基于范数优化极限学习机的矿浆浓度预测

选矿过程中的矿浆浓度是一个重要的生产工艺参数,一般可以通过预测矿浆浓度来提高生产效率。由于矿浆浓度和其他的生产工艺参数往往非线性相关,这给矿浆浓度的预测带来了很大困难。本文针对此问题,基于极限学习机这一面向神经网络的新颖学习算法,提出了一种矿浆浓度预测新算法。首先,使用相空间重构方法对矿浆浓度数据进行预处理,从一维转换到多维。然后,使用基于L2范数的极限学习机算法(ELM-L2)建立时序预测模型,实现预测功能。围绕来自于某矿厂的真实生产数据进行了实验验证,结果显示,针对大规模的数据样本集,所设计的算法与传统神经网络预测算法相比,训练时间大约减少了30%,而预测精度大约提高了48%。实验结果表明了所设计预测算法的有效性。     

基于超限学习机的煤矿井下水泵故障诊断研究

应用超限学习机(ELM)对煤矿井下水泵故障特征信息进行分类,进而完成水泵的故障诊断。实验结果表明,对于井下水泵的常见故障进行分析,应用超限学习机对井下水泵进行故障诊断与识别,诊断运时短,且诊断准确度高。     

MS系列矿浆浓度自动控制系统的研制

ＭＳ－Ｉ、Ⅱ矿浆浓度自动控制系统针对大滞后、强干扰体系设计,与常规ＰＩＤ控制系统相比结构简单,操作方便,运行稳定,电动执行机构动作频度低,无故障使用周期长;ＭＳ－Ⅲ型是在Ⅱ型基础上的改进,使控制系统的动态和静止特性进一步提高,更有利于避免超调现象。     

MS-Ⅲ微机型多道矿浆浓度自控系统

本文简要叙述了ＭＳ系列矿浆浓度自动控制系统的技术特点及应用情况,并着重介绍ＭＳ－Ⅲ微机型多点矿浆浓度自控系统的设计原理及工作过程。     

基于极限学习机的煤自然发火预测研究

针对煤层自然发火的预测问题,以标志气体分析法为基础,提出了一种基于极限学习机的煤自然发火预报模型,该模型将直接构造出指标气体浓度与煤层是否自然发火之间的非线性映射关系,从而实现对煤层是否自然发火的识别分类。     

超细磨矿物矿浆温度和浓度与黏度相关性分析

以5～30μm石英与黄铁矿为研究对象,在不同温度、不同矿浆浓度条件下进行黏度试验,探究石英矿和黄铁矿在超细磨条件下的黏度变化规律。结果表明,相同粒度条件下,石英和黄铁矿的黏度都随矿浆浓度增大而增大,粒度越细,黏度增幅越大,且石英黏度变化幅度比黄铁矿更明显;相同矿浆浓度条件下,石英和黄铁矿的黏度都随温度升高呈先降再升趋势,且粒度越细影响越显著。回归分析结果表明,石英和黄铁矿的黏度与矿浆浓度之间均符合指数拟合模型;在超细磨矿过程中,矿浆浓度不宜超过40%,矿浆温度宜控制在50℃左右,该参数条件有利于提高磨矿效率。     

非接触式多通道矿浆浓度在线检测系统及方法

在鞍钢集团关宝山矿业有限公司选矿厂进行了矿浆浓 度人工取样和在线检测的对比试验,验证某矿浆浓度在线检 测系统的准确性、经济性、适用性。试验使用烘干称重法,使 用取样桶在磨磁车间二次强磁工艺管口位置进行取样,在浮 选车间北侧实验室进行烘干计量工作。在取样点每次取4 个样本,取平均值以消除取样偏差,然后与在线检测系统的 浓度值进行比对。共进行现场取样44d,取得有效数据88 组。所有数据中偏差小于1.5%的有84组,占比95.45%,大 于1.5%的有4组,占比4.55%。在线检测系统浓度偏差最 大值 3.49%,最 小 值 0.01%,平 均 偏 差 0.79%,标 准 差 0.53%。结果表明,浓度在线检测系统精度高、实时性好,完 全可以取代人工检测方式应用于生产。     

基于极限学习机的采煤机功率预测算法研究

为减少对领域专家的过分依赖,实现企业专家经验知识的继承,面向采煤机方案设计中总体技术参数的确定过程,结合采煤机条件属性与决策属性间的映射关系,提出了基于极限学习机的采煤机功率预测模型。采用遗传算法选定最佳隐层神经元个数,利用递进方式比选确定激励函数,随机产生输入权值及隐元偏置,由此计算隐层节点输出矩阵、隐层与输出层连接权重,进而完成建模与优化。模型可根据用户输入的不同原始设计条件输出采煤机功率的预测值。选用某煤机企业的实例数据进行算例分析,将其与基于支持向量机回归预测模型进行对比,实验结果表明,ELM模型可实现600 ms内完成单次功率预测,预测值与真实值平均相对误差在2.5%以内。其预测精度优于SVM模型,且在学习速度方面优势明显,推理效率显著提高。     

