基于改进RBF神经网络的巷道变形预测模型

由于经典RBF神经网络中的隐含层节点数、连接权值等结构参数基本由经验获取,因此经典RBF神经网络模型的性能取决于建立模型专家的主观性,存在一定的盲目性和随机性,难以对巷道变形进行准确预测。为此,采用贝叶斯阴阳和谐学习算法对经典RBF神经网络模型的隐含层节点个数、连接权值等结构参数进行了优化,提出了一种基于改进RBF神经网络的巷道变形预测模型,即对角型广义RBF神经网络模型。采用潞安和兖州矿区的综放回采巷道的现场长期监测数据分别对经典RBF神经网络模型以及对角型广义RBF神经网络模型进行了试验分析,结果显示：①对巷道顶底板变形进行预测时,对角型广义RBF神经网络模型的准确率约92.2%,经典RBF神经网络模型的准确率约80.6%;②对煤帮变形进行预测时,对角型广义RBF神经网络模型的准确率约90.2%,经典RBF神经网络模型的准确率约78.6%。上述试验结果表明,对角型广义RBF神经网络模型对于巷道变形预测的精度明显优于经典RBF神经网络模型,对于高精度巷道变形预测有一定的参考价值。     

基于模糊神经网络的往复压缩机的性能预测研究

为了能够准确地预测出离心泵的性能参数值,利用了径向基函数神经网络(RBF)建立对其进行性能预测的神经网络模型,可以研究离心泵的流量,叶片出口安装角,压力比和效率之间的神经网络与预测关系。利用MATLBA软件实现了RBF神经计算,分别对离心泵的压力比和效率进行了性能预测,预测效果表明,RBF神经网络的计算模型可以提高预测效率和预测精度。     

基于灰色RBF神经网络瓦斯涌出量预测

影响瓦斯涌出量的各种因素往往存在高度非线性,神经网络适合处理高度非线性数据,但样本数据随机性往往容易影响神经网络模型的预测精度,所以将改进的灰色模型引入进来弱化样本的随机性。又考虑到瓦斯预测上,RBF神经网络比BP神经网络更有优势,通过做差值将改进的灰色GM(1,1)模型和RBF神经网络结合起来,建立灰色RBF神经网络模型。仿真实验证明,灰色RBF神经网络模型比RBF神经网络模型的预测精度更高,达到了较理想的预测效果。     

基于神经网络的提升机减速器工况预测研究

针对传统监测方法无法实现提升机减速器工况预测的缺点,利用Matlab神经网络工具箱建立了提升机减速器工况参数的预测模型。对比模型预测值和实际测量值表明:BF和RBF神经网络模型预测结果和实际值的误差均小于10%,证明了神经网络模型用于减速器工况预测的可行性。对比BP和RBF神经网络预测结果,表明RBF神经网络模型训练时间短,预测精度高,更加适用于井下提升机减速器工况参数预测。     

电力系统绝缘子污闪事故仿真分析

绝缘子表面泄漏电流对污闪过程起着十分重要的作用。泄漏电流量与污秽层的性质、污秽量、湿润方式和外施电压等因素有关。随着湿度和电压的增加,放电加强,绝缘子串泄漏电流的高频成份幅值越来越大,当闪络时达到最大,而低频段基本保持不变。通过分析这个现象可以判断绝缘子污秽程度。     

基于RBF神经网络的采煤机姿态预测控制

针对采煤机姿态自动控制难题,提出了基于RBF神经网络的采煤机姿态预测控制方法。该方法在传统记忆截割的基础上,结合采煤机工作参数,采用RBF神经网络对煤岩特性进行辨识,进一步修正煤岩预测界面,提高其预测精度和可靠性。同时,对滚筒调高系统采用基于RBF神经网络的预测控制方法,在Matlab/Simulink中仿真表明比传统控制方法实时性提高1.5 s。     

基于RBF神经网络的瓦斯涌出量预测

传统瓦斯涌出量预测方法存在一定的局限性,预测精度不能满足要求。为了提高瓦斯涌出量预测精度,采用RBF神经网络对瓦斯涌出量相关数据进行建模。通过训练13组样本,对5组数据进行预测,分析了隐层神经元个数对预测精度的影响,并与同结构的BP神经网络预测结果进行了对比。研究结果证明了RBF神经网络在瓦斯涌出量预测中的有效性。     

