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。     

基于神经网络的提升机减速器工况预测研究

针对传统监测方法无法实现提升机减速器工况预测的缺点,利用Matlab神经网络工具箱建立了提升机减速器工况参数的预测模型。对比模型预测值和实际测量值表明:BF和RBF神经网络模型预测结果和实际值的误差均小于10%,证明了神经网络模型用于减速器工况预测的可行性。对比BP和RBF神经网络预测结果,表明RBF神经网络模型训练时间短,预测精度高,更加适用于井下提升机减速器工况参数预测。     

基于RBF神经网络的离心压缩机的性能预测研究

利用径向基函数神经网络(RBF)建立对离心压缩机性能预测的神经网络模型,从而能够精确地预测出离心压缩机的性能参数的大小,能够分析离心压缩机的流量,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。应用数值计算软件MATLBA软件完成了离心压缩机的性能预测,分别对离心压缩机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。     

软岩锚注巷道围岩变形量的时序预测

为反映软岩锚注巷道围岩的变形在时间上的变化规律,利用径向基函数RBF神经网络强大的非线性映射能力,通过已经观测到的巷道围岩变形数据,建立软岩锚注巷道围岩变形量的时序预测模型．利用训练好的模型和当前观测数据得到了软岩巷道在锚注之后3,9,15及30d的顶底变形量和两帮相对变形量．实例分析表明,该预测模型能弥补现场观测和数值模拟的不足,预测结果具有较高的精度．同时也说明锚注支护能有效控制软岩巷道围岩的变形．     

BP和RBF神经网络在起重机钢丝绳断丝数量预测中的比较研究

利用MATLAB工具箱函数分别建立了起重机钢丝绳断丝数目检测的BP神经网络和RBF神经网络模型,并对2种模型的结构、预测精度和训练过程进行了对比研究。结果表明,在一定的样本集和训练条件下,BP和RBF神经网络均能对钢丝绳的断丝数目进行很好预测,可以解决峰值、阀值波宽、小波能量和波形下面积对钢丝绳断丝数目的非线性映射关系,能够满足工程预测的需要。但RBF神经网络较BP神经网络在迭代次数、收敛速度和网络结构方面更具优势,因此其预测能力和泛化能力都优于BP神经网络。     

RBF神经网络在岩爆预测上的运用

岩爆是煤矿生产中常见的动力灾害,岩爆的预测一直是矿井灾害预测中的难点。由于岩爆的发生突然、机理复杂、干扰和影响因素多,因此很难对岩爆进行有效的预测。人工神经网络具有并行分布处理与存储、高度容错、自组织、自适应和自学习功能,能分析较为复杂的非线性系统。文中以MATLAB7.0为开发环境,利用其神经网络工具箱的RBF网络,通过一套权值和阀值来仿真模拟岩爆对岩爆进行预估。通过实际模拟表明利用RBF神经网络对岩爆进行预估是一种成功的的方法,其预测结果与实际情况相一致,说明利用该网络模型对岩爆的预测是可靠的。     

RBF神经网络在边坡稳定性中的应用研究

为克服BP网络模型具有算法收敛速度慢、易陷入局部极小值的缺陷,应用RBF神经网络建 立了边坡稳定性分析模型.预测结果表明,基于RBF神经网络建立的模型是合理的、可靠的.在此 基础上分析了3种影响因素对边坡稳定性的敏感性,按照敏感性自高而低的顺序依次是内摩擦角、内 聚力、岩体容重.     

基于神经网络的钻探事故类型判别模型研究

钻探孔内事故会造成严重的损失,若钻探设备能及时判断孔内事故类型,则可缩短事故处理时间,遏制事态发展。提出了一种基于神经网络的钻探事故类型判别模型。为了优选不同神经网络在事故类型判别时的正确率,在Matlab的nntool工具箱中分别构建了BP、RBF两种神经网络模型,将某矿区施工参数变化趋势作为输入参数,通过仿真试验发现,BP神经网络中表现最好的是LM、BR算法,RBF神经网络中表现最好的是PNN算法,三者准确率均可在90%以上,但BP神经网络容易陷入局部最优,性能不稳定,偶有判别错误的现象,而PNN神经网络无此局限,且不需要训练。通过对比,PNN算法更适用于事故类型判别模型建立。     

基于RBF神经网络的采煤机姿态预测控制

针对采煤机姿态自动控制难题,提出了基于RBF神经网络的采煤机姿态预测控制方法。该方法在传统记忆截割的基础上,结合采煤机工作参数,采用RBF神经网络对煤岩特性进行辨识,进一步修正煤岩预测界面,提高其预测精度和可靠性。同时,对滚筒调高系统采用基于RBF神经网络的预测控制方法,在Matlab/Simulink中仿真表明比传统控制方法实时性提高1.5 s。     

