博克斯－詹金斯模型在煤矿顶板安全监测中的应用分析

针对矿井深部开采、顶板来压显现加剧、巷道维护状况恶化和煤矿顶板事故等多发情况,分析顶板来压动态参数实 现连续在线监测是智慧化矿井发展的必然趋势,首先,分析了博克斯—詹金斯模型在煤矿顶板安全监测中的应用,然后对顶板来压数据实时预测分析,实现预警报警功能,最后通过ARMA算法的零均值化处理和精估计迭代,预测结果误差小、精度高、实用性强,很好地满足安全管理的需求。     

KJ765矿用顶板压力监测系统在关岭山煤矿的应用

本文就关岭山煤矿KJ765矿用顶板压力监测系统的应用做了介绍,解决了传统机械式仪器数据采集的不方便、不准确、不及时费时费力的难题,是矿压监测技术的一次飞跃。关岭山煤矿利用KJ765矿用顶板压力监测系统,准确的监控工作面液压支架的工作状况,能够精准的分析采煤面顶板的周期来压规律,预测顶板垮落步距,顶板离层位移,确保了工作面的安全高效生产,能够对巷道围岩支护的稳定性、安全性及可靠性进行准确的评估。     

煤岩动力灾害非接触电磁辐射监测系统及应用

地下开采过程中经常会发生煤与瓦斯突出、冲击矿压、顶板冒落等动力灾害,传统的接触式预测方法已经不能适应现代化采煤生产和安全的需要.利用煤岩受载下的电磁辐射规律和原理,开发研制了煤岩动力灾害电磁辐射非接触监测预警系统,该系统主要由高灵敏度电磁辐射接收天线、电磁辐射主机等组成.并通过国家MA标志和防爆检验,并在现场对煤与瓦斯突出、冲击矿压进行了监测预警,取得了成功推广应用.     

基于模糊神经网络智能预测模型的设计与实现

针对智能决策支持系统中经常遇到的预测类问题,根据人工神经网络和模糊逻辑系统的各自特点,设计一种模糊神经网络模型,将模糊系统用类似于神经网络的结构表示,再用相应的学习算法训练模糊系统实现模糊推理.并对此模型进行预测验证和编程实现.     

基于LSTM网络的矿山压力时空混合预测

矿山压力失衡引起的顶板事故是矿山重大事故之一,超前感知综采工作面矿山压力的变化对保证煤层安全高效具有重要意义。为了提高矿压预测准确性,文中提出了一种基于LSTM网络的时空混合预测模型。该模型采用两个独立的LSTM网络分别提取采空区侧和支架移架侧的压力特征,然后将得到的数据通过全连接层融合,从而实现对矿压的共同预测。文中以MSE和MAE来评估基于LSTM的时空混合模型的预测效果,实验结果表明MSE和MAE分别下降了24.49%和35.24%,说明基于LSTM的时空混合预测模型优于传统LSTM预测模型,且时空混合模型预测方法较传统模型具有更高的可靠性和准确性,能够实现工作面推进过程中对矿压变化的有效预测。     

人工神经网络非线性背景下物联网技术社区时序预测的应用研究

社区时序数据建模是世界各国的学者研究的新型热点课题,人工神经网络环境下复杂非线性物联网技术社区时序数据系统得到了海量实践的应用。本课题对非线性物联网技术社区时序数据预测神经网络中存在的几个瓶颈进行分析探讨,基于提出人工神经网络非线性视角下物联网技术社区时序数据预测中的应用研究来优化预测神经网络环境下中的瓶颈。因此,通过人工神经网络社区数据的仿真实验表明该算法的高效性和实用性。     

基于情感神经网络的风电功率预测

风力发电功率预测对于风能并网具有重要意义.采用一种可用于复杂系统和模式建模的新型神经网络——情感神经网络,对风力发电功率进行预测.为防止ENN在训练时陷入局部最优解,提出采用遗传算法对其进行训练.采用预测误差的均方根和标准差衡量预测准确性、稳定性,对ENN性能进行了检验.结果表明,相比于人工神经网络、支持向量机和自滑动回归模型,ENN能够获得更高的预测准确率和预测可靠性.     

激光切割工艺参数的智能选择系统

提出用试验设计与人工神经网络相结合的方法,建立了一个激光切割工艺参数的选择优化的智能系统.通过试验设计的方法,只需做少数几次切割试验,将试验结果输入人工神经网络中进行训练和学习,系统便可经过自学得到切割结果与切割参数之间的隐含的定量关系,获得切割知识.在实际切割时,系统根据学到的切割知识,可以对任何给定的切割条件进行推理,对切割参数进行结果预测和优化.这种方法既不需要做大量的工艺试验,也不是单纯的专家经验,而是结合了两者的优点,使结果预测建立在既有试验数据又有专家知识的基础上,因而更加可靠、准确.该系统在激光方位切割的具体应用表明,系统能够准确给出定量的加工参数.     

基于人工神经网络的城区气象要素预测方法研究

人工神经网络以其独特性及优越性,受到越来越多科研工作者的重视。如果建立反馈型人工神经网络,就可以充分发挥计算机的高速运算能力。对已有数据的分析、运算,必将使天气预测系统产生翻天覆地的变化。     

基于GA-BP神经网络的茶叶蔗糖量检测模型研究

采用近红外光谱技术结合反向传播人工神经网络算法建立了茶叶中蔗糖含量的检测模型,并通过引入遗传算法改进了模型预测质量.预测模型采用120个茶叶掺蔗糖样品的傅里叶变换漫反射光谱数据建立.对另外42个样品的预测结果表明,基于传统的反向传播人工神经网络算法模型的相关系数为0.738 0,预测均方根误差为3.075 4,正确识别率为83.3％;增加遗传算法后相关系数提高到0.941 9,预测均方根误差为1.3176,正确率为88.1％,训练误差减小一个量级以上.实验结果表明,反向传播人工神经网络模型可用来检测茶叶中的蔗糖含量,同时,引入遗传算法优化了神经网络的初始权值和阈值,使预测误差更小.