高强度聚酯纤维柔性网在工作面收尾中的应用

与传统的收尾方式相比,采用矿用高强度聚酯纤维柔性网进行铺网收尾,可以有效降低工人劳动强度、减少安全事故发生、提高工作面收尾结采的推进速度。司马煤矿在1110工作面使用了此种方式,取得了良好效果,保障了井下的安全生产。为其他回采工作面收尾提供了很好的示范和借鉴。     

移动学习软件的研究与实现

随着智能终端的普及和在教育领域的应用,将移动学习应用到课堂中变得可行和现实。设计了一款移动学习软件,包括服务器端与手机端,分析了软件功能,描述了软件的核心设计,并对软件的关键技术进行了阐述。验证了移动学习理念及技术应用在课堂教学的可行性。     

基于BP神经网络技术的红土镍矿还原焙烧-磁选工艺条件的优化

还原焙烧—磁选工艺可有效提取红土镍矿中的镍和铁等有价金属，由于影响红土镍矿还原焙烧—磁选效果的因素较多，导致工业生产中的选矿指标不稳定。为进一步提高还原焙烧—磁选工艺处理红土镍矿的效果，本研究以青海某镍矿为原料，采用正交试验与BP神经网络相结合的方法，对还原焙烧—磁选工艺的还原剂用量、焙烧温度、料层厚度、焙烧时间及磁场强度等因素进行了优化。结果表明:通过BP神经网络模型优化后的试验条件为还原剂用量9.5%、焙烧温度1 070℃、料层厚度10.0 mm、焙烧时间65 min及磁场强度2.5 kA·m-1，在此条件下可获得产率为30.29%的镍粗精矿，比采用正交试验最优因素组合条件所得的镍粗精矿产率提高了2.83%。      

基于神经网络和遗传算法的锭子弹性管性能优化

为得到减振弹性管对下锭胆的支承弹性和锭子高速运动下的稳定性等性能的最优匹配效率,依据减振弹性管的等效抗弯刚度及底部等效刚度系数公式,利用MatLab数值分析软件构建弹性管抗弯刚度和底部挠度数学模型。首先,结合Isight优化软件基于径向基神经网络构建其近似模型,且使精度达到可接受水平,并以模型的关键结构参数弹性模量、螺距、槽宽、壁厚为设计变量,结合遗传算法对弹性管抗弯刚度和底部挠度进行多目标优化设计,得到Pareto最优解集和Pareto前沿图,确定出减振弹性管结构工艺参数的优化方案。通过对优化数据进行分析发现,该方案在保证减振弹性管弹性的同时,其底部振幅明显减弱。     

基于客户特征的产品环境需求预测方法研究

针对产品绿色设计中客户需求的模糊性和不确定性,提出了一种基于客户特征的产品环境需求预测方法。通过建立客户环境需求采集模版获取客户信息,采用感性工学及语义差异方法对客户环境需求进行规范化表达,构建了人工神经网络模型挖掘客户特征与客户环境需求之间的关系,帮助企业预测具有不同特征客户的环境需求,采用信息增益量化了各个客户特征对客户环境需求的影响程度。最后以某冰箱企业的客户环境需求分析为例,应用MATLAB进行仿真研究,验证了方法的可行性与有效性。     

磁悬浮控制力矩陀螺高速转子的高精度位置控制

在受到陀螺效应、动框架效应等影响后产生的磁力非线性问题是磁悬浮控制力矩陀螺(MSCMG)高速转子位置精度下降的主要因素。为解决以上问题,提高转子位置精度,本文分析了转子所受磁力的特性,建立了转子系统非线性动力学模型,提出了神经网络滑模控制方法。设计滑模控制律,采用径向基函数神经网络逼近控制律中的非线性模型,自适应算法根据误差在线调整神经网络的权值,同时可以保证整个系统的稳定性。仿真和实验结果表明,所提出方法的转子位置精度达到99%,稳态误差为0.000 2 mm。神经网络滑模控制可以实现MSCMG转子系统的高精度位置控制。     

改进Elman神经网络在短期热负荷预测中的应用

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层,作为一步延时算子,实现记忆能力,使系统具备适应时变能力,增强系统全局稳定性。但Elman神经网络算法模型的构造依然需要大量样本的支撑,而且输入层的变量多,导致预测时间依然很长,收敛速度慢。该文在Elman神经网络预测前,进行了相关系数预处理和对样本中异常值的平均化预处理,通过数据归一化运算,使Elman神经网络输入层变量大幅减少。仿真实验表明,改进的Elman神经网络算法使预测模型快速寻优,减少预测时间的同时明显提高预测精度。