基于神经网络的提升机主轴轴承磨损工况预测方法的研究

介绍了RBF神经网络的模型结构及其功能特点。根据提升机主轴轴承的磨损烈度监测历史数据,在MatLab环境下创建了RBF神经网络模型,设定各种参数后训练网络。利用训练好的网络实现对下一时刻提升机主轴轴承的磨损参数的预测,根据参数预测结果即可预判提升机下一时刻的工况。通过工程实例验证了该方法的可行性,结果显示本预测方法具有较高的精度和准确性。     

矿井提升机减速器状态监测与预报系统设计与软件开发

基于模糊理论与RBF神经网络建立了一种融合多种监测参数的提升机减速器状态综合评判与预报模型,并应用Visual Basic 6.0与Matlab 7.0开发工具开发了系统软件。该软件建立了一个数据库来管理减速器监测参数历史数据,并在此基础上来实现状态的评判或预报。通过实例分析测试了该软件的可靠性,结果显示该软件具有较高的精度和准确性。     

基于神经网络的摩擦式提升机减速点距离控制

目前提升机的减速点距离确定以等速段的速度为计算依据,从经济性考虑等速速度几乎不变,因此提升机的减速点距离设定方法没有与实际工况结合。采用负载作为计算提升机减速度的依据,将提升机减速段行程用减速度进行表达,此种确定减速点距离的方式可以适应更多的工况。从安全生产的角度出发,对提升机减速度的确定方法进行了设计,并分析了确定减速度的策略。为了提高预测精度,采用双模型RBF神经网络进行减速点预测,通过离线学习与在线校正相结合的方法提高了模型的预测精度。     

基于改进RBF神经网络的巷道变形预测模型

由于经典RBF神经网络中的隐含层节点数、连接权值等结构参数基本由经验获取,因此经典RBF神经网络模型的性能取决于建立模型专家的主观性,存在一定的盲目性和随机性,难以对巷道变形进行准确预测。为此,采用贝叶斯阴阳和谐学习算法对经典RBF神经网络模型的隐含层节点个数、连接权值等结构参数进行了优化,提出了一种基于改进RBF神经网络的巷道变形预测模型,即对角型广义RBF神经网络模型。采用潞安和兖州矿区的综放回采巷道的现场长期监测数据分别对经典RBF神经网络模型以及对角型广义RBF神经网络模型进行了试验分析,结果显示：①对巷道顶底板变形进行预测时,对角型广义RBF神经网络模型的准确率约92.2%,经典RBF神经网络模型的准确率约80.6%;②对煤帮变形进行预测时,对角型广义RBF神经网络模型的准确率约90.2%,经典RBF神经网络模型的准确率约78.6%。上述试验结果表明,对角型广义RBF神经网络模型对于巷道变形预测的精度明显优于经典RBF神经网络模型,对于高精度巷道变形预测有一定的参考价值。     

基于模糊神经网络的刮板输送机故障诊断

对刮板输送机常见故障类型进行总结与分类,介绍基于模糊神经网络的故障诊断流程,分析刮板输送机故障的影响因素,建立基于模糊神经网络的刮板输送机故障诊断模型,研究模糊聚类的依据以及RBF神经网络的学习流程。为了验证基于模糊神经网络故障模型的有效性,以刮板输送机减速器的诊断过程为例,采用MATLAB进行仿真,仿真结果表明,基于模糊神经网络的故障诊断结果与实际情况一致,相比传统RBF神经网络,迭代次数更少,性能更优。     

RBF神经网络在矿井通风系统可靠性评价中的应用

根据影响矿井通风系统的各因素,建立了一个基于RBF神经网络的矿井通风系统可靠性评价新模型。利用Matlab编程来确定各个参数,预测速度和精度明显提升,同时还使操作流程简化。经检验,实际情况与预测结果相符,所建立的RBF神经网络完全可以映射系统的可靠性等级,该方法简单易操作,有一定的应用价值。     

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。     

基于遗传算法的改进煤矿提升机管理信息系统安全评价研究

为了能够准确地评价煤矿提升机管理信息系统安全模型的安全性,深入地研究了遗传算法在其中的应用。首先,讨论了煤矿提升机管理信息系统安全模型的改进方法;其次,研究了煤矿提升机管理信息系统安全模型的评价方法;最后,进行了算例分析,分析结果表明基于遗传算法和RBF神经网络的煤矿提升机管理信息系统安全评价模型具有较好的自适应能力,同时,对改进煤矿提升机管理信息系统安全模型和传统煤矿提升机管理信息系统安全模型的风险值进行对比,分析结果表明改进的煤矿提升机管理信息系统安全模型更为安全。     

矿井提升机减速器的故障诊断

通过矿井提升机减速器的振动测试及频谱分析，准确诊断出减速器的故障，诊断结果与实际情况完全一致。表明对矿井提升机减速器进行振动诊断快速准确，切实可行。     

基于决策层的提升机减速器故障诊断方法研究

针对提升机减速器提出了一种决策层融合结构模型应用在齿轮故障诊断中。对各个传感器的信息进行神经网络属性判决,再将各神经网络的属性判决进行决策层融合,此种方法具有较强的灵活性,当传感器数目增加时,只需增加神经网络个数就可。对以上信息融合故障诊断方法经过试验研究,证明了方法应用在提升机减速器诊断系统中,减小了错判和漏判,提高了系统的可靠性,保证了提升机安全运行。     

