蓄电池剩余放电时间综合分析模型研究

介绍了蓄电池剩余容量的综合分析模型。该模型首先建立在大量蓄电池历史监测数据的基础上,采用Levenberg-Marquardt优化的BP神经网络。通过在线监测设备获取电池电压、电阻、电流等实时数据输入模型计算,综合分析预测电池的健康状况,以及使用蓄电池相关信息来进行修正;在蓄电池组放电时,结合放电电压及所预测的蓄电池健康状况,进行模糊分类以及自适应求解,可以实时准确预测后备蓄电池在断电情况下的供电能力。     

基于MSCNN-GRU神经网络的采煤机摇臂剩余寿命预测

针对采煤机摇臂剩余使用寿命预测过程中数据高维度与时间序列相关信息难以挖掘等问题,提出一种多尺度卷积神经网络和门控循环单元神经网络融合的寿命预测方法。首先,利用多尺度卷积神经网络深层特征提取能力和门控循环单元神经网络的时间依赖特性,构建健康指标。其次,采用多项式拟合,预测状态值达到阈值1时的时间,实现摇臂RUL预测。试验结果表明,所提方法预测结果能够较好地接近真实寿命。     

矿井瓦斯涌出量预测的模糊分形神经网络研究

将模糊控制技术、分形理论中的时间序列分析方法与神经网络技术有机地结合起来，并运用于矿井瓦斯涌出量的预测中。通过对矿井瓦斯涌出量时间序列的模糊分形处理，用BP神经网络对影响因素间的非线性关系进行拟合。检验结果表明，模型可靠，预测精度高。     

基于T-S模糊神经网络的瓦斯涌出量预测

在对T-S模糊神经网络原理进行分析的基础上,采用MATLAB语言,利用赵庄二号井2314工作面所测得的数据,建立T-S模糊神经网络预测模型。该方法具有拟合性能强,预测准确度高的优点,可以作为采煤工作面瓦斯涌出量预测的方法,对于瓦斯治理有着重要意义。     

模糊神经网络技术在煤与瓦斯突出预测中的应用

由于煤与瓦斯突出发生的内在机理的复杂性、突出影响因素与突出事件之间的相关规律的不精确性和模糊性, 使得基于经验的传统预测方法和基于数学建模的统计预测方法的应用都受到很大限制． 而具有表达、处理不精确信息和实现信息影射变换双重特性的模糊神经网络, 通过训练能够捕捉、把握影响突出的因素与突出事件之间的特定相关规律, 从而有望实现煤与瓦斯突出的正确预测．     

牵引用铅酸蓄电池的检测技术

本文分析了铅酸蓄电池运行中存在的问题,总结了蓄电池技术检测以及使用管理的方法。     

基于模糊神经网络卡车路段行程时间实时动态预测

提出了一种基于模糊神经网络卡车路段行程时间实时预测模型，阐述了自适应神经网络模糊系统(Adaptive Network-based Fuzzy Inference System, ANFIS)网络原理和方法对行程时间预测的可行性和可靠性，采用最小二乘法和误差反传算法结合的混合学习算法，减少了搜索空间的维数，而采用的减法聚类方法减少了模糊推理规则.混合学习算法和减法聚类方法的应用提高了网络参数的辨识和收敛速度.实例仿真论证了该模型预测速度更快、准确性更高，实时性好，获得了比单纯使用神经网络或模糊理论更精确的预测结果.     

基于改进T-S模糊神经网络的瓦斯涌出量预测

该文针对瓦斯涌出量不容易确定的问题,提出基于改进T-S模糊神经网络的瓦斯涌出量预测方法,该方法很好的表达了瓦斯涌出量与其影响因素之间的复杂的非线性关系,解决了多输入单输出数据集的建模预测问题。预测结果与实际涌出量吻合度较高,表明了改进的T-S模糊神经网络在瓦斯涌出量预测上的可行性。为煤矿的安全生产中瓦斯涌出量的预测提供了一种新的途径。     

基于长短期记忆神经网络的采煤机摇臂轴承剩余寿命预测

为解决采煤机摇臂关键零部件的失效问题,基于长短期记忆神经网络（Long Short-Term Memory,LSTM）提出了一种创新性的方法,以预测采煤机摇臂轴承的剩余寿命。基于长短期记忆神经网络理论,通过建立轴承寿命退化指标,对轴承剩余寿命进行预测,同构利用分层抽样方法对数据集进行划分;通过引入粒子群算法优化LSTM,解决LSTM算法选择最优超参数的问题,提高轴承剩余寿命预测精度。研究结果表明,基于LSTM的轴承剩余寿命预测结果与实际轴承寿命变化情况基本一致,预测结果均在置信区间内,可以为轴承维修保养工作提供参考。     

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。     

一种模糊神经网络控制器

简单介绍了模糊技术和神经网络的关系 ,并给出了一种利用神经网络技术的模糊控制器的控制方案。应用模糊神经网络技术 ,将模糊逻辑与BP算法相结合 ,使该控制器具有很强的适应性 ,拥有模糊控制和神经网络的双重优点 ,适用于参数时变、纯滞后的高阶系统。     

