基于范数优化极限学习机的矿浆浓度预测

选矿过程中的矿浆浓度是一个重要的生产工艺参数,一般可以通过预测矿浆浓度来提高生产效率。由于矿浆浓度和其他的生产工艺参数往往非线性相关,这给矿浆浓度的预测带来了很大困难。本文针对此问题,基于极限学习机这一面向神经网络的新颖学习算法,提出了一种矿浆浓度预测新算法。首先,使用相空间重构方法对矿浆浓度数据进行预处理,从一维转换到多维。然后,使用基于L2范数的极限学习机算法(ELM-L2)建立时序预测模型,实现预测功能。围绕来自于某矿厂的真实生产数据进行了实验验证,结果显示,针对大规模的数据样本集,所设计的算法与传统神经网络预测算法相比,训练时间大约减少了30%,而预测精度大约提高了48%。实验结果表明了所设计预测算法的有效性。     

矿浆多参数在线检测系统设计

针对现有矿浆浓度检测系统存在的测量数据单一、取样过程易沉降、难以检验所取样品均匀性等缺点,设计了一种矿浆多参数在线检测系统。基于称重法测量原理实现对矿浆浓度、体积流量、质量流量等多参数的在线检测。使用基于旋流消能法的取样器实现对原矿浆均匀化及防沉降处理。基于水力学孔流原理实现对取样矿浆的均值化处理及均匀性检验。在云南某选矿厂的长期应用结果表明:检测系统所测数据与浓度壶所测数据差值在2%以内,满足工业精度要求。由取样器取出样品的不均匀度在1%以内,取样过程未出现沉降、堵塞等现象,取样效果良好。     

基于定子电流特性分析的渣浆泵故障预测

磨矿分级流程使用渣浆泵输送矿浆并为旋流器提供分级所需的入口压力。渣浆泵输送的矿浆颗粒较大、矿浆浓度与粒度未知，易引发堵转、短路等事故，且事故难以预测。针对这一问题，利用定子电流中所反映的渣浆泵运行信息，结合EMD自适应分解方法与LSTM学习算法，提出了基于定子电流多尺度特性分析的渣浆泵故障预测方法。利用工业数据验证表明，该方法可有效预测矿用渣浆泵故障，可帮助生产技术人员提前给出切换备用泵的决策依据。     

大规模煤炭数据下分布式神经网络算法的研究与实现

文章针对海量规模数据,提出了基于云计算平台的分布式神经网络算法,该算法能够分布式的完成神经网络的构建,最终准确地进行分类预测。实验部分的结果用数据进一步表明了文章提出的算法具有很高的效率,与传统算法相比有很高的加速比及很好的可扩展性。     

深度学习耦合粒子群优化SVM的瓦斯浓度预测

为改进工作面煤矿瓦斯涌出浓度的预测精度,基于深度学习网络、SVM和粒子群(PSO)优化算法的原理,建立1种深度学习网络与粒子群优化SVM神经网络耦合的混合算法模型,该算法首先基于深度学习理论学习样本数据较深层次的特征,提取出较少个用来表征原始数据的特征量变量,对特征变量建立PSO-SVM预测模型进行瓦斯涌出浓度预测,通过工作面现场采集的数据进行仿真实验,实验结果表明该方法使预测精度较对原始数据直接进行PSO-SVM预测得到较大的提升,同时实现了原始数据的降维,减少了算法的运行时间,提高了算法效率。     

数据缺失的SOA-KELM岩爆倾向性预测

:为简化模型结构、解决迭代训练拖延问题，利用海鸥（SOA）算法进行核极限学习机（KELM）重要参数择优，建立基于数据插补和SOA-KELM的岩爆风险预测模型。综合岩爆预测过程中多因素影响，选取单轴抗压强度，单轴抗拉强度等6种指标作为岩爆风险评价指标，搜集93组岩爆实测样本。一方面采用随机过采样补充少数类别样本数据，一方面采用ELMAN神经网络进行缺失数据插补，构建高质量岩爆风险预测样本数据库。最终将预处理后的数据输入4种模型中进行分类预测。结果表明：数据插补后，各模型预测准确率提升5.56%~16.67%。不同情况下，SOA-KELM预测准确率均为最高数值，且数据随机过采样处理并未影响模型预测准确率，融合ELMAN神经网络和SOA-KELM的预测模型可有效应用于岩爆风险预测，为实际岩爆预测提供了新思路。     

