基于KPCA-APSO-LSSVM的充填管道磨损风险预测

为提高充填管道磨损风险的预测精度,构建基于核主成分分析(KPCA)和自适应粒子群算法(APSO)优化的最小二乘支持向量机(LSSVM)磨损风险预测模型。首先通过KPCA对数据进行特征提取和降维处理,获取影响管道磨损的主要因素,然后应用LSSVM建立磨损风险预测模型,同时利用APSO算法对模型参数进行优化。最后,以黄陵县矿区为例,分析选取12种影响因素,建立充填管道磨损风险指标体系,借助MATLAB进行仿真训练与预测,并对预测结果进行对比分析。结果表明:KPCA-APSO-LSSVM模型与其他模型相比具有更高的预测精度及更强的泛化能力,是一种更为有效的磨损风险预测方法。     

基于RS-GWO-GRNN的充填管道失效风险研究

为克服充填管道失效风险评判指标间的复杂性,传统方法预测精度低及适用性差等缺陷,提出基于粗糙集(RS)和灰狼优化(GWO)算法融合广义回归神经网络(GRNN)的充填管道失效风险评价模型。选取10项风险评价指标,通过属性约简提取影响充填管道失效的主要风险因素,运用GWO优化GRNN的参数,构建预测模型,以国内某具体矿山充填系统为例进行实证研究,结果表明:与其它预测模型相比,RS-GWO-GRNN模型的预测精度更高,泛化能力更强,为充填管道失效风险研究提供了新思路,具有较好的借鉴意义。     

基于RS-SCA-PPR的充填管道失效风险预测精度研究

为提高充填管道失效风险的预测精度,建立了基于粗糙集(RS)和正余弦(SCA)算法优化投影寻踪回归(PPR)的充填管道失效风险预测模型。以某矿山为例,选取10项影响因素构建充填管道失效风险预测指标体系,通过RS属性约简原理提取5项核心因素,再利用PPR对充填管道失效风险进行预测,并采用SCA对模型参数进行优化。结果表明:RS可有效消除冗余信息,简化运算过程,SCA-PPR预测精度高、模型性能好,拓宽了矿山充填管道失效风险预测研究的思路。     

深井充填管道磨损风险评估模型研究

针对充填管道磨损影响因素多且具有不确定性的特点,将突变理论和模糊数学相结合的突变级数综合评估法引入到管道磨损风险评估中。首先,通过分析管道磨损影响因素,选取了包括骨料平均粒径等12个指标,建立了充填管道磨损风险评估模型;其次,收集了20个矿山充填系统信息作为学习样本,确定了管道磨损风险等级对应的突变级数分级标准,并验证了该评估模型精度高达90%;最后,将该模型应用到5个矿山的充填管道风险评估中,并与其他评估模型进行对比。结果表明,突变级数综合评估法计算简便,结果准确,为充填管道磨损风险评估提供了一个科学、合理的方法。     

改进的粒子群支持向量机预测瓦斯涌出量

提出一种基于改进的粒子群参数优化的支持向量回归机算法(IPSO-SVR),该方法引入混沌映射及网格分区寻参思想,能避免粒子群算法(PSO)陷入局部最优解。使用IPSO-SVR算法建立瓦斯涌出量预测模型,结果表明基于IPSO算法寻优参数建立的瓦斯涌出量支持向量回归预测模型具有良好的预测效果。与粒子群优化参数的支持向量回归机(PSO-SVR)模型、广义回归神经网络(GRNN)模型进行比较,IPSO-SVR模型预测效果明显优于PSO-SVR和GRNN模型,可用于瓦斯涌出量的实际预测,表明所提出的IPSO算法是选取SVR参数的有效方法。     

基于IPSO-ELM的边坡稳定性分析

边坡稳定性受多种复杂因素影响,传统算法很难得到高精度预测结果,为了及时准确地对边坡稳定性做出可靠性分析,提出了改进粒子群优化极限学习机(IPSO-ELM)模型并应用于边坡稳定性预测实例中.首先在粒子群算法(PSO)的基础上,为克服在寻优过程中易出现局部最优的问题,引入自适应权重法,将改进粒子群算法(IPSO)对极限学习...     

KPCA-GRNN网络在数控机床复合故障诊断中的应用

提出了一种将核主元分析法(KPCA)与GRNN网络相结合的数控机床复合故障诊断方法。原始复合信号经过EMD分解,将得到的IMF与其他时频域特征值组成原始信号特征集;运用KPCA方法对原始特征集进行降维处理,构造核主元特征集;将筛选后的特征向量作为GRNN网络的输入,实现了数控机床不同复合故障的模式识别,并与其他3种网络对比,验证了该方法的优越性。     

