基于PSO-LSSVM的矿井冲击地压分级预测研究

为准确预测煤矿冲击地压灾害,提出一种基于粒子群算法(PSO)优化最小二乘支持向量机(LSSVM)预测方法,即冲击地压分级预测的PSO-LSSVM方法。该方法综合考虑煤矿开采深度、地质构造、煤的坚固性系数、最大主应力、煤层倾角变化、煤厚变化、顶板岩层厚度、开采工艺、顶板和底板岩石强度共10项指标因素,构建冲击地压预测指标体系。利用PSO搜索方法对LSSVM模型的核参数σ和惩罚因子f快速寻优,再将优化参数输入LSSVM模型中,构建基于PSO-LSSVM方法的冲击地压危险性分级预测方法,并进行工作面实例预测。研究结果表明:与其他预测方法相比,PSO-LSSVM方法具有计算效率高、准确性高、操作简便等特点,现场应用效果良好。     

基于遗传算法的BP-LSSVM组合变权模型权重优化的短期电价预测研究

为了能够精确预测短期电价为市场参与者提供有效的决策指导,首先对电价数据进行水平处理,然后建立BP神经网络(BPNN)和最小二乘支持向量机(LSSVM)组合变权模型(BP LSSVM),同时提出采用遗传算法(GA)对该组合变权模型的权重进行优化,最后将权重优化之后的GA BP LSSVM模型应用于美国PJM电力市场的边际电价预测,并与传统的LSSVM与BPNN的预测结果进行比较,结果表明,该组合变权模型能够提供更加精确的预测电价。     

基于神经网络的煤矿机械设备状态监测记录模型

煤矿机械设备参数变化规律主要体现在煤矿机械设备技术参数监测记录中,将设备技术参数监测记录视为关于时间变量的函数,并用神经网络模型加以表示。首先介绍了人工神经元模型、神经网络学习方法以及动态仿真等相关理论知识,在此基础上对基于神经网络的煤矿机械设备状态监测记录模型具体应用进行阐述。     

基于混沌相空间重构的IGA-LSSVM在线煤矿工作面瓦斯浓度预测模型的研究

为了改进煤矿工作面瓦斯浓度预测可靠性和精度,运用基于混沌相空间重构的免疫遗传最小二乘支持向量机瓦斯浓度预测方法,把瓦斯浓度当做一组非线性混沌时间序列,使用相空间重构以恢复混沌时间序列在高维空间的运动轨迹,即混沌吸引子,运用IGA-LSSVM模型预测混沌吸引子未来的运动轨迹,再把预测的运动轨迹还原到时间序列中,得到预测的瓦斯浓度。研究表明,运用混沌IGA-LSSVM模型预测瓦斯浓度,由于引入了混沌吸引子,使模型不同于传统预测所建立的主观模型(如神经网络),而是直接根据数据序列本身计算出来的客观规律(混沌吸引子)进行预测,并且使用免疫遗传算法(IGA)对LSSVM模型的参数进行优化选择,可以避免预测的人为主观性,提高预测的精度和可信度。     

煤矿机械设备的故障诊断及维修技术探析

近几年,因煤矿机械事故所带来的经济损失和人身伤亡事故对煤矿企业和社会的健康稳定发展造成了极为不利影响。基于此,文章以我国煤矿机械设备发展现状入手,就如何对机械设备故障进行有效诊断和维修进行了探讨研究,以便为矿企和社会的稳定发展作出应有贡献。     

基于改进的FOA-LSSVM磨矿粒度软测量模型

以典型的两段磨矿回路为研究对象,针对磨矿粒度在线检测困难而难以满足实时控制的难题,提出一种新的软测量建模方法。应用最小二乘支持向量机(LSSVM)进行磨矿粒度软测量建模,为解决参数设置的盲目性,利用改进的变步长果蝇优化算法(FOA)较强的寻优能力对LSSVM的惩罚系数和核参数进行优化。对该模型进行预测仿真,同时与网格搜索法、粒子群法和未改进的果蝇算法优化的LSSVM模型进行对比实验。结果表明,相对于其他模型,改进的FOA-LSSVM收敛速度快,预测精度最高,较好地实现了对磨矿粒度的实时检测。     