基于神经网络的数控铣削参数工艺效果预测

针对数控铣削加工工艺的复杂性,以DMC60H为平台,以壳体类铝合金零件加工工艺数据为对象,提出了基于神经网络的数控铣削参数工艺效果预测方案。预测结果表明,所建立的工艺效果预测模型能够比较精确地预测出给定加工参数下的加工时间、尺寸精度和表面粗糙度,实现了数控铣削参数的合理选取,充分发挥了机床效能,提高了产品质量和生产效率,为生产实践提供了理论依据。     

煤矿瓦斯爆炸事故致因选取与风险等级预测

为对煤矿瓦斯爆炸事故风险等级进行精准预测，以符合实际情景的特征向量为前提，基于改进粒子群算法优化概率神经网络(RWPSO-PNN)实现瓦斯爆炸风险等级预测模型。首先利用中文分词提取煤矿瓦斯爆炸事故致因，以灰色关联分析(GRA)选取模型的输入特征向量；并针对概率神经网络(PNN)中平滑因子易引起网络识别率低的问题，提出了RWPSO-PNN，实现平滑因子的自适应调整；最后对RWPSO-PNN进行了实例分析，并与极限学习机算法、BP神经网络和支持向量机算法进行对比。结果表明：RWPSO-PNN预测准确率为90%，平均绝对误差为0.133，明显优于对比算法。     

基于LM-BP神经网络的煤层瓦斯含量预测研究

为了高效、便捷地获取煤层瓦斯含量，设计了一种基于LM-BP神经网络的煤层瓦斯浓度预测方法。首先介绍了LM-BP神经网络的预测原理，然后建立了基于LM-BP神经网络煤层瓦斯预测模型，最后采用地勘钻孔的相关参数制作样本进行模型训练和预测，将设计的预测模型的性能与基于BP神经网络模型进行对比，结果表明，2种模型在预测准确率方面达到基本一致，都在90%以上，在收敛速度上基于LM-BP神经网络煤层瓦斯预测模型有明显优势。     

液压支架顶梁疲劳寿命的改进神经网络预测

对液压支架顶梁疲劳寿命计算量大,耗时多而导致的顶梁疲劳寿命很难使用智能寻优算法进行优化的问题进行了研究。提出使用遗传算法优化了的BP神经网络对液压支架顶梁疲劳寿命进行预测的方法。首先选取对顶梁疲劳寿命影响较大的5个设计参数,使用ANSYS计算其80组参数水平下的疲劳寿命。再用遗传算法优化了的BP神经网络对前70组数据进行训练建立神经网络模型。最后用10组数据验证建立的BP神经网络疲劳寿命模型的预测精度。结果表明,遗传算法优化了的神经网络能快速估算出顶梁疲劳寿命,并且估算的疲劳寿命平均相对误差较低,仅为4.04%,完全满足工程实际要求。     

Forecasting time-to-failure of machine using hybrid Neuro-genetic algorithm – a case study in mining machinery

Forecasting of time-to-failure is an important aspect of a mining machine for the performance assessment, fault detection and schedule maintenance. The knowledge of failure time allows more defined arrangement of preventive maintenance. Traditional methods, including lifetime distribution models, fault tree analysis and Markov models, have a limitation of assuming a specific statistical distribution function to fit the failure time data. In this study, a hybrid data-driven method using neural network and genetic algorithm is proposed to forecast failure time. The forecasting model was developed using neural network algorithm and all the neural network parameters, i.e. input nodes, hidden nodes and the learning algorithms, are selected automatically using the genetic algorithm. The developed model was validated using the failure data of a mining machine. A case study was conducted investigating a load-haul-dump machine (LHD) in the mining industry. Failure historical data for the LHD machine were collected, and cumulative failure time was calculated for time-to-failure forecasting. Study results demonstrate that the developed model performs satisfactory in the prediction of next failure time. A comparative study reveals that the proposed method performs better than existing methods.     