基于模糊聚类及BP神经网络的采矿方法选择研究（增刊）

以某铁矿为工程背景,采用模糊聚类分析的方法对采矿方法进行初选,建立了模糊聚类初选采矿方法可行方案集,通过模糊动态聚类分析,得到了初选方案。基于BP神经网络的方法预测了初选方案的技术经济指标,运用层次分析法,综合考虑经济因素、资源利用率、劳动生产率、安全因素、合理程度五大类因素,构建了采矿方法优选的评价指标体系,最终通过模糊数学综合评判,选取了最优采矿方法。     

基于模糊神经网络的重介质密度控制

主要介绍了重介质密度在选煤厂生产过程中的工作原理和重要性 ,并且介绍了神经网络和模糊控制的各自优缺点 ,以重介质密度为控制对象 ,设计了一种模糊神经网络 ,能够满足系统控制的实时性和准确性。     

基于残差神经网络的矿井图像重构方法

针对煤矿井下噪声对可视化作业环境扰动影响,面向智能开采对井下作业目标的图像清晰化需求,研究基于机器视觉的矿井视频图像重构理论与方法,对提高矿井智能监控与安全开采技术具有重要意义。传统的视频监控系统采用经典的Nyquist采样定理来解决视频图像的信号采集、压缩和编解码问题,但矿井视频图像数据庞大,采用传统的编解码方法不仅浪费大量采样资源及增大系统开销,而且难以解决矿井视频图像重构时出现的信号保真度低、图像边缘模糊和视频传输时延等问题,其直接影响矿井智能监控系统性能与视频传输质量。针对矿井视频监控图像重构中存在的信号保真度不足及图像边缘模糊等问题,提出一种基于残差网络的图像压缩与重构方法。该方法通过建立一种新的残差神经网络结构,采用下采样矩阵将矿井图像进行压缩,再通过多次上采样将特征图变换为与原始图像相同大小的特征图,并使用残差网络块对其优化,最后利用优化后的重构网络将特征图聚合成重构图像。提出融合离散小波结构相似度损失与均方误差损失的损失函数方法,并据此训练网络参数。为评价本文所提出方法的有效性,实验选取了基于压缩感知的D-AMP,TVAL3算法和基于深度学习的ReconNet算法与之进行对比。结果表明,较小压缩比条件下对矿井图像重构,本文方法在结构相似度和峰值信噪比性能方面均优于其他算法;在噪声环境下,本文方法相较于其他方法,图像重构的峰值信噪比与结构相似度受噪声强度扰动较小,对噪声具有较强鲁棒性,较显著增强矿井重构图像的保真度和清晰度;在图像重构的时间复杂度方面,本文方法用时最短,有助于改善矿井视频监控系统的实时性。     

基于神经模糊的工业锅炉温度控制器的研究

结合温度的时变、滞后和非线性特性 ,提出了一种基于人工神经网络与模糊控制相结合的控制器。利用人工神经网络的自学习、自适应和并行处理的能力 ,将模糊控制规则转化为神经网络的学习样本。通过ANN的BP学习算法记忆这些规则样本 ,实验表明该控制器具有响应速度快、精度高和鲁棒性的特点     

应用模糊神经网络对重介质密度进行估算

介绍了重介质悬浮液密度在整个选煤过程中的重要性,综合神经网络和模糊控制的优点,提出了一种基于模糊神经网络的悬浮液密度估算方法。以模糊估算器抽象出来的模糊规则表作为神经网络的学习样本,利用神经网络的自学习能力,不断对网络权值和激活函数的参数进行修改,实现了在线修改模糊推理规则的目的。     

基于模糊神经网络的重介质悬浮液的密度和液位的控制

针对在重介质选煤过程中存在着时变、非线性和强耦合的控制环节,传统的控制策略并不能很好的对其进行控制的问题,采用了模糊神经网络控制算法,建立了重介质选煤过程的控制模型,该模型主要由模糊神经控制器控制主选分流执行阀和加介分流执行阀和清水阀来完成重介质选煤控制,对该控制策略进行工业试验,结果表明,对于重介质悬浮液密度和合格介质桶的液位的控制,采用模糊神经网络控制策略精度高,响应速度较快,可满足生产工艺的控制要求。     

基于模糊神经网络的岩性智能识别及其应用

在对岩石分类的基础上进行岩性识别。提出了基于神经网络驱动模糊推理方法,目的在于将神经网络和模糊推理二者所长能够较好地结合起来,使得分析系统既具有推理功能,又具有很强的学习能力,这样更能适合变化复杂的牙轮钻进过程,更能接近人的思维方式,为难以模型化的牙轮钻进自动控制以及未来的智能钻机研究开辟了一条有效途径。在具体的分类、学习推理和计算应用中,比较使用了改进的BP网络、采用L－M算法的BP网络及径向基函数网络（RBFN）等。