基于灰色关联分析与GA-BP神经网络的拉斗铲生产能力预测

为了解决拉斗铲生产能力的测量问题,本文提出一种基于灰色关联结合GA-BP 神经网 络的预测方法。 对影响拉斗铲生产能力的12个因素进行灰色关联分析,选取实动时间、出动率、 有效抛爆量和有效抛掷率4个灰色关联度大于0.7的影响因素作为输入变量,拉斗铲月生产能 力作为输出变量,建立了GA-BP神经网络和BP 神经网络预测模型。 结果表明,GA-BP 神经网 络最大相对误差为8.786% ,平均相对误差为3.385% ,平均相对误差方差为0.0156,迭代次数 为18次,各项性能均优于常规BP神经网络。 GA-BP神经网络模型对拉斗铲生产能力预测的泛 化性能更好,精度更高,为拉斗铲生产能力的预测提供了一种较为有效的方法。     

基于灰关联分析的拉斗铲作业效率研究

分析影响拉斗铲作业效率的主要因素,可以提高拉斗铲的生产能力,降低生产成本,提高矿山经济效益。通过研究拉斗铲作业效率影响因素,选取了实动时间、炸药单耗、采装周期和满斗系数4个可量化的指标作为比较数列,以拉斗铲月生产能力作为参考数列,结合黑岱沟露天煤矿拉斗铲现场作业统计数据,采用灰关联分析方法,确定了满斗系数是影响拉斗铲作业效率的最主要因素。针对分析结果,结合现场实际生产,提出了单斗卡车辅助拉斗铲进行剥离的工艺改进措施以及其他有效措施。     

基于抛掷爆破-拉斗铲倒堆工艺的露天矿生产能力研究

分析了拉斗铲设备自身条件、抛掷爆破效果及开采参数对露天矿生产能力的影响关系,推导得出了露天矿生产能力的计算公式,采用敏感性分析方法研究了各因素对露天矿生产能力的影响程度。研究结果表明:倒堆台阶高度、拉斗铲稳态有效度和有效抛掷率是影响抛掷爆破-拉斗铲工艺露天煤矿生产能力的关键因素,其中倒堆台阶高度和拉斗铲稳态有效度是根本因素;实现33Mt/a的生产目标,应保证拉斗铲设备稳态有效度93.8%以上,同时将倒堆台阶高度降低至38m以下。     

近水平露天煤矿条带开采倒堆工艺关键参数研究

为了研究近水平露天煤矿采用拉斗铲倒堆剥离工艺的基本参数,分析了拉斗铲作业的基本参数,建立了计算公式,基于基本参数推导出拉斗铲的年有效生产能力。根据黑岱沟露天煤矿的基本情况,对其拉斗铲倒堆工艺参数进行了研究和评价。结果表明:拉斗铲的年有效生产能力与回转角之间符合二次函数关系,回转角与开采条带宽度和有效挖掘时间等多个参数存在函数关系。     

灰色理论及神经网络对东露天电铲能力的预测

根据东露天矿2012年1-9月份某4100电铲的作业数据,分别运用GM(1,1)和BP神经网络建立了电铲月度生产能力时间序列动态预测模型。通过这两种模型的计算和分析,表明BP神经网络的拟合精度较好,预测结果与实际值吻合度较高,可以用此模型来预测东露天4100电铲的月度生产能力。通过预测可以判别电铲生产能力的变化趋势,采取相应的改进措施,最大限度的提高生产能力,同时为生产计划的编制提供参考依据。     

露天煤矿拉斗铲作业效率研究

为了探讨露天煤矿拉斗铲的作业效率,采用黑岱沟露天矿拉斗铲现场作业的统计数据,研究了拉斗铲的作业周期及分布规律和拉斗铲作业的满斗系数.得出了拉斗铲作业周期的计算公式,作业周期服从正态分布规律,分析了影响作业周期及满斗率的主要因素.结果表明:回转时间是影响拉斗铲作业周期的最主要因素;根据拉斗铲作业周期服从的分布规律可以得出拉斗铲的倒堆能力,为露天矿生产计划的制定提供依据;通过提高拉斗铲司机技术水平及加强露天矿各种工艺阃的配合和现场管理,可以进一步提高拉斗铲的满斗系数;减小拉斗铲作业回转角和加大拉斗铲斗容的满斗系数是提高拉斗铲作业效率的有效途径,为国内外拉斗铲的研究提供了具体的分析方法和理论依据.     

