旋流-静态微泡浮选柱分选指标的BP神经网络预测

采用BP神经网络模型,对不同操作条件下的分选指标进行了预测。选取捕收剂用量、起泡剂用量、循环压力和进气量作为输入因子,精煤灰分和可燃体回收率作为输出因子,建立了分选指标与操作参数的BP神经网络预测模型。结果表明：BP神经网络模型能准确预测分选指标,预测值与试验值之间误差小,精煤灰分和可燃体回收率的预测值与试验值的相对误差一般小于5%。     

采煤机摇臂剩余寿命预测系统设计与开发

为了预测采煤机摇臂的剩余寿命并将预测过程和结果集成于系统进行动态可视化显示,设计并开发了基于ASP.NET框架的采煤机摇臂剩余寿命预测系统。利用Microsoft Visual Studio 2010系统开发软件,采用C#语言中Process类进程调用方法驱动Python语言编写的深度学习寿命预测模型运行,结合相关控件对生成的图像和数据结果进行调用、解析和输出,完成寿命预测模型与Web系统的嵌套和交互,实现采煤机摇臂关键零部件剩余寿命预测值的可视化和数字化。最后,通过采煤机摇臂低速区惰轮机构与高速区轴承数据集验证了所开发系统的可行性与有效性。     

基于卷积神经网络的采煤机故障分类与预测研究

利用卷积神经网络收敛速度快的特点,采集采煤机的运行状态参量并对此进行故障预测与分类研究。实验表明,故障分类准确率达到98.67%,在绝大多数采集时间点,模型的预测值与实际值基本没有误差,所以,设计的基于卷积神经网络的采煤机故障分类与预测模型有助于现场工作人员对故障进行分析与处理。     

基于PCA-RBF神经网络模型的煤层厚度预测

基于淮北某矿区的地震属性参数和钻井数据,利用逐步回归分析方法,优选出与煤层厚度有着显著相关性的参数,通过构建主成分分析算法-径向基函数神经网络模型,预测煤层厚度的变化趋势,并将井旁道的煤层厚度预测值保留,作为下一个未知区域预测模型的输入参数,从而获得更准确的煤层厚度预测值。通过不断扩展预测范围,并对其进行持续分析,从而实现整个研究区域煤层厚度的准确预测。分别对比RBF和PCA-RBF 2种神经网络模型预测的煤层厚度与真实值的绝对误差、相对误差以及相关系数,其中PCA-RBF神经网络模型的预测值与真实值之间的绝对误差为0～0.08 m,相对误差为0%～4%,相关系数为0.999 9。结果表明,PCA-RBF神经网络模型预测得到的煤层厚度变化趋势更接近于真实值,预测结果的精度更高,能够为煤矿安全生产、减少成本、提高效益提供强有力的技术支持。     

基于混合核函数支持向量机的顶板砂岩富水性研究

为了寻求一种能够较好地预测煤层顶板砂岩富水性等级的方法,以桑树坪煤矿为例,分别采用BP神经网络、K最近邻分类法、决策树和支持向量机算法对其顶板砂岩富水性进行预测。比较发现,基于支持向量机的预测模型准确率最高为87.5%,节点错误率最低,优于其他3种模型。为了进一步提高模型预测准确率,建立了煤层顶板砂岩富水性的混合核函数支持向量机预测模型,当λ_1=0.05与λ_2=0.95时预测准确率达到100%。研究结果表明,以条件属性作为输入、决策属性作为输出的混合核函数支持向量机预测模型能较好地预测煤层顶板砂岩富水性等级,效果较好。     

云南红土抗剪强度指标的神经网络模型研究

以水泥加固红土的直剪试验结果为基础,运用人工神经网络理论建立起云南红土抗剪强度指标的神经网络模型。该模型的输入层向量包括水泥加入比例和试样养护时间两个影响因素,输出层向量为粘聚力和内摩擦角两个抗剪强度指标,隐层传递函数确定为正切函数,输出层传递函数确定为对数函数,隐层神经元数目确定为5。预测结果表明,该神经网络模型能够反映水泥加入比例和试样养护时间对红土抗剪强度的影响,预测的抗剪强度指标与实测值接近,预测效果较好。     

