基于主成分聚类分析的煤矿安全评价模型

首先从人的行为、安全管理、装备设施、自然条件、安全技术与监管机制5个方面建立了煤矿安全评价指标体系;然后运用主成分分析和聚类分析建立了煤矿安全评价模型,通过主成分分析选取综合指标,减少了评价指标的个数,通过聚类分析对各煤矿企业的安全状态进行分类评价,分析其相似性和差异性;最后通过对某省40个煤矿企业的安全状况进行评价,介绍了该煤矿安全评价模型的应用步骤。应用结果表明,该煤矿安全评价模型得出的评价结果简单、直观地反映了煤矿的安全状态。     

基于AHP-FCE的煤矿安全评价系统的研究

安全评价是煤矿安全管理系统的重要内容。文章结合层次分析法(AHP)和模糊综合评价(FCE)的基本理论,提出了一种新的基于AHP-FCE的煤矿安全评价系统。该系统针对煤矿安全评价因子建立层次结构模型,采用层次分析法构建比较矩阵,将成对比较矩阵的特征向量作为安全评价的权重,并采用模糊综合评价法对每个评价因子进行综合评价,从而确定评价因子的影响力排序。实例计算结果表明,基于AHP-FCE的煤矿安全评价系统操作简便,通用性好,计算结果较为准确和稳定。     

伯方煤矿综合安全监控与决策支持系统的研究

在综合考虑影响伯方煤矿安全因素的基础上,文章应用风险评价理论,建立了风险评价数学模型——未确知测度模型;应用粗集理论提取影响伯方煤矿的安全状况因素,采用未确知测度模型对伯方煤矿安全评价指标进行测评,得出其实时安全等级。在此基础上,利用VC++开发出安全监控平台,从而真正地形成了伯方煤矿综合安全自动监控、实时评价、智能决策"三位一体"的计算机智能决策支持平台。     

基于云模型和组合赋权的煤矿安全风险评价

针对我国煤矿安全风险评价基础薄弱、手段单一、客观性不强等问题,结合云模型理论和基于层次分析法主观赋权、灰关联分析客观赋权的组合赋权方法,构建了一种煤矿安全风险评价模型。建立了包含人员、设备、环境、管理和历史5个一级评价指标,29个二级评价指标的煤矿安全风险评价指标体系;确立了煤矿安全风险评价指标的云模型标尺;采用安全风险评价云模型计算煤矿安全风险评价指标体系中指标层、准则层、目标层的数字特征,得到煤矿安全风险评价云。将该模型应用于红庆梁煤矿安全风险评价,结果表明:该煤矿现阶段安全风险等级为中等风险,影响安全生产的主要因素为作业人员违章操作率、煤层顶底板稳定性等。该模型为煤矿安全管理及风险防控工作提供了一定参考。     

基于量子遗传算法的煤矿安全评价模型

煤矿安全评价涉及诸多不确定信息,用传统评价方法难以确保最后评价结果的准确性和可靠性。为此利用RBF神经网络设计出煤矿综合安全评价模型,根据我国煤矿的实际情况,通过事故树(FTA)和事件树(ETA)分析,归纳煤矿事故发生的危险因素和影响矿井生产的不安全因素。同时为了克服神经网络易陷入局部最小,研究采用量子遗传算法对神经网络模型的权值(阈值)进行优化。将该方法应用在阜新矿业集团公司某矿,结果表明,该模型可以准确地评价煤矿安全生产,为煤矿安全评价提供一条新的途径,对煤矿安全生产起到了重要的指导意义。     

基于层次分析法和模糊数学的煤矿安全生产评价

为了定量地综合评价煤矿的安全生产状况,建立了煤矿安全生产评价指标体系,采用层次分析法确定评价指标的权重,采用模糊数学方法对煤矿安全生产情况进行评价。评价结果表明,基于层次分析法和模糊数学的煤矿安全生产评价准确性和可靠性高,为评价煤矿安全生产状况提供了一条新途径。     