基于RBF神经网络的离心压缩机的性能预测研究

利用径向基函数神经网络(RBF)建立对离心压缩机性能预测的神经网络模型,从而能够精确地预测出离心压缩机的性能参数的大小,能够分析离心压缩机的流量,叶片出口安装角,压力比和效率之间的神经网络与预测关系。应用数值计算软件MATLBA软件完成了离心压缩机的性能预测,分别对离心压缩机的压力比和效率进行了性能预测,预测效果表明,RBF神经网络的计算模型可以提高预测效率和预测精度。     

劣化复合绝缘子闪络特性研究

复合绝缘子由于其质量轻体积小、机械性能好、抗污能力强、安装方便的特点而被大范围使用,但由于复合绝缘子伞裙和芯棒材料在使用中容易产生劣化,劣化后的复合绝缘子电气性能将会降低,其自然闪络及污秽闪络特性有待研究。选取的样品为运行5~7年的220 kV复合绝缘子,进行了劣化复合绝缘子的自然状态污闪试验和人工污秽闪络试验。研究发现,不同劣化程度的复合绝缘子在自然状态下的闪络特性差距较大,且随着劣化程度的降低,闪络电压呈现增加的趋势。闪络电压最高的样品为最低样品闪络电压的3.956 7倍。对于6支绝缘子试品,其低压端试验样品污闪电压明显低于高压端试验样品,低33%~64%。对于不同劣化程度的复合绝缘子,其闪络电压均随着SDD的增加而降低,且污秽对轻度劣化绝缘子闪络电压影响较大。劣化复合绝缘子闪络电压和SDD之间依然满足负幂函数关系,且随着劣化程度的降低,其幂函数常数a逐渐增加。研究结果对外绝缘劣化复合绝缘子防污工作具有指导和借鉴意义。     

基于粒子群算法与RBF神经网络的露天矿边坡稳定系数预测

为准确构建边坡稳定影响因素与稳定状态之间的复杂非线性函数,基于粒子群算法全局搜索能力及RBF神经网络非线性变换和局部逼近能力,提出了一种基于粒子群算法与RBF神经网络的露天矿边坡稳定系数预测方法.实践应用表明:与单纯的RBF神经网络方法相比,基于粒子群算法与RBF神经网络预测露天矿边坡稳定系数精度可靠、性能稳定.     

RBF神经网络技术预测煤矿地下水位方法的优化研究

实时预测煤矿地下水水位及其分布范围对于煤矿的安全生产至关重要。以韩城象山矿区的历史水文数据为研究依据,采用RBF神经网络技术,对预测该地区的地下水水位进行了研究。针对RBF神经网络的不足,对RBF算法的中心点数量,计算欧氏距离时各分量的权重进行了优化,导出了ARBF算法。数据对比表明,ARBF神经网络算法达到了更为理想的效果。     

BP和RBF神经网络在起重机钢丝绳断丝数量预测中的比较研究

利用MATLAB工具箱函数分别建立了起重机钢丝绳断丝数目检测的BP神经网络和RBF神经网络模型,并对2种模型的结构、预测精度和训练过程进行了对比研究。结果表明,在一定的样本集和训练条件下,BP和RBF神经网络均能对钢丝绳的断丝数目进行很好预测,可以解决峰值、阀值波宽、小波能量和波形下面积对钢丝绳断丝数目的非线性映射关系,能够满足工程预测的需要。但RBF神经网络较BP神经网络在迭代次数、收敛速度和网络结构方面更具优势,因此其预测能力和泛化能力都优于BP神经网络。     

一种基于耦合算法的矿井风流温度预测新方法

针对矿井风流温度预测工作的复杂性及各个影响因素的模糊的非线性关系,传统预测方法难以构建预测模型,导致预测精度低的特点,提出一种基于RBF神经网络的矿井风流温度预测方法;并利用粒子群算法对RBF神经网络参数进行寻优,利用煤矿历史数据对预测模型进行仿真研究。结果表明,提出的基于改进粒子群算法的RBF神经网络模型(MPSO-RBF)具有收敛速度快,预测精度高的特点,为矿井风流温度预测领域提供理论支撑。     