基于PSO-RBF神经网络的主要影响角正切求取方法

主要影响角正切tanβ是采用概率积分法进行矿山开采沉陷预计的主要参数之一,决定着开采沉陷的影响范围。为了提高tanβ求取精度,在分析tanβ及其影响因素的基础上,选取tanβ的5个主要影响因素作为输入层神经元,将粒子群(PSO)快速搜索全局最优解算法与径向基(RBF)神经网络相结合,提出一种求取tanβ的PSO-RBF神经网络预测模型,获得tanβ和地质采矿条件之间的非线性映射关系。运用我国30个典型观测站的实测数据作为学习训练和测试样本,进行了PSO-RBF神经网络模型的适应度和泛化能力测试,对预测结果与实测值进行了对比分析。结果表明：应用PSO-RBF神经网络模型预测tanβ,收敛速度快,预测精度高。预测结果的最大相对误差为6.54%,最小为2.56%,所得到的tanβ精度有了一定的提高。     

基于改进遗传算法优化BP网络的轧制力预测研究

为提高铝热连轧轧制力预报精度, 满足现场生产需求, 采用改进遗传算法优化神经网络建立铝热连轧轧制力的智能模型。以河南某1+4铝热连轧厂连轧实测数据作为实验样本, 在遗传算法的初始化和变异机制中引入混沌序列, 同时选择最优保存机制、动态调整交叉率和变异率等方法, 提出了改进的遗传算法, 并将其与改进的BP算法相结合, 对多层前馈神经网络权值阈值进行优化, 避免学习中陷入局部最小, 使模型最终具有了良好的收敛性和适应性。网络预测结果与实测数据的相对误差基本在10%以内, 该预测精度明显优于传统数学模型, 实现了铝热连轧轧制力的高精度预测。     

基于ELM的尾矿坝浸润线预测

为了进行尾矿坝浸润线预测,提出一种极限学习机(ELM)方法。ELM网络能够很好地描述浸润线与其影响因素的非线性关系,将最小干滩长度、库水位、渗流量、竖直位移、水平位移5个主要因素作为ELM网络的输入,浸润线埋深作为网络的输出。为了提高ELM的预测准确性,利用均方误差指标选取归一化方法、激活函数、隐含层节点个数,最终确定最大值归一化方法预处理数据,输入5-9-1ELM网络,选取激活函数为sin型函数进行浸润线预测。同时选取BP神经网络,采用相同的归一化方法和网络形式进行对比。结果表明ELM模型在浸润线短期预测中可行性更高,预测精度佳。     

参数优化GA-ELM模型在露天煤矿抛掷爆破的预测

为有效指导露天煤矿制定正确生产计划,提高露天煤矿抛掷爆破预测的准确率,在分析露天煤矿抛掷爆破影响因素的基础上,通过"试错法"确定模型最优隐含层节点参数,进而提出一种参数优化后遗传算法(GA)和极限学习机(ELM)相结合的抛掷爆破预测模型。选取网络的输入输出相关参数,针对现有ELM输入权值矩阵和隐含层偏差,采用遗传算法对其进行优化选择;利用某露天煤矿抛掷爆破监测数据对该模型进行实例分析,并将RBF,BP,SVM,GA-BP模型预测结果与该模型进行对比分析;并引入Weibull模型,通过预测控制参数ɑ,β模拟爆堆形态。研究结果表明:(1)通过"试错法"确定GA-ELM模型最优隐含层节点数为39,有效降低系统的仿真误差,该参数下仿真误差值为0.137 7;(2)相较于传统ELM预测模型,通过遗传算法优化后,有效抛掷率,松散系数以及抛掷距离均得出更小的均方误差MSE值(0.258 0,1.748 5×10-4,3.618 4)和更高的决定系数R2值(0.986 4,0.995 3,0.970 6),改进后的GA-ELM具有更好的拟合效果和泛化能力;(3)通过与其他智能算法如BP,RBF,SVM,GA-BP相比,改进后的GA-ELM测试结果(均方误差,决定系数,仿真误差)明显优于其他预测模型,有效提高预测精度;(4)利用训练完成的GA-ELM网络预测爆堆形态时,控制参数a,β的预测误差均未超过5%,预测爆堆曲线接近真实爆堆曲线。     