基于神经网络的采煤机系统故障预测与诊断研究

通过监测采煤机的实时工作状态参数,并利用神经网络在数据处理方面具有高度的并行性的特点,对采煤机系统的故障属性进行预测与诊断。结果表明,除在极少数时间节点外,采用该方法得到的预测值与实际值的误差都较小。因此,基于神经网络的方法,建立采煤机系统的故障预测与诊断模型,有利于提高故障的诊断效率,对现场施工具有一定的理论指导意义。     

基于AGB组合模型的采煤机运行状态预测方法研究

针对单-预测模型用于预测采煤机运行状态预测精度差、适用性差的问题,深入研究了时间序列ARIMA预测模型、灰色GM(1,1)模型以及BP神经网络预测模型的结构原理,提出了一种基于AGB组合模型的采煤机运行状态预测方法。该方法首先获得各模型的预测结果,并对各模型计算出的方差作为AGB组合模型的输入,使用方差-协方差权重法对各模型的权重进行计算,最后对组合模型的预测结果进行求解分析。实验结果表明,基于AGB组合模型的预测方法对于采煤机运行状态的预测结果残差方差为0.001 3,平均相对误差为2.81%,均低于单-模型预测结果。     

煤灰软化温度建模与预测

基于Elman网络建立了煤灰软化温度预测模型,该模型以煤灰成分为输入向量,以煤灰的软化温度为输出向量。为了选取最优预测模型,分别讨论了输入向量维数、隐含层单元数以及激励函数对模型预测结果的影响。使用获得的最优网络模型对测试样本进行测试,结果表明该模型的预测精度高于常规BP网络。由所建最优预测模型可知,存在一个最优的煤灰成分分析数量。     

基于滤波预测的电牵引采煤机自动控制系统研究

电牵引采煤机控制系统的自动化程度影响着煤炭开采的效率,采用卡尔曼滤波预测电流作为反馈实现恒功率截割从而提高开采效率。在对电牵引采煤机系统组成结构进行分析后,对牵引部控制方案进行详细设计,通过监测电流反馈煤岩的硬度,并采用卡尔曼滤波算法根据前时刻采集的电流、协方差矩阵等预测下一时刻的电流,将其反馈给PLC控制器,实现恒功率截割。仿真结果显示,卡尔曼滤波预测方法的预测值与真实值之间的误差较小,可用于电牵引采煤机牵引控制中。     

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。     

基于改进PSO-ELM的尾矿坝稳定性分析

为了更准确地对尾矿坝稳定性进行预测,采用训练速度快、参数设置简单、准确度较高的极限学习机（ELM）模型,针对ELM模型在训练过程中随机产生的连接权值和隐含层阈值,导致泛化能力不足、模型稳定性差的问题,引入基于线性递减权重法改进的粒子群算法（IPSO）对其进行优化,提出了尾矿坝稳定性预测的改进粒子群优化极限学习机（IPSO-ELM）模型。将该模型运用到尾矿坝实例预测中,在选取的35个样本数据中,将前30组作为训练样本,后5组作为测试样本,以内摩擦角、边坡角、尾矿坝材料重度、孔隙压力比、内聚力和边坡高度6个尾矿坝稳定性影响因素为输入参数,以尾矿坝稳定性安全系数为输出参数,将预测结果与ELM模型和PSO-ELM模型对比,结果表明,IPSO-ELM模型有较高的预测精度,预测值逼近于实际值,验证了IPSO-ELM模型在尾矿坝稳定性评价中的可靠性和有效性。     

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...     

