BP神经网络在风机振动报警时间中的应用

提取旋转机械D350风机转子在一段时间里的水平方向、垂直方向和轴向的振动值，以此为样本值，应用BP神经网络算法进行训练．然后预测D350风机的振动报警时间，预测结果表明与实际报警的发生时间非常接近。     

ELM神经网络及其在机械故障预测中的应用

提出了一种基于ELM(Extreme Learning Machine极限学习机)神经网络的机械设备故障预测方法,该方法对机械设备运行过程中的振动信号提取多个特征指标,并对各指标进行神经网络辨识,同时进行时间序列预测。该网络具有学习速度快、泛化能力强等优点,能够很好的应用于非线性系统的辨识与预测。试验仿真采用美国西储大学轴承数据中心发布的轴承故障振动数据,结果表明该方法能够很好的辨识时间序列故障状态,同时能够进行准确的预测,在煤炭实际生产中具有广泛的应用前景。     

BP神经网络方法在采煤机故障诊断中的应用

本文介绍了BP网络的原理、算法,并用BP网络对采煤机截割部机械传动系统的故障进行了趋势预测。经过地面模拟加载实验及井下验证,证明用人工神经网络可较好地预报机器故障,变被动维修为视情维修,为合理安排生产计划及设备检修提供了可靠的依据。     

神经网络在矿石可选性预测专家系统中的应用

讨论了基于符号的知识处理系统的不足及神经网络应用于知识处理上的优点。提出了用神经网络建立矿石可选性预测专家系统的设计方法，给出了神经网络矿石可选性预测专家系统的结构，论述了系统实现中的一些技术问题。     

基于小波分析-支持向量机的风机故障预测

提出了基于小波分析和支持向量机的风机故障早期预测方法。通过小波分解,将风机原始振动时间序列依尺度分解到不同层次,对每层分别采用支持向量机（SVM）预测,最后合成得到原始序列的预测值。对某铝厂排送风机的运行状态进行预测,并与其它预测方法进行了对比,结果表明该方法预测精度更高。应用该预测方法可合理安排维修时间,减少维修费用。     

神经网络模型及其在煤矿瓦斯预测中的应用

瓦斯事故是煤矿人员伤亡最多、影响最大的事故。准确预测瓦斯是防止事故、降低损失的基础。人工神经网络由于具有建模能力强，计算准确度高，善于处理模糊的、非线性的、含有噪声的数据等特点，能很好地解决瓦斯预测中的实际问题。简单介绍了神经网络的基本原理和学习算法，建立了基于该原理的BP应用模型，并通过实例进行了验证。     

模糊神经网络在旋转机械故障诊断中的应用

将神经网络和模糊算法结合，建立了串联式模糊神经网络模型，并利用该模型对D350风机进行了故障诊断。     

小波神经网络在煤矿传感设备故障处理中的应用

小波神经网络的构成和学习算法应用在煤矿设计故障处理中,实现了故障诊断。文章针对小波神经网络在煤矿传感设备故障处理中的应用进行研究,希望对煤矿工作有所帮助,提供参考。     

综合改进BP神经网络在边坡稳定性预测中的应用

针对标准BP神经网络存在收敛速度慢和易陷入局部最小值的问题,提出用附加动量法和自适应学习速率法来优化BP神经网络,提高其收敛速度;引入具有全局搜索能力的模拟退火算法,克服其容易陷入局部最小值问题。应用综合改进后的BP神经网络对已知的实际边坡进行了预测,并将其预测结果与标准BP神经网络和实际值进行对比分析。结果表明:综合改进后的BP神经网络在边坡稳定性预测具有较好的预测效果,与标准的BP神经网络相比,不仅提高了计算速度,而且较大地提高了预测精度,具有较好的应用前景。     

神经网络在矿山巷道安全预测中的应用

采场巷道的安全预测包含众多的模糊性、不确定性和知识的不完备性，应用神经网络模型的学习能力，进行巷道在掘进过程中的安全状态预测。为矿山安全生产和事故预测奠定了基础。系统在金川二矿区的应用表明，该系统具有较好的适用能力。     

基于小波神经网络的钢丝绳磨损趋势预测研究

针对非线性预测问题,提出了小波神经网络算法,建立了小波神经网络的趋势预测模型,通过对钢丝绳磨损度的时间序列预测,实现了故障预报。实践表明：小波网络具有更快的收敛速度和更高的预报精度,仿真结果与实测数据相比最大相对误差为4.23%,预报精度满足要求。     