基于DE-BA-LSSVM的露天矿边坡稳定性预测

针对LSSVM参数优化耗时长且效果差的问题,提出了一种基于差分蝙蝠算法(DE-BA)的LSSVM参数寻优办法,利用BA的全局寻优能力和DE的局部搜索能力,优化LSSVM的核参数(C)和惩罚参数(σ2),并建立了基于DEBA-LSSVM的露天矿边坡稳定性预测模型,选取某露天矿边坡实际数据进行了对比分析。结果表明:3种预测模型中,DE-BA-LSSVM模型的平均相对误差为2.6%,预测效果最好,为采用LSSVM解决露天矿边坡稳定性预测问题提供了新的方向。     

煤矿机械设备低速重载工况运行中齿轮箱故障分析

煤矿机械设备故障是煤矿开采中常见的问题,对煤矿开采工作具有较大的影响,而齿轮箱故障则是煤矿机械设备最常见的机械故障。本文结合大同焦煤矿中煤矿机械设备的实际运行情况,对煤矿机械设备低速重载工况运行中齿轮和轴承故障的诊断进行深入的分析和实践研究,讨论故障诊断常用信号处理方法。     

现代化矿井中煤矿机械装备的应用探讨

我国对矿井中煤矿机械设备的研究一直都没有松懈,现代化矿井中的煤矿机械设备也在不断的得到完善,煤矿机械设备包括液压支架、采煤机、刮板输送机以及带式输送机等机械设备。笔者对现代化矿井中能够应用到的煤矿机械设备进行了系统的分析和探讨,并展望了煤矿机械设备在我国现代化矿井中的应用前景,形成以监测、控制、视频、音频、传输与一体的智能化机械系统,确保一系列机械设备连续、高效、安全的运行。     

露天煤矿边坡稳定性预测的PSO-LSSVM模型

边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。针对煤矿边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取煤矿边坡工程中岩石重度、粘聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数等七项因素为边坡稳定性的影响因素,建立了PSO-LSSVM的煤矿边坡稳定性预测模型。利用煤矿实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM在煤矿边坡稳定性预测中有较高的准确度。     

煤矿机械设备中故障诊断技术的应用分析

煤炭是我国重要的能源之一,在煤矿开采过程中煤矿机械的良好运行非常重要。由于受诸多因素的影响,煤矿机械设备故障的发生不可避免,如何提高煤矿机械设备故障诊断效率,保证煤矿机械设备连续运行对于煤矿企业生产经济效益的提升具有重要的意义。根据煤矿机械设备的特点及类型,对故障诊断技术在煤矿机械设备中的应用进行了简单的分析。     

煤矿技术中机械装备结构优化设计

煤矿机械设备在煤矿生产中占据着重要地位,机械装备的结构、性能和质量对矿山的生产和安全都会产生很大的影响,因而对煤矿机械装备进行结构优化,提高机械的性能和质量具有十分重要的意义。文章从煤矿机械设备的设计现状、设计方法以及现代化设计方法在煤矿机械设备中的应用等方面提出了自己的认识,从而强调了优化煤矿机械设备结构的重要意义。     

煤矿机械磨损失效及表面改性技术的研究

为了解决煤矿设备磨损失效、使用寿命短的问题,对煤矿设备的失效形式及原因进行分析,采用等离子熔覆技术和激光熔覆技术对煤矿机械设备进行表面改性处理,并结合工业性试验应用效果,结果表明:先进的表面改性技术可以大幅改善煤矿机械设备的表面性能,解决煤矿机械设备的磨损失效问题,有效延长煤矿机械的使用寿命,具有明显的技术优势和竞争优势,是煤矿机械未来发展的必然趋势。     