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偏置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机(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WOA-ELM算法的矿井突水水源快速判别模型

我国是世界上煤炭生产量和消耗量最大的国家,但由于水文地质条件复杂,在煤矿生产过程中煤层顶底板突水事故频发,常常造成严重的经济损失和人员伤亡,快速精准地判别水害来源是矿井突水水害防治的关键步骤。基于河北开滦赵各庄矿的67个水样实测数据,将Na⁺,Ca²⁺,Mg²⁺,Cl^-,SO₄^2-,HCO3^-六种离子的物质的量浓度作为输入项,突水水源类型为其输出项,应用鲸鱼优化算法(WOA)改进极限学习机(ELM)形成WOA-ELM判别模型实现突水水源判别。研究结果表明:以往的单一极限学习机具有稳定性差的缺点,采用鲸鱼算法对其权值和阈值进行迭代寻优,通过环形包围、气幕袭击、随机搜索3种方式的鲸鱼优化算法对最优参数进行搜索,收敛速度快、全局搜索能力强。根据座头鲸捕食行为建立的数学模型,由于猎物(突水)位置不确定,WOA算法首先假设当前的最佳候选解是目标猎物位置或最靠近猎物的位置,然后通过随机产生向量A和概率p来决定鲸鱼更新位置的方式。当|A|>1时随机搜索猎物;当|A|<1时,以0.5为分界点,p<0.5选择环形包围模式,p>0.5则通过螺旋运动来更新位置。依据最低适应度值得到最优个体的位置,最终将输出的42个最优权值和阈值赋给ELM模型,对待测样本进行判别。通过对比,WOA-ELM判别模型在矿井突水水源识别中的准确率高达95%以上,与单一ELM模型相比,准确率提升了15%左右。与支持向量机模型(SVW)、粒子群优化的极限学习机(PSO-ELM)模型以及灰狼优化算法改进的极限学习机(GWO-ELM)模型等相比,该模型具有更快的收敛速度与更高的精度,稳定性和泛化能力也均得到提升。     

基于抛掷爆破预测的BP神经网络参数优化方法

研究了不同隐含节点个数、训练函数、转移函数、学习率对BP神经网络预测结果准确性和收敛速度的影响;对比分析了参数优化后的BP模型与径向基神经网络、支持向量机预测模型的结果;并应用某露天矿抛掷爆破作业的实测数据进行了相关实验。实验结果表明：最优BP模型的拓扑结构为10-6-3;最佳的训练函数为LM函数,正切和线性函数的组合为最优的转移函数,最佳的网络学习率为0.77;参数优化后BP模型的最远抛掷距离、抛掷率、松散系数的预测结果与测试样本的标准差最小,分别为9.567 8,0.036 3,0.041 4,即参数优化后的BP模型预测结果最优。     

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。     

ELM神经网络爆堆形态预测模型的研究及应用

以Moore-Penrose广义逆的定义和欧几里德空间内线性系统的最小二乘范数解原理为基础,运用Extreme Learning Machine(ELM) 神经网络--一种快速的前向神经网络学习算法,以Weibull函数的2个控制参数 α,β 以及松散系数 ξ 为输出层,提出了一种预测高台阶抛掷爆破爆堆形态的模型。该预测模型提高了爆堆形态预测的准确度,通过对黑岱沟露天煤矿爆堆形态的预测表明,ELM神经网络高台阶抛掷爆破爆堆形态预测模型的预测准确度高于同期使用BP神经网络预测的结果,更加接近于爆堆实际形态。     

基于最小二乘支持向量机的混合动力地下铲运机电机输出转矩预测

针对电机转矩传感器体积较大,在当前的大部分工程机械和汽车中无法安装,造成无法直接实时采集电机的输出转矩的问题。在分析电气系统组成的基础上,提出了基于最小二乘支持向量机(LS-SVM)算法的电机输出转矩预测模型。模型以混合动力地下铲运机分别在地下试验巷道和眼前山地下矿山巷道工作时采集的载荷谱作为训练和测试样本,以混合动力地下铲运机电机的实际转速、电机直流端电流、电机直流端电压、电机控制器温度和电机绕组温度作为训练模型的输入,以电机的输出转矩作为输出,从而使基于最小二乘支持向量机的模型能够更加全面的体现影响电机输出转矩的影响因素。研究结果表明该模型具有良好的预测精度和适用能力。