基于AHP-FCE法的煤矿安全管理系统的研究

煤矿安全管理系统是一个复杂的非线性系统,具有随机性、模糊性和不确定性特征。应用层次分析法AHP(analytical hierarchy process)和模糊综合评价FCE(Fuzzy Comprehensive Evaluation)的基本理论,针对煤矿安全评价因子建立层次结构模型,构建比较矩阵,将成对比较矩阵的特征向量作为安全评价的权重,确定了评价因子的影响力排序,建立了煤矿安全评价指标体系,提出了一种新的煤矿安全评价方法,为煤矿安全和监控管理提供了依据。实例计算结果表明:AHP-FCE方法简便和通用,不仅能指导生产实际,而且为类似的方案优化工作提供了一种新的思路和方法。     

改进神经网络煤矿安全评价模型仿真研究

研究煤矿安全评价准确性问题。煤矿生产安全问题一直是国内外研究的热点,针对传统的安全评价算法难以评价出煤矿安全生产中出现的情况,评价预测准确率低等问题,提出了基于BP神经网络算法煤矿安全评价模型。采用BP神经网络的特点是可以逼近任意的非线性函数,但是BP神经网络并非完美的神经网络,采用遗传算法优化BP神经网络可以克服其缺点,将改进的算法应用于煤矿系统安全评价之中,仿真结果表明,基于改进的BP神经网络煤矿安全评价模型方法有效性和实用性,能够正确评价安全生产状态。     

基于4M-C-I煤矿安全评价指标体系的灰色关联分析

针对现有煤矿安全评价指标体系不能全面体现事故发生根本原因的问题,从人员、设备、环境、管理、安全文化和安全信息6个方面分析了煤矿安全评价影响因素,给出了煤矿事故轨迹交叉致因模型,建立了煤矿安全评价指标体系,对影响煤矿安全事故的因素进行灰色关联分析,明确各因素间的耦合及关联关系。应用结果表明,该分析能客观评价煤矿企业的真实安全程度,为煤矿事故预测提供实施决策管理。     

基于4M-C-I煤矿安全评价指标体系的灰色关联分析

针对现有煤矿安全评价指标体系不能全面体现事故发生根本原因的问题,从人员、设备、环境、管理、安全文化和安全信息6个方面分析了煤矿安全评价影响因素,给出了煤矿事故轨迹交叉致因模型,建立了煤矿安全评价指标体系,对影响煤矿安全事故的因素进行灰色关联分析,明确各因素间的耦合及关联关系。应用结果表明,该分析能客观评价煤矿企业的真实安全程度,为煤矿事故预测提供实施决策管理。     

QGA-RBF神经网络在矿井瓦斯涌出量预测中的应用

煤矿的安全事故中有80%以上为瓦斯事故,为了更加准确的预测瓦斯涌出量,使得煤矿安全进一步得到保障,采用足够的具有代表性的瓦斯检测数据作为样本,利用QGA算法优化RBF神经网络的参数,建立了瓦斯涌出量的预测模型,并使用MATLAB进行仿真研究。结果表明,经过优化后的预测模型较单一的RBF网络模型有更好的预测精度,可以为煤矿瓦斯防治提供理论依据。     

QGA-RBF网络在无线传感瓦斯监测系统中的应用

煤矿的安全事故中有80%以上为瓦斯事故,为了更加准确的预测瓦斯涌出量,使得煤矿安全进一步得到保障,采用足够的具有代表性的瓦斯检测数据作为样本,在无线传感瓦斯监测系统为模型的基础上,对采用QGA算法改进后的RBF神经网络算法建立的瓦斯涌出量预测模型进行瓦斯预测研究。并采用MATLAB进行仿真研究,结果表明经过优化后的预测模型较单一的RBF网络模型有更好的预测精度,可以为煤矿瓦斯防治提供理论依据。     