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。     

基于随机权重法改进PSO-ELM的露天矿边坡稳定性分析

为提高极限学习机(ELM)模型在弓长岭露天矿边坡稳定性预测中的精度,有效解决ELM模型在训练过程中随机产生的连接权值和隐含层阈值而导致模型稳定性差的问题,引入基于随机权重法改进的粒子群算法(IPSO)进行优化,提出了改进粒子群算法优化极限学习(IPSO-ELM)模型,将该模型应用到弓长岭露天矿边坡监测的数据中,把预测结果与ELM模型和PSO-ELM模型的预测值进行对比分析,结果表明：IPSO-ELM模型预测值接近于实测值,预测精度高、预测速度快,模型构建合理,在露天矿边坡预测中具有较高的可行性,可作为露天矿边坡预测的一种参考方法。     

基于改进RBF神经网络的巷道变形预测模型

由于经典RBF神经网络中的隐含层节点数、连接权值等结构参数基本由经验获取,因此经典RBF神经网络模型的性能取决于建立模型专家的主观性,存在一定的盲目性和随机性,难以对巷道变形进行准确预测。为此,采用贝叶斯阴阳和谐学习算法对经典RBF神经网络模型的隐含层节点个数、连接权值等结构参数进行了优化,提出了一种基于改进RBF神经网络的巷道变形预测模型,即对角型广义RBF神经网络模型。采用潞安和兖州矿区的综放回采巷道的现场长期监测数据分别对经典RBF神经网络模型以及对角型广义RBF神经网络模型进行了试验分析,结果显示：①对巷道顶底板变形进行预测时,对角型广义RBF神经网络模型的准确率约92.2%,经典RBF神经网络模型的准确率约80.6%;②对煤帮变形进行预测时,对角型广义RBF神经网络模型的准确率约90.2%,经典RBF神经网络模型的准确率约78.6%。上述试验结果表明,对角型广义RBF神经网络模型对于巷道变形预测的精度明显优于经典RBF神经网络模型,对于高精度巷道变形预测有一定的参考价值。     

岩层移动角预测的粗糙集-BP神经网络模型

岩层移动角是金属矿山开采表征地表移动规律的重要参数之一。为克服理论计算法和数值分析法在力学模型匹配、参数选择、边界条件设置等方面存在的问题并改进岩层移动角预测方法,首先在分析BP神经网络、粗糙集基本原理的基础上,将两者进行有机结合,构建了粗糙集-BP神经网络模型,该模型将粗糙集作为前端处理器对具有模糊性、不确定性和不完整性的信息进行预处理,将BP神经网络作为核心建立输入、输出间的映射关系;然后通过对34组实测岩层移动样本数据进行学习训练和测试,构建了包含下盘岩性、上盘岩石普氏系数、矿体倾角、矿体厚度、开采深度、采矿方法等6个因素的粗糙集-BP神经网络岩层移动角预测模型,并对永平铜矿露天转地下开采岩层移动角进行了预测。结果表明:该矿山总体岩层移动角的预测值分别为上盘62°,下盘68°,走向73°,预测结果与工程类比法、数值模拟法等传统方法接近。所提方法由于可科学选择变量、简化网络结构以及具有提高容错抗干扰和分类的能力,相对于传统预测方法而言,具有一定的优势,有助于提高矿山开采岩层移动角的预测精度。     

融合机器学习算法的煤矿井下信道建模研究

由于矿井复杂多变的环境特征,传统射线跟踪法的井下无线信道建模误差较大,本文通过对机器学习算法及其搭配使用的特征进行分析评估,从而选择最优的信道建模方法。引入机器学习算法对场景特征进行学习进而实现较为精确的建模,研究了BP神经网络、遗传算法、支持向量机在井下信道建模方向上的应用。构建了射线跟踪法与GA_BP相结合的场强预测模型,同时使用最小二乘支持向量机方法建立预测模型。以地下巷道的实测数据作为算法的训练样本,对场强进行预测,试验本文各类算法的特征以及算法中参数对预测结果的影响。得到场强预测结果与实测数据的误差为-1.206 dbm,本文混合模型提升了井下场强预测精度。