基于GM(1,N)_GRNN组合模型的瓦斯涌出量预测研究

为解决瓦斯涌出量影响因素众多、难以准确预测的问题,本文利用多变量灰色系统易于处理不规则数据,GRNN神经网络模型训练速度快、人为干预因素少等优势,建立起1阶N变量灰色模型与GRNN神经网络嵌入型组合模型GM(1,N)_GRNN。用该模型对某煤矿回采工作面的瓦斯涌出量进行了预测,并与GM(1,N)模型、GRNN两种模型单独预测的结果做了对比,发现组合模型预测结果的平均误差仅3.7%,明显优于两种模型单独预测的平均误差。因此,对煤矿安全生产有重要指导意义。     

充填管道堵塞风险性的SPA-AHP综合评价

为了预测充填管道堵塞风险性大小,建立充填管道堵塞风险性的评价系统和评价等级标准。基于层次分析法(AHP),对各评价指标赋予不同的权重,引入集对分析法(SPA),对充填管道风险性进行定量分析。运用该评价模型对金川龙首矿、贡北金矿、河东金矿、开阳磷矿4个代表性矿山的充填管道输送系统进行验证,贡北金矿、河东金矿充填管道堵塞风险性等级为2级"风险一般",金川龙首矿、开阳磷矿的风险性等级为3级"风险较大",评价结果符合矿山实际情况,表明该模型具有较高的评价精度,且合理、科学,可推广至同类矿山应用。     

基于SENet和DenseNet的充填管道磨损声音识别

针对矿山充填管道磨损缺陷检测存在的人工检测困难和检测成本高等问题，提出了一种融合SENet的密集连接卷积神经网络模型(SE_DenseNet)，可实现充填管道不同磨损程度的远程快速识别。该方法首先通过完全集合经验模态分解(CEEMDAN)，对与原信号相关性较高的分量进行重构；之后，使用短时傅里叶变换，形成声谱图；将声信号识别问题转化为图像识别问题；并将声谱图输入到DenseNet网络模型，通过特征重用，融合通道注意力机制SENet，增强特征信息，实现对充填管道磨损声信号的准确声音识别。结果表明:SE_DenseNet的识别准确率可达到97.368%。相比同类深层基线网络模型ResNet101和基线DenseNet121而言，该网络模型泛化能力及识别准确率有所提升，在模型参数数量上有所下降，实现更快收敛。SE_DenseNet的上述优势可被应用于类似的固液两相流输送管道无损检测领域。     

基于改进未确知测度的充填管道磨损风险性评价模型

为准确预判充填管道磨损等级,以金川龙首矿等4个矿山为例,选取了12个评价指标建立充填管道磨损评价体系,结合未确知测度理论,构建基于改进未确知测度的充填管道磨损风险性评价模型.该模型克服了评价指标之间的差异性和不确定性,以评价指标体系和指标分级模式为基础,确定各指标测度函数,建立各指标测度矩阵,并基于层次分析法?熵权法组...     

充填管道磨损形式及机理分析研究

针对充填管道易磨损的问题,对金川矿区的充填钻孔进行调查,分析发现料浆在自由下落段的冲击磨损是充填管道的主要磨损形式。建立料浆流动的物理力学模型,从动量和能量的角度探讨充填管道的磨损机理。研究表明,自由下落段的高度越大,料浆到达空气砂浆交界面的速度越大,对局部管壁的冲击磨损就越严重。提出管壁单位面积耗能量的概念,得出管壁单位面积耗能量越大,管壁磨损速率越快的结论。     

深井矿山高浓度充填料浆自流输送管道磨损研究

为研究深井矿山高浓度充填料浆自流输送管道磨损情况,从速度、动量和能量守恒角度分析了深井矿山自流输送充填料浆运动机理、管道破坏机理和管道磨损机理,得出了充填料浆特性、充填钻孔、管道材质、充填倍线与自流充填管道磨损影响因素之间的关系。通过ANSYS FLUENT三维数值模拟结果和矿山实际管壁监测结果,研究了水平管和弯管的管道易磨损位置,提出了深井矿山自流充填管道降低磨损的技术方法,为矿山深井高浓度自流充填系统的持续、安全、稳定和高效运行提供了重要的技术支持。     

基于WSR-TSS模型的煤矿顶板事故风险评估

针对煤矿顶板事故风险评估中对耦合风险因素发生的情景考虑过少以及难以定量表示风险发生概率等问题,构建基于物理-事理-人理（Wuli-Shili-Renli,WSR）和情景构建理论（theory of scenario structuring,TSS）的WSR-TSS模型。首先从物理层、事理层和人理层构建煤矿顶板事故风险识别框架,分别识别出物理因素6个、事理因素2个和人理因素4个;其次基于TSS对各风险因素进行耦合,建立二维风险情景44个,三维风险情景48个;最后将WSR-TSS模型应用于某煤矿顶板事故风险评估,结果为:二维风险情景下顶板破碎度和安全意识耦合风险事故发生概率最大,风险值为0.598,三维风险情景下顶板破碎度、支护方式和安全意识的耦合风险率最高,风险值为0.423 1。结果表明:WSR-TSS模型能较全面地识别煤矿顶板事故风险因素,考虑了耦合风险因素发生的情景并定量化,可为煤矿顶板事故风险评估提供新思路和参考。