基于数据挖掘的煤矿安全信息管理模型的研究

基于对数据挖掘技术、粗糙集理论、模糊逻辑与神经网络算法的分析,文章提出了一种基于数据挖掘的煤矿安全信息管理模型的设计方案。该模型应用Web服务器注册技术和XML数据合成技术形成终端数据库,采用数据挖掘技术中的粗糙集理论和模糊逻辑与神经网络算法形成终端数据仓库,并对终端数据仓库进行统一分析、管理和维护,有效地提高了煤矿安全信息管理的效率。     

组合评价方法在煤矿安全风险评估中的应用

研究煤矿安全风险准确评估问题,煤矿生产的复杂性导致煤矿事故的动态性、模糊性和随机性,且影响煤矿安全风险等级指标多,指标与风险等级之间呈复杂的非线性关系,导致传统评估方法的准确率低。为了提高煤矿安全风险评估的准确率,提出一种组合的煤矿安全风险评估方法。首先构建出煤矿安全风险评估指标体系,然后采用层次分析法计算各评估指标权重,且采用模糊方法建立判断矩阵,最后将其输入到BP神经网络学习建立煤矿安全风险评估模型。利用具体数据对模型性能进行了验证性测试。实验结果表明,相比较于其它评价方法,组合评价方法提高了煤矿安全风险评估的准确率,是一种有效的煤矿安全风险评估方法。     

煤矿安全网格环境下资源管理与任务调度的研究

安全问题是煤矿急需要解决的一个重要问题。文章在现有的煤矿通信网的基础上,结合目前网格的发展技术构建了煤矿安全网格模型,并重点针对网格资源管理与调度进行了详细的说明。优化的资源管理与调度策略使得网格计算获得了较高的运行性能,从而为网格的计算与安全评价提供了很好的服务。     

遗传优化的GNNM在瓦斯涌出量预测中的应用

研究矿井瓦斯涌出量准确预测一直是煤矿安全生产中重点关注的问题。煤层瓦斯爆炸因受开发环境、矿层深度、天气等因素的影响,造成与瓦斯涌出量增大而引起的。针对传统预测模型在矿井瓦斯涌出量预测中存在建模困难、收敛速度慢、要求历史数据量大的问题,提出了一种遗传优化的灰色神经网络预测模型。模型利用灰色系统对数据量要求低的特点,将灰色系统理论与神经网络有机结合起来,建立灰色神经网络模型。并采用遗传算法对所建立模型的权值和阈值进行优化。采用模型对矿井瓦斯涌出量进行预测,实验表明,遗传优化的灰色神经网络模型,可以简化系统建模,并能提高瓦斯涌出量预测精度,有一定的实用价值。     

Neural network synthesis for thermal processes

Neural networks are relatively new and highly attractive tools for modelling complex systems. The main feature of neural networks is their inherent plasticity which enables them to fit virtually any nonlinear function provided they have a sufficient number of parameters. Neural networks are a general class of nonlinear systems. Neural models can be used advantageously to model the dynamic behaviour of physical processes. In this paper, feedforward neural networks are used for modelling of dynamic thermal processes. The synthesis of neural networks is directly associated with the minimization of an objective function normally defined as the square of the difference between the output of the process being modelled and the output predicted by the network. Learning schemes are used for the evaluation of the connection weights of the feedforward neural network. In this paper, the dynamic modelling of several thermal processes using feedforward neural networks is presented. In one example, the identified neural model of the inverse of the plant is used as a controller.     

基于灰色BP神经网络的瓦斯爆炸的预测

瓦斯浓度在很大程度上决定了煤矿井下发生爆炸的可能性,而原有灰色模型预测方法精度不是很高,但是所需的数据较少,而BP神经网络有高度的非线性计算、自学习和自组织能力。本文结合了灰色系统与BP神经网络各自的优点进行预测,使预测结果更加精确,可靠性得到很大的提高。