基于RBF神经网络瓦斯水合物生成压力预测研究

瓦斯水合物生成是复杂的结晶过程,不同组分和浓度瓦斯生成水合物时压力等热力学参数的获取对水合物技术的应用具有非常重要的意义。鉴于此,利用径向基神经网络方法对瓦斯水合物生成压力进行了预测。针对瓦斯水合物生成边界条件,确定了RBF神经网络的输入、输出向量,建立了RBF神经网络瓦斯水合物生成压力计算及预测模型,并用实验数据进行了验证。结果表明,该模型对瓦斯水合物生成压力的拟合和预测具有计算精度高、速度快等优点。RBF神经网络研究为瓦斯水合物生成压力预测提供了一种新途径。     

基于RBF神经网络模型的盾构施工地表沉降预测

盾构施工引起的地表沉降是造成周边建筑物及管线变形的重要因素。针对BP神经网络在预测地表沉降中具有收敛速度慢、精度误差大的缺点,结合苏州地铁2#线友联—桐泾公园段地质工程资料,建立了RBF神经网络模型对地表沉降进行预测。结果表明:RBF神经网络模型的预测精度优于BP神经网络模型,与实测曲线吻合度较好,具有一定的实用价值。     

基于MATLAB的RBF神经网络在建筑物沉降预测中的应用

介绍了RBF神经网络的模型和结构,提出将该网络应用于建筑物沉降预测。运用Matlab工具箱函数建立了沉降预测网络模型,编制了计算程序,通过工程实例验证了该模型的正确性和可行性,并和BP神经网络在收敛速度上进行了比较,结果表明RBF神经网络的收敛速度远远快于BP网络。     

数控切削加工表面粗糙度RBF神经网络预测模型

针对数控切削加工表面粗糙度存在预测精度不高的问题,采用径向基(RBF)神经网络技术,以多组实际加工试验数据作为样本,建立了以转速n、进给速度vf、背吃力量ap为自变量的切削表面粗糙度预测模型。试验及预测结果表明:切削表面粗糙度RBF神经网络预测模型的预测相对误差小于2.7%,而回归分析预测值的相对误差在7.1%～14.0%变动。充分说明数控切削加工表面粗糙度RBF神经网络预测模型的预测精度高,可满足数控切削加工表面粗糙度实时在线预测的要求。     

基于RBF神经网络的堤防管涌预测方法

影响堤防管涌的各种因素是不确定和随机的,在堤防管涌的发生过程中各因素间表现出复杂的非线性行为。运用基于RBF神经网络的基本原理,建立了堤防管涌预测的RBF神经网络模型,从新的角度研究堤防管涌的预测问题,对该问题进行了探索性的研究。对该理论的建立以及预测方法进行了系统的讨论,为该领域的研究提供了完整的技术方法。对于23个典型堤防管涌实例的研究表明,RBF网络较BP网络有较高的预测精度,较短的预测时间和较快的预测速度,能够较好地描述堤防管涌的非线性特征。     

基于神经网络的提升机主轴轴承磨损工况预测方法的研究

介绍了RBF神经网络的模型结构及其功能特点。根据提升机主轴轴承的磨损烈度监测历史数据,在MatLab环境下创建了RBF神经网络模型,设定各种参数后训练网络。利用训练好的网络实现对下一时刻提升机主轴轴承的磨损参数的预测,根据参数预测结果即可预判提升机下一时刻的工况。通过工程实例验证了该方法的可行性,结果显示本预测方法具有较高的精度和准确性。     

熵权法径向基神经网络的截割粉尘浓度模型与预测

通过分析粉碎性能指标、截线间距、转速、摆动速度和每线齿数对截割粉尘浓度的影响,采用一种结构简单,收敛速度快,能够逼近任意非线性函数的广义RBF神经网络与熵权法确定各影响指标的权重,建立熵权法RBF神经网络截割粉尘浓度预测模型。仿真结果表明:熵权法RBF神经网络可以准确预测掘进工作面粉尘浓度。