煤矿开采沉陷预测模型的三维虚拟仿真

煤矿开采沉陷预测受多参数影响下,沉陷预测效果可视性较差,引入三维虚拟仿真技术进行煤矿开采沉陷预测。构建煤矿开采沉陷复杂模型,计算沉降区域的三维关键点坐标,再选取煤矿开采沉陷约束指标,通过模糊权重方法计算沉陷指标权重数值,并判断开采沉陷预测等级,实现了煤矿开采沉陷预测。运用MATLAB仿真软件,模型进行三维模拟应用。仿真实验数据显示：模型对煤矿开采沉陷预测等级误差为0.63%,煤矿开采沉陷预测效果值高于最低限值,充分证实了方法的可行性。     

煤矿机械设备的远程维护研究

随着科学技术的不断发展,煤矿机械设备的功能也变得越来越强大和复杂,这种趋势一方面减轻了对机械设备进行操作的劳动强度,但是另一方面也给机械设备的维护保养工作带来了新的问题。研究了一种基于PLC和PC技术的远程维护系统,提出了通过远程数据收集以及数据库的诊断,从而对煤矿机械设备进行智能化维护的方法,能够有效地提升煤矿机械设备的维护效率。     

基于事件响应模型监测煤矿区地表沉陷

煤矿开采沉陷监测预报对矿山安全生产具有十分重要的意义。运用灰色理论中GM(1,1)模型,在进一步提高预测精度的基础上提出事件响应模型,并进行煤矿开采沉陷区地表下沉值的预测分析,通过与GM(1,1)模型预测值比较,表明事件响应模型具有较好的沉陷预测效果。经煤矿开采区试验表明,在预测煤矿开采沉陷中,采用事件响应模型预测精度更高。     

故障检测诊断技术在智能化煤矿机电设备中的应用分析

文章对煤矿机械设备维修、维护的类型进行分析,研究了煤矿机械设备故障的主要因素,并针对性阐述了故障检测诊断技术在智能化煤矿机电设备中的具体应用.     

煤矿机械设备的设计与制造工艺解析

通过对我国煤矿机械设备的发展分析,探讨我国的煤矿采煤方式与采煤技术,从而解析适用于我国煤炭开采的机械设备的设计以及制造工艺,对未来的采煤机械设备的发展趋势进行简要的分析。     

煤矿机械设备的使用维修和故障诊断

机械设备运行状况是否正常直接影响着煤矿企业的生产进程的持续性以及经济效益的高低。文章首先对煤矿机械设备的维护种类进行了简单介绍,阐述了实践中比较常用的几种设备故障诊断技术,同时提出进一步提升煤矿机械设备可维修性的对策建议。     

基于季节-WNN组合模型的煤矿事故预测

为了对矿山生产领域安全状况演化趋势进行准确预测,考虑实际生产中的季节性因素,本文构建季节-WNN组合模型对生产事故进行预测。其中,采用X-12-ARIMA模型对安全事故时序进行季节调整,将其分成平稳时间序列和季节因子序列。季节因子序列每年呈现相同规律,用WNN模型预测平稳时间序列,再按照乘法模型还原为真实预测序列。本文以我国煤矿生产安全为背景,将2015—2019年煤矿月度死亡人数作为观测值进行建模,预测2020年月度煤矿事故死亡人数,并将其与2020年煤矿事故月度死亡人数的真实值进行验证,将几种典型的预测模型与本文所构建模型进行对比分析。结果表明：我国煤矿事故存在显著的季节性特征,季节-WNN组合模型的平均相对误差为1.1%,预测精度显著优于单一的预测模型,且与我国煤矿事故实际走势较为吻合,具有良好的预测效果。预测模型可为安全事故的预测提供方法和指导,也可为煤矿安全生产监管决策提供依据。