基于神经网络的除尘器故障诊断

针对目前除尘器故障诊断主要基于人工经验判断并结合停机检查,存在科学性与自动化水平不足、诊断效率低等问题,分析了除尘器滤芯破损、清灰失效、滤芯堵塞、卸灰障碍4个主要故障类型,选取粉尘排放浓度、过滤阻力、入口风量、漏风率、耗气量5个诊断参数,建立了除尘器故障诊断的BP和RBF神经网络预测模型。实例分析表明:BP神经网络模型收敛速度快,预测效果理想,可以准确判断除尘器故障类型,对滤芯破损、清灰失效、滤芯堵塞、卸灰故障的平均预测误差分别为0.035%、0.110%、0.118%、0.215%,预测结果优于RBF神经网络。     

基于改进粒子群优化RBF神经网络的轧制力预报

依据RBF神经网络的非线性逼近能力和自学习特性, 提出基于RBF神经网络的建模方法。将最近邻聚类用于RBF神经网络隐层中心向量的确定, 并采用改进粒子群算法对最近邻聚类的聚类半径进行优化, 合理确定了RBF神经网络的隐层结构, 提出了一种基于改进粒子群算法的RBF神经网络(IMPSO-RBF)。将该网络应用于轧制力的预报, 与基本粒子群算法优化的RBF神经网络比较, 仿真结果表明其在预报精度和收敛速度上都有很大提高。     

基于RBF神经网络的露天矿爆破效果预测研究

露天矿爆破是一个受诸多因素共同影响的系统工程,是露天开采的重要环节之一,其爆破效果的优劣直接影响后续工序的完成。提高爆破技术水平和爆破质量,对矿山安全和生产具有重要的意义。本文通过随机森林选择影响爆破效果的主要参数,结合模糊评价确定爆破综合效果,建立了RBF神经网络爆破效果预测模型。将该模型应用于矿山爆破效果预测中,并将爆破现场实测的11组数据作为模型训练样本,另外5组现场数据作为预测样本进行测试,通过与BP神经网络比较,发现RBF神经网络的预测性能更为优越,可广泛应用于现场实践中。     

免疫RBF神经网络PID控制器在矿井输送机中的应用

针对如今复杂被控对象大滞后、非线性和时变性的特点,研究把人工免疫算法和RBF神经网络相结合对PID控制器进行参数寻优,应用到矿井输送机上。利用人工免疫算法,无需事先确定隐层结点个数,设计了一种动态的RBF神经网络,并且分析基于免疫算法的RBF神经网络的PID控制器的算法结构。通过仿真实验得知:研究设计的免疫RBF神经网络的PID控制器在抗干扰性、跟随性和鲁棒性方面都表现出了良好的控制效果,非常适合用于控制模型不确定的情况。     

GRNN神经网络在矿区地表变形预测中的应用

针对矿区地表变形预测受多种因素影响的复杂性、非线性等特点,基于新型广义回归神经网络（GRNN）,构建了矿区地表变形预测模型。首先,介绍了GRNN的建模原理,并对影响GRNN网络预测的关键因素进行了讨论;其次,为了提高网络的泛化能力及预测精度,采用滚动建模方式对网络进行建模训练,并基于最小均方误差原理提出了交叉验证搜索算法对GRNN网络预测关键参数平滑因子SPREAD进行优选;最后,将优化后的GRNN网络应用于某矿区地表变形预测,并与LM-BP、RBF、回归分析3种模型的预测效果进行了比较,结果表明,GRNN网络泛化能力强、算法稳定,且预测精度较高,适合于矿区地表变形预测。     

基于RBF神经网络的瓦斯涌出量预测

传统瓦斯涌出量预测方法存在一定的局限性,预测精度不能满足要求。为了提高瓦斯涌出量预测精度,采用RBF神经网络对瓦斯涌出量相关数据进行建模。通过训练13组样本,对5组数据进行预测,分析了隐层神经元个数对预测精度的影响,并与同结构的BP神经网络预测结果进行了对比。研究结果证明了RBF神经网络在瓦斯涌出量预测中的有效性。     

k-means和QGA优化RBF神经网络模型在导水裂缝带高度预测方面的应用

导水裂缝带高度选取精度的高低直接影响到水体下采煤系统的安全性。为准确预计导水裂缝带高度,本文构建了RBF神经网络基础模型,采用QGA量子遗传算法和K-means算法对基础模型进行优化,获得了K-means和QGA优化的RBF神经网络导水裂缝带高度预计模型。模型经过训练学习和检验,发现模型预计精度满足工程精度需求,且与PSO-RBF神经网络相比,精度更高、收敛速度更快。