煤层厚度变化下拉斗铲生产可靠性分析

本文基于大量现场钻孔资料,以减小煤层厚度为区域化变量的影响,采用数理统计的方法对煤层的平均厚度进行区间估计,并将拉斗铲生产能力作为变量,给出煤层厚度变化下拉斗铲生产可靠性的概念,建立了拉斗铲-煤层厚度的机-自然可靠性模型,同时定义了可靠度的计算公式,为研究拉斗铲-煤层条件可靠性提供了一种有效的方法,为拉斗铲选型提供了可靠性分析理论的依据.     

黑岱沟露天煤矿综合开采工艺优化

为了充分发挥黑岱沟露天煤矿抛掷爆破—拉斗铲倒堆工艺优势，实现持续、稳定、高效开采。以工艺系统推进度一致为原则，建立了综合开采工艺生产能力与原煤产能关系模型。在此基础上，通过深入分析抛掷爆破台阶高度、拉斗铲扩展平台高度与原煤产能间的制约关系，建立了拉斗铲倒堆系统生产能力、抛掷爆破台阶高度、拉斗铲扩展平台高度与原煤产能关系模型，并以此保障抛掷爆破有效抛掷率、充分发挥抛掷爆破—拉斗铲倒堆工艺系统生产能力。结果表明：在抛掷爆破台阶高度45 m条件下，拉斗铲扩展平台高度13～16 m时，黑岱沟露天煤矿拉斗铲倒堆作业区可实现原煤产能2462万～2799万t/a,若南部500 m单斗—卡车作业区正常推进，全矿可实现原煤产能3400万t/a。     

基于非线性规划的拉斗铲作业平台参数优化

为了提高拉斗铲作业效率,降低倒堆工艺系统生产成本,需要对拉斗铲作业平台参数进行优化。但由于拉斗铲作业平台高度与平台宽度之间相互影响、相互制约,不能对单个参数进行独立优化,而需要以2者为变量,建立优化模型,提出拉斗铲作业平台参数的综合优化方法。为此分析了拉斗铲单向走行、往返走行情况下的挖掘范围,分别推导了各种情况下的拉斗铲挖掘深度、正向及反向走行距离计算公式,提出了拉斗铲走行时间及作业周期的计算方法,建立了拉斗铲生产效率与作业平台高度、作业平台宽度之间的关系模型。利用抛掷爆破爆堆的三维扫描数据,建立平面直角坐标系,拟合得到爆堆曲线方程,进而提出了有效抛掷率、拉斗铲重复倒堆率、辅助剥离率、拉斗铲倒堆率等变量的计算方法,以倒堆工艺系统年剥离总费用最小为目标函数,综合考虑技术、经济、安全3个方面的因素,构建了基于非线性规划的拉斗铲作业平台参数优化模型,并全面分析了作业平台参数的约束条件,包括影响拉斗铲作业安全、高台阶稳定等的作业安全约束,影响拉斗铲倒堆距离、挖掘深度等的拉斗铲线性尺寸约束,以及拉斗铲、辅助设备等的生产能力约束,提出了模型的求解方法。通过计算可知,黑岱沟露天煤矿的拉斗铲作业效率随着作业平台高度、作业平台宽度的增大先增大后降低,作业平台高度为13.30 m,宽度为118.10 m时,拉斗铲作业效率最大,为4 043.02 m~3/h;其最优作业平台高度为14.60 m,作业平台宽度为118.00 m,优化后每年可节省剥离费用371.70万元。     