PSO-Elman神经网络在尾矿坝位移预测中的应用

由于BP神经网络模型容易出现局部极小值和训练时间长等缺陷,Elman神经网络模型有搜索速度慢、易出现局部最优等不足,因此考虑采用PSO-Elman神经网络模型进行尾矿坝位移预测。利用Matlab神经网络工具箱对PSO-Elman神经网络、Elman神经网络、BP神经网络三种模型进行编程,结合工程算例,验证了PSOElman神经网络模型在尾矿坝位移监测数据预测分析中具有更好的预测效果。     

基于神经网络和灰色理论组合的变压器故障预测

基于变压器油中溶解气体分析(DGA)法是使用神经网络和灰色预测对变压器的故障进行预测的。主要是采集变压器油在各种情况下的数据,并对应其故障进行编码,再用Matlab编写神经网络进行训练,输入各特征气体百分含量,输出对应的故障编码。通过对比,发现神经网络预测精度高达80%,使用灰色理论对各特征气体含量进行预测,与实际值对比,预测精度很高。最后将各个特征气体含量转化为百分数,输入已训练好的神经网络系统,预测出变压器的状态。最终所预测出的故障和实际故障一致。     

神经网络模型在爆破震动强度预测中的应用研究

爆破震动控制一直是工程爆破界的一个重要研究课题 ,而如何对爆破震动进行准确地预测是进行震动控制的前提和基础。本文通过建立一个BP神经网络实现了对爆破震动速度的预测 ,并与常用的线性回归方法进行了比较 ,结果表明神经网络预测模型具有更高的精确性。     

小波和神经网络在采煤机故障诊断中的应用

进行采煤机截割部齿轮传动系统的振动测试,采用小波变换对振动信号进行去噪处理,经过小波去噪后的振动信号作为BP网络的输入,采用三层BP神经网络结构对采煤机截割部齿轮传动系统的故障进行了趋势预测,取得了满意的诊断效果。     

BP神经网络在岩体初始应力预测中的应用

为最大限度地利用矿区实测地应力数据资料,用BP人工神经网络方法进行了不同深度的岩体初始应力预测。根据金川矿区现有的地应力实测数据资料,说明了该方法的具体应用和计算过程,并建立了拓扑结构为1-12-3的BP神经网络;经过训练以后,用于地应力最大水平主应力、垂直主应力及最小主应力的预测。最后将地应力实测值、回归值、预测值作了对比,预测结果与实测值误差较小(±5%左右),能够满足工程需要。结果表明:只要选取合适的隐层节点数目及最优的网络结构,经一定次数的训练后,BP神经网络具有较高的预测能力;在一定条件下,应用于岩体初始应力研究和工程实践具有可行性。     

机械设备故障预测方法综述

在我国石油、电力、冶金、煤炭等行业，工业生产的机械设备越来越朝着大型化、高速化、精密化、系统化和高度自动化方向发展，机器故障对生产造成的影响和危害越来越严重。因此，对设备开展故障诊断及故障预测预报技术，实施设备的“预知”维修具有重要意义。     

前馈神经网络改进算法及其在矿床预测中的应用

利用凸函数共轭性质中的Young不等式构造前馈神经网络优化目标函数，这个优化目标函数对于权值和隐层输出来说均为凸函数，不存在局部最小。此目标函数的优化速度快．大大提高了前馈神经网络的学习效率。把这种快速算法应用于矿床预测，取得了良好效果。     

神经网络计算方法在煤与瓦斯突出预测中的应用

准确确定煤与瓦斯突出是对矿井安全生产十分有益的事。由于影响煤与瓦斯突出的因素很多，用传统方法很难对其进行准确预测。神经网络技术是一门在20世纪80年代中期兴起且在近年迅速发展的前沿交叉学科。它是以模拟大脑的思维方式进行计算的，比较善于处理多因素问题，因此用神经网络技术对煤与瓦斯突出进行预测是有一定的研究价值的。     

BP神经网络在煤矿爆破振动强度预测中的应用

根据BP神经网络理论,对煤矿主斜井爆破开挖产生的振动强度进行了预测。通过建立合理的网络预测模型,以影响爆破振动特征参量的主要因素作为模型的输入,在模型误差小于0.001的前提下,对21组数据进行了重点预测。参量预测误差均小于10%,可以满足该复杂场地条件下安全施工的预测要求。