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。     

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。     

Research on prediction for coal and gas outburst based on Matlab neural network toolbox and its application

In order to predict the danger of coal and gas outburst in mine coal layer correctly, on the basis of the VLBP and LMBP algorithm in Matlab neural network toolbox, one kind of modified BP neural network was put forth to speed up the network convergence speed in this paper. Firstly, according to the characteristics of coal and gas outburst, five key influencing factors such as excavation depth, pressure of gas, and geologic destroy degree were selected as the judging indexes of coal and gas outburst. Secondly, the prediction model for coal and gas outburst was built. Finally, it was verified by practical examples. Practical application demonstrates that, on the one hand, the modified BP prediction model based on the Matlab neural network toolbox can overcome the disadvantages of constringency and, on the other hand, it has fast convergence speed and good prediction accuracy. The analysis and computing results show that the computing speed by LMBP algorithm is faster than by VLBP algorithm but needs more memory. And the resuits show that the prediction results are identical with actual results and this model is a very efficient prediction method for mine coal and gas outburst, and has an important practical meaning for the mine production safety. So we conclude that it can be used to predict coal and gas outburst precisely in actual engineering.     

Mountain ground movement prediction caused by mining based on BP-neural network

Six main influencing factors: slope, aspect, distance, angle, angle of coal seam, and the ratio of depth and thickness, were selected by Grey correlation theory and Grey relational analysis procedure programmed by the MATLAB software package to select the surface movement and deformation parameters. On this basis, the paper built a BP neural network model that takes the six main influencing factors as input data and corresponding value of ground subsidence as output data. Ground subsidence of the 3406 mining face in Haoyu Coal was predicted by the trained BP neural network. By comparing the prediction and the practices, the research shows that it is feasible to use the BP neural network to predict mountain mining subsidence.     

基于RBF-FCM-OLS的边坡稳定性评价方法

RBF神经网络具有很强的非线性并行处理能力和泛化能力,并且有很快的学习收敛速度,不易陷入局部极小,在边坡稳定性评价中已得到广泛的应用.但其过分依赖于隐含层数据中心的选取是否合适,故引入模糊-C均值聚类(FCM)算法对其进行优化.以122组边坡样本作为样本总体,其中1～114组为训练样本,115～122组为测试样本,运用FCM算法在边坡训练样本中初选多个RBF网络的数据中心,在此基础上运用正交最小二乘法(OLS)训练网络,利用训练后得到的回归矩阵信息在初选结果中重新选择RBF网络的数据中心,从而使数据中心得到优化,简化了RBF神经网络的结构.将优化后的RBF神经网络应用到边坡测试样本的安全系数的预测中,得到较高的预测精度.该方法加快了RBF神经网络的训练速度,提高了运算速率,与传统的BP网络进行比较,进一步证明RBF及其学习算法的优越性和实用性.     

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。     

瓦斯涌出量灰色-RBF网络模型的建立与应用

为了减少瓦斯事故给煤矿生产带来的损失,本文在灰色模型预测煤矿瓦斯涌出量的基础上,结合神经网络理论,构建了灰色-RBF网络模型,充分利用灰色模型的"小样本、贫信息"的预测特点及RBF神经网络自学习、自适应能力特点。首先使用灰色模型对瓦斯涌出量进行初步预测,然后建立RBF网络模型进行再次预测,得到瓦斯涌出量的最终预测值;RBF网络模型的训练和预测计算用MATLAB软件完成。通过对安徽省某矿瓦斯涌出量的预测结果对比,灰色-RBF网络模型的预测误差分别为0.325和0.221,灰色模型预测误差为2.51和2.45,结果表明灰色-RBF网络模型预测明显高于单一灰色模型预测的预测精度。为煤矿瓦斯涌出量预测提供一种预测精度高的方法。     

基于卡尔曼滤波及神经网络的瓦斯涌出量预测

为解决当前瓦斯涌出量预测过程中存在的因影响因素过多、预测指标与瓦斯涌出量之间非线性关系及其自身时变性等特点而导致预测精度降低的问题,采用SPSS因子分析法对瓦斯涌出量影响因素进行分析降维,将得到的预测指标由构建的BP神经网络与卡尔曼滤波相结合的瓦斯涌出量预测模型进行预测。研究结果表明:采用因子分析的方法能够有效筛选瓦斯涌出量影响因素,并得到了预测指标,降低了预测模型预算复杂度;经过BP神经网络与卡尔曼滤波耦合瓦斯涌出量预测模型,其预测精度明显高于直接采用神经网络模型预测的结果,预测性能明显改善,其平均误差仅为2.75%,表明所采取的瓦斯涌出量预测方法是可行和有效的。     

基于GA-BP神经网络的毫秒延时爆破振动速度预测研究

由于基坑爆破开挖作用而产生的振动效应受多种因素综合影响,传统的经验公式预测振动速度难以满足目前爆破安全的需求.因此,如何优化爆破参数,减小爆破振动效应,对保证临近建筑的安全具有重要意义.基于某基坑工程现场爆破监测所得的400组样本数据,本文采用遗传算法(GA)优化BP神经网络,对振动速度进行预测,将GA-BP神经网络振...