煤层倾角对拉斗铲倒堆工艺的影响研究

为了使拉斗铲能更好地适应煤层倾角的变化,提高拉斗铲工作效率,基于露天采矿基本原理、我国煤层赋存条件以及拉斗铲工况特点,建立了厚覆盖层简单倒堆形式下煤层倾角变化拉斗铲倒堆作业的数学模型,分析了煤层倾角变化对露天煤矿拉斗铲作业效率和抛掷爆破抛掷率的影响,得出了拉斗铲最大倒堆高度、排弃最大距离和有效抛掷率的普遍计算公式以及拉斗铲倒堆作业的限制条件.通过对哈尔乌素露天煤矿使用拉斗铲的实例研究,结果表明:煤层倾角和拉斗铲的最大排弃高度成线性增加,同时,当煤层倾角越大,拉斗铲最大倒堆距离越大,抛掷爆破的有效率越小.     

基于BP神经网络的露天边坡角预测

针对广东泥竹塘铁矿露天边坡稳定性问题,为了获得矿山的稳定露天边坡角,研究使用BP神经网络进行预测分析。在预测过程中,以边坡岩体质量系数、岩体综合抗压、抗拉强度、内聚力、结构面力学特性、边坡高度及岩体密度等7个指标为输入因子,综合国内矿山27组露天矿山现场数据,建立网络学习、训练样本库,从而实现泥竹塘铁矿稳定露天边坡角的预测。结果表明,露天边坡角的BP神经网络预测模型最大误差小于3%,训练输出误差较小,精度较高,得到的泥竹塘露天铁矿上盘最终边坡角的预测值为42.8°,上盘最终边坡角的预测值为40.1°。多年的生产实践表明,该预测成果与实际基本相符,可为今后类似工程提供参考。     

基于BP神经网络的矿石非计划贫化预测

为了消除等效线性超挖（Equivalent Linear Overbreak Slough,ELOS）经验图表法估算矿石非计划贫化的局限性,采用BP神经网络算法,以采场稳定指数、水力半径、钻孔平均偏斜量和炸药单耗为输入变量,以量化矿石非计划贫化的等效线性超挖深度为输出变量,建立了隐含层神经元节点数为6的3层BP神经网络预测模型。经过120组样本数据模型训练和样本测试,BP神经网络预测模型的拟合度为0.987 42、均方误差为9×10-5,预测的相对误差约6%,形成了矿石非计划贫化预测方法。应用BP神经网络非计划贫化模型对三道桥铅锌矿试验采场进行了矿石非计划贫化计算。结果表明：基于BP神经网络的矿石非计划贫化计算值为0.717 m,与现场实测值（0.7 m）相比,其相对误差为2.4%,优于经验图表法和数值模拟分析法的计算结果（0.80 m和0.55 m）,可用于实际矿山的矿石非计划贫化预测。     

基于遗传算法改进BP网络的地表沉陷预计

本文采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络，即先用遗传学习算法进行全局训练，再用BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，将该方法应用于地表沉陷预计问题中。建立了采动地表沉陷的神经网络预计模型，利用矿区大量的地表沉陷实际观测数据样本对该神经网络进行训练和学习，并用该网络对几组数据进行采动地表沉陷预计。结果表明，该神经网络预计模型具有收敛速度快、预测精度高的优点，为采动地表沉陷预计提供了实用的方法。     

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。     

基于PSO优化BP神经网络的露天矿边坡位移预测模型

BP神经网络的初始连接权重和阈值对露天矿边坡位移预测的精度和收敛速度有重要影响。鉴于粒子群优化(PSO)算法具有全局搜索性能和收敛速度快,引入PSO算法对BP神经网络的初始连接权重和阈值进行全局优化,提出了基于PSO优化BP神经网络的露天矿边坡位移预测模型。将所提出的模型应用于实际案例中,并与BP神经网络进行对比。结果表明:该模型能够提高BP神经网络在露天矿边坡位移预测中的精度和收敛速度,预测结果的最大相对误差和平均相对误差分别是0.566 8%和0.353 0%,具有较好的精度和实际应用价值。     

