煤体冲击倾向性指标权系数与冲击危险性研究

为了准确地反映煤体冲击倾向性,统计分析了大量的实验数据,采用遗传算法优化BP神经网络方法确定了冲击能量指数、弹性能量指数、动态破坏时间的冲击倾向性指标权重系数,并通过专家打分法对其进行修正,根据实验数据的统计规律,分别建立了每项指标的模糊隶属函数,从而形成煤体冲击倾向性的模糊综合评价体系,通过与实际结果进行对比表明:基于遗传算法优化的BP神经网络与专家打分法确定的权重具有较好的可信性。     

基于神经网络的矿山安全预警专家系统

为了预防和减少矿山安全事故,本文首先对基于神经网络的矿山安全预警专家系统进行了总体设计,其次采用神经网络训练方法分析系统的安全状态,制定安全级别,提出合适的安全措施计划,然后基于大量规则的知识库,通过传统BP与改进BP的实验仿真,采用优化后的BP神经网络算法进行推理,大大提高了推理效率,最后系统进行了实验,结果表明系统预测结果与实际情况基本一致,可以在煤矿中推广使用。     

基于BP神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力,可以很好地描述频率特征和诊断结果之间的关系。建立了基于BP神经网络的旋转机械故障诊断模型,并用此模型对旋转机械的故障进行了诊断,实验证明基于BP网络的旋转机械故障诊断方法具有较高的使用价值。     

基于小波包-SVD和IPSO-BP的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳性和非线性特点以及BP神经网络结构参数差等因素导致滚动轴承故障识别准确率低的问题,提出一种基于小波包结合奇异值分解(SVD)和改进粒子群算法(IPSO)优化BP神经网络的滚动轴承故障诊断方法。首先通过小波包对振动信号进行分解与重构,得到不同频段的信号之后利用SVD提出有效的故障特征向量,输入到BP神经网络中进行测试。考虑到BP神经网络结构参数差等因素,使用IPSO对BP神经网络进行优化,最后测试得出结果。对比实验模拟和现场数据验证表明,基于小波包-SVD和IPSO-BP的滚动轴承故障诊断准确度大大提高。     

基于BP神经网络电动机转子故障诊断方法的研究

利用BP神经网络对转子故障进行建模分析。发挥神经网络的自学能力和联想能力,对非训练样本,做出控制决策,表现非常灵活。可根据实验数据进行网络训练,用新数据进行模型验证。还与概率神经网络(PNN)进行对比验证。实验表明只要选择合适的节点数,BP神经网络比概率神经网络对转子故障有较强的学习和辨识能力,收敛较快,性能稳定,预测结果显著。     

基于IGWO-BPNN的露天矿卡车故障预测方法

为有效解决露天矿中卡车的故障预测问题，提出了一种基于改进灰狼算法的BP神经网络模型，并成功应用于预测露天矿卡车故障次数和故障持续时间。首先，针对传统灰狼算法的不足，引入了新的非线性更新机制和基于线性插值的种群更新机制，提出了融合多策略的改进灰狼优化算法。其次，将IGWO应用于BP神经网络的权值和阈值搜索中，形成了基于IGWO的BP神经网络模型(IGWO-BPNN)。最后，以宝日希勒露天煤矿卡车故障数据为例，成功将该模型应用于卡车故障预测研究。结果表明，在相同实验条件下，与其他算法相比，IGWO-BPNN具有更高的模型预测性能和分类精度，可帮助露天矿山科学制定卡车预防性检修计划，并为智慧露天矿山建设提供科学有效的基础决策数据。     

基于粒子滤波信号处理的柴油机故障诊断

采用基于神经网络的重要性权值调整的粒子滤波算法对预处理后的振动信号进行降噪、小波包能量谱提取,将提取到的能量谱作为特征向量用BP神经网络对其进行故障模式分类识别。对经过粒子滤波降噪的数据和没有经过处理的数据分别用BP神经网络进行诊断,之后进行训练、测试和诊断。结果表明经过粒子滤波降噪后的数据诊断效果比较好,也证明了基于神经网络粒子滤波降噪的效果较好。     

基于主因子分析的改进BP神经网络瓦斯涌出量预测

为提高回采工作面瓦斯涌出量预测效率和准确率,基于反向BP神经网络,采用主因子分析法对变量进行降维处理;结合遗传算法(GA)和附加动量法,采用遗传算法优化BP神经网络初始权值和阈值,建立基于主因子分析的GA—BP神经网络预测模型,并在权值反向更新过程中引入动量项。选取开滦矿业集团钱家营矿井瓦斯涌出量监测数据作为标签数据与输入数据,对不同网络模型进行了仿真与分析,结果表明：改进的GA—BP神经网络模型在603个时间步长里达到收敛,平均相对误差约为0.58%,预测精度和效率均优于其他神经网络模型,能更有效地实现瓦斯涌出量的准确预测。     

基于神经网络的提升机盘式制动器摩擦磨损性能预测

 针对矿用提升机盘式制动器,基于BP神经网络对进行摩擦磨损性能预测。BP神经网络的构建主要利用了Matlab和Visual Basic的混合编程,合理的选择特征指标之后,通过实际实验对提升机闸瓦进行样本采集,对各个训练函数比较分析之后,即得到了最终的神经网络。     

地表沉陷预测的改进BP神经网络模型

为了更加准确地预测地表沉陷变形,基于Adaboost算法采用多网络共同计算策略改进了BP神经网络,通过实际沉降数据对Adaboost算法改进后的神经网络进行训练,预测地表最大下沉量、影响角正切和拐点偏移距,将预测的3个参数代入概率积分法中,建立了地表沉陷公式,对改进效果和地表沉陷公式分别进行了验证。结果表明:(1)通过对比改进前后BP神经网络的计算精度,未经过Adaboost算法改进的BP神经网络误差明显大于改进后的BP神经网络,说明基于Adaboost修正后的BP神经网络计算精度得到了有效提升;(2)基于BP神经网络对最大下沉量、影响角正切和拐点偏移距3个参数进行预测,结合概率分析法,能够实现稳沉后采空区主断面上方地表沉降规律的准确描述。以鲁西南地区某矿3301采空区地表为例,利用改进BP神经网络预测了地表最大下沉量、影响角正切和拐点偏移距,进而给出了地表沉陷曲线,与现场实测结果对比显示:改进BP神经网络的最大误差小于0.105 m,最大相对误差为4.3%,证明了所提计算方法的可靠性。