研究.并采用GIS支持下的分层变化信息提取方法，通过建立知识及决策树模型对信息进行变化检测，检测结果完全能够满足对矿区土地资源演变分析的精度要求，且均采用半自动的提取模型与知识决策树提取方法，简单易行，方便GIS数据管理与分析.     

SOM神经网络在复合材料损伤监测中的应用

总结研究了自组织特征映射(SOM)神经网络的结构及学习算法,提出了利用SOM神经网络对输入样本的"聚类"作用及MATLAB神经网络工具箱来实现对故障模式的分类,通过U矩阵图对其分类结果进行仿真与分析的新方法。结果表明:该网络对复合材料损伤监测的诊断故障能够准确识别和分类,与一般可视化界面相比,此方法可视化界面更简单直观,故障识别率高,应用于材料无损检测是有效可行的。     

基于SOM网络的矿井提升机制动器可视化故障诊断

介绍了应用自组织特征映射(SOM)网络进行可视化故障诊断的方法,以矿井提升机的制动器为研究对象,建立制动器的可视化故障诊断模型,利用可视化工具对分类结果进行仿真和分析。结果表明,SOM网络可视化方法简单、形象直观,能够对故障模式进行准确识别,为矿井提升机的制动器故障诊断提供了一种新方法。     

基于SOM神经网络的智能变电站故障录波启动判据算法

 由于传统故障录波启动判据算法具有一定局限性,本文提出一种基于SOM神经网络的算法。以A相电流越限为例进行了算法的研究,依次完成SOM神经网络的构建,网络训练以及聚类预测,将输入向量归一化后输入到训练好的SOM网络中,输出结果会在二维平面阵列中显示出来,网络拓扑结构中的蓝色神经元代表A相越限,此时需要启动录波。为了验证模型的正确性,依次将维数不同的两组向量输入网络模型中,输出结果表明,基于SOM神经网络的故障录波启动判据算法自适应能力较强,能有效地完成录波启动,误差较小。     

Determination of suitable plant species for reclamation at an abandoned coal mine area

This study was conducted to determine suitable plant species for reclamation of an abandoned coal mine area at Ovacik village within the borders of Yaprakli town in the province of Cankiri, Turkey. The paper comprises three basic parts: (i) sampling and analyses of several chemical–physical properties of the soil; (ii) sampling and identification of the natural plant species; and (iii) determination of topographic features of the study area by spatial analysis tools. Soil samples were taken from 0 to 30?cm depth at 15 sampling sites. Soil textural separates (percent sand, silt and clay), calcium carbonate (CaCO₃), soil pH, electrical conductivity and soil organic matter (SOM) were measured. Soil properties, especially SOM content, pH and textural separates, exhibited significant variations at the sampling site. SOM content was considerably high and pH was low in the coal storage area. The plant composition of the study area was studied based on the plants collected during the period of vegetation from 2010 to 2011. The collected plants were suitably transformed to herbarium materials and identified according to modern systematic techniques. A total of 54 taxa belonging to 23 families were determined in the study area. The average slope of the study area is approximately 24% and the dominant aspect is south-east. By considering all features of the study area, a total of 28 taxa, excluding natural plant species identified on the site, were suggested for reclamation.     

SOM神经网络在塔式起重机常见故障诊断中的应用

塔式起重机的故障具有多样性,出现故障后,难于在较短时间内准确判别故障类型。通过SOM神经网络对输入样本进行"聚类",实现对故障模式的自动分类。据此对故障进行诊断,并在MATLAB环境下给出了塔式起重机故障诊断的具体实例。结果表明该方法可以对故障进行有效、准确地诊断,从而为塔式起重机的故障诊断提供了一种新的途径。     

基于深度学习与SOM神经网络融合的采煤机截齿寿命预测研究

选取不同磨损尺寸的声发射信号,采用多种特征采样和SOM神经网络训练信号,通过深度学习和SOM神经网络的融合,预测采煤机截齿寿命。BP神经网络的预测结果误差为2.50%,SOM神经网络预测结果误差为1.02%。为准确预测采煤机截齿寿命提供了参考。     

自组织特征映射网络在水质分类中的应用

应用自组织特征映射网络对阜新新邱露天煤矿排土场附近于家沟地下水污染区的水质分类问题进行了研究,通过调用MATLAB中相关函数,在不同的训练步数下,对研究区17个采样点进行了不同精度的分类,确定出了污染范围。研究结果表明,于家沟地区的大部分地下水已受到严重污染,不可再饮用。分类结果与综合指数法、模糊综合评价、灰色关联分析等方法的分析结果基本一致,说明自组织特征映射网络应用于解决水质分类问题是可行的。     

基于云化QFD的采煤机服务型制造模型构建

为更好地满足用户需求并给企业带来新的价值增长点,将“产品+服务”理念引入到采煤机概念设计中,构建基于云化质量功能配置的服务型制造模型,实现有形产品与无形服务的相互促进和影响。以顾客价值为驱动,围绕顾客价值挖掘、价值要素到方案特征的传递与分配及产品与服务方案交互配置设计3个关键问题,以采煤机为研究对象,构建基于价值域、性能域、方案域、3个域之间映射关系及产品与服务交互设计的服务型制造模型框架。首先从顾客期望系统实现的目标出发,构建包含结果层和属性层的价值域模型挖掘顾客价值,采用云模型处理具有模糊性和随机性的群决策值得到价值要素基本重要度,并利用市场竞争性分析和卡诺模型对其修正以提高其准确性。然后将云模型嵌入质量功能配置中实现价值要素到方案特征的传递分配,并充分利用以往采煤机产品设计中积累的大量数据,基于极限学习机理论进行模型推理辅助方案特征目标值分析。最后基于方案特征目标值进行产品与服务的交互配置和实例化信息交互得到服务型制造方案。该服务型制造模型能够从顾客期望系统实现的目标出发深入挖掘顾客价值,解决了群决策的模糊性和随机性问题、提高价值要素重要度的准确性并实现价值要素到产品与服务两类不同对象的传递与分配,通过产品服务交互设计获取产品与服务相互促进的整体解决方案。服务型制造方案与单一产品方案相比实现了服务对产品的促进和影响,完善了采煤机产品设计且以个性化的服务提高企业竞争力、提升用户满意度。结合采煤机典型机械产品,验证了上述方法的可行性与有效性。     

几种常用隧道围岩分类方法的综合运用

在前人的研究成果上,将三种常用围岩分类方法(Q法、RMR法、HC法)以概率统计的基本理论为基础加以综合利用,建立一套围岩概率分类方法理论计算公式。运用该新方法对锦屏二级水电站引水隧洞部分围岩段进行分类,并将分类结果同前人研究成果及现场勘查成果进行对比分析,发现分类结果基本吻合,该方法合理可行。     

SOM神经网络在全液压钻机液压系统故障诊断中的应用

利用神经网络的非线性映射及其高度的自组织和自学习能力,将SOM网络应用于钻机液压系统的故障诊断。根据钻机液压系统故障的特点,选取能够表征全液压钻机故障特点的样本,设计相应的SOM神经网络,并在MATLAB环境下实现了对网络的训练和仿真实验,表明该方法有很强的实用性,为全液压钻机的故障诊断提供了一种途径。