基于遗传算法与BP神经网络的支架跟机自动化研究

针对综采工作面液压支架跟机自动化过程中移架动作存在的丢架、推移不到位等问题,提出了基于遗传算法(GA)与BP神经网络组合模型的控制方法。通过建立BP神经网络控制器为主体的反馈控制,将支架的运动参数输入模型,神经网络控制器计算实际输出与理想输出之间误差,判别是否需要回调控制,并添加遗传算法来优化更新模型的各层阈值和权值,从而得到网络模型的最优解,最终由执行部分来完成输出动作。组合网络模型具有良好的非线性特性,可以更好的满足非线性环境,利用神经网络的预测值与实际输出的差值来得到拟合曲线。通过对BP神经网络模型、GA模型、GA-BP组合模型的均方误差(MSE)分析,判断出GA-BP组合模型具有更快的训练速度和更高的预测准确率。相比较于单一的BP神经网络模型和GA模型,GA-BP组合模型可以很大程度地提高液压支架跟机过程中的推移精度,从而更好地适应综采工作面的环境和设备变化。基于对模型稳定性的分析,绘制组合网络的适应度曲线,种群在第5次迭代后趋于收敛,在第5次到第15次迭代的适应度值就已基本达到稳定,在迭代第15次后种群已达到最优参数集且恒定不变。采用上述方案的液压支架电液控制系统能够自主感知设备各项运动参数的变化,实现支架自身的静态调整和动态演化,可为综采工作面无人化建设提供技术支撑。     

ELM神经网络爆堆形态预测模型的研究及应用

以Moore-Penrose广义逆的定义和欧几里德空间内线性系统的最小二乘范数解原理为基础,运用Extreme Learning Machine(ELM) 神经网络--一种快速的前向神经网络学习算法,以Weibull函数的2个控制参数 α,β 以及松散系数 ξ 为输出层,提出了一种预测高台阶抛掷爆破爆堆形态的模型。该预测模型提高了爆堆形态预测的准确度,通过对黑岱沟露天煤矿爆堆形态的预测表明,ELM神经网络高台阶抛掷爆破爆堆形态预测模型的预测准确度高于同期使用BP神经网络预测的结果,更加接近于爆堆实际形态。     

基于遗传算法—BP神经网络的突出强度预测

煤与瓦斯突出强度的预测对研究煤与瓦斯突出,保证矿井安全正常生产有着重要意义。本文提出采用遗传算法结合BP神经网络的模型来预测突出强度,采用遗传算法对BP神经网络的权重和阈值进行优化,将优化好的权重与阈值作用于网络进行训练,直至性能函数符合要求。实际计算表明,该模型有较好的预测精度,且克服了普通BP神经网络训练时间长、收敛速度慢的缺点,在已知瓦斯膨胀能和煤层厚度的前提下,可以用该模型对突出强度进行预测。     

基于WOA优化神经网络的斜坡道拱顶沉降预测研究

为了更准确地预测地下矿山中斜坡道拱顶沉降的趋势,并控制预测精度,以保障矿山安全。本文提出鲸鱼算法优化神经网络的斜坡道拱顶沉降预测方法。主要步骤为：首先采取邻点中值平滑处理的方法对原始数据进行处理,将处理好的监测数据作为输入样本对BP、Elman神经网络进行训练、测试;再利用鲸鱼算法对初始权值和阈值优化,最后通过不同模型输出预测值。通过仿真实验研究表明:鲸鱼优化后的BP、Elman神经网络模型相比优化前均能更准确地预测斜坡道拱顶沉降;WOA-Elman模型的决定系数为0.948,优于WOA-BP模型0.941,但WOA-Elman模型运行时间耗费671.214 s远超于WOA-BP模型307.226 s,WOA-Elman耗费了更多的训练时间换取了少量的精度提升,大幅降低了训练效率;结合工程实例实测值、预测值的分析比较,鲸鱼算法(WOA)优化后的BP神经网络表现出了更高效且准确的斜坡道拱顶沉降预测能力。     

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。