基于神经网络算法的爆破振动预测模型开发北大核心

爆破地震效应是爆破过程中最为常见的负面效应之一。对地面振动进行准确预测是预防和控制爆破地震效应的前提。研究中,采集了76组爆破振动数据,基于神经网络算法,提出了8种不同的爆破振动预测模型,并考虑了神经元数量、传递函数和学习函数等超参数对神经网络模型预测精度的影响。选择了三种统计指标对模型性能进行评估,并对所开发模型的性能进行了比较。结果显示,建立的ANN-3模型具有最高的预测精度,其相关系数、决定系数和均方根误差分别为0.972、0.945和1.949。得到了神经网络的最佳参数配置:网络结构2-12-1,输入层-隐藏层-输出层之间的传递函数为logsig-pureling,学习函数为learngd。研究成果有助于提高矿山生产爆破的安全,特别是作为爆破设计过程中的辅助工具,便于爆破工程师更好的控制爆破振动,以及为围岩稳定性评估提供决策支持。     

核极限学习机在浮选回收率中的研究与应用

浮选回收率是浮选过程中重要的生产指标。需要通过人工检测得到的浮选回收率,可知性具有较大的时间延迟,使工人不能及时有效地对生产做出相应控制调整。由于浮选过程相当复杂,变量维数高、关联性强、噪声大、检测信号不完备等因素,难以建立较精确的回收率预测模型。然而,人工智能与机器学习技术能在机理不清楚、信息不完备的情况下,对复杂系统建立基于数据驱动的经验模型。因此,本文为提高回收率检测的及时性、有效性,在分析浮选过程相关因素影响的基础上,提出基于核极限学习机建立浮选回收率的预测模型。仿真实验结果表明,该建模方法可有效辨识浮选过程中,输入数据与回收率测量值之间的非线性关系,且具有更高的预测精度与训练性能。     

基于极限学习机的矿井突水水源快速识别模型

在煤矿突水灾害防治过程中,需要快速准确地识别出突水水源类型。激光诱导荧光技术具有灵敏度高和快速监测的特点,利用该技术获取水样的荧光光谱。光谱经卷积平滑预处理和主成分分析提取特征信息后,采用极限学习机算法建立多元分类学习模型。确定隐含层激励函数为Sigmoid函数,并通过交叉验证法确定最优隐含层节点个数。从训练网络的平均时间、训练和测试的平均分类准确率和标准差方面,与BP和SVM传统分类算法进行了性能比较。结果表明:在训练集和测试集上的平均分类准确率方面,该模型与传统分类模型基本一致,但该模型分类准确率的标准差最小,说明其具有较稳定的分类性能;在训练模型学习时间方面,该模型能够大幅度降低分类学习时间,说明其具备快速识别突水水源性能。     

金属矿深部开采岩爆危险预测的GA-ELM模型研究

为对金属矿山深部开采时岩爆的危险性进行预测,在总结深部开采岩爆发生机理的基础上,综合选取影响岩爆发生的3个重要因素作为岩爆预测的判别因子。搜集国内外金属矿深部开采岩爆的实例作为训练样本,引入极限学习机算法(ELM),针对该算法的不足,采用遗传算法(GA)对其相关参数进行优化,建立了岩爆预测的GA-ELM模型,并与单一ELM模型进行对比。利用该岩爆预测模型对一典型金属矿深部开采进行岩爆预测,结果与实际情况相吻合。研究结果表明,岩爆预测的GA-ELM模型训练效果及泛化能力均优于单一ELM模型、SVM模型及传统的BP模型,且该模型能够对金属矿深部开采的岩爆进行准确有效地预测,具有一定的工程应用价值。     

基于因子分析的极限学习机在煤与瓦斯突出等级识别中的应用

煤与瓦斯突出预测是一个非线性、非正态和高维数据处理问题,为了提高预测的准确性和时效性,采用因子分析法将原有的9个判断指标转化为4个综合性指标,再将转化后的指标作为极限学习机(ELM)的输入,充分发挥极限学习机学习速度快、泛化能力强以及容易获得全局唯一最优解的特点,快速准确地进行诊断识别,和BP神经网络、支持向量机SVM比较,极限学习机的建模时间短,对样本数据预测的准确性高,具有借鉴价值。     

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VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。     

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。     

Application of phase space reconstruction and v-SVR algorithm in predicting displacement of underground engineering surrounding rock

A new method for predicting the trend of displacement evolution of surrounding rock was presented in this paper. According to the nonlinear characteristics of displacement time series of underground engineering surrounding rock, based on phase space reconstruction theory and the powerful nonlinear mapping ability of support vector machines, the information offered by .the time series datum sets was fully exploited and the non-linearity of the displacement evolution system of surrounding rock was well described. The example suggests that the methods based on phase space reconstruction and modified v-SVR algorithm are very accurate, and the study can help to build the displacement forecast system to analyze the stability of underground engineering surrounding rock.