基于改进遗传算法优化BP网络的轧制力预测研究

为提高铝热连轧轧制力预报精度, 满足现场生产需求, 采用改进遗传算法优化神经网络建立铝热连轧轧制力的智能模型。以河南某1+4铝热连轧厂连轧实测数据作为实验样本, 在遗传算法的初始化和变异机制中引入混沌序列, 同时选择最优保存机制、动态调整交叉率和变异率等方法, 提出了改进的遗传算法, 并将其与改进的BP算法相结合, 对多层前馈神经网络权值阈值进行优化, 避免学习中陷入局部最小, 使模型最终具有了良好的收敛性和适应性。网络预测结果与实测数据的相对误差基本在10%以内, 该预测精度明显优于传统数学模型, 实现了铝热连轧轧制力的高精度预测。     

基于灰色关联分析-GA-BP模型预测煤层瓦斯含量

为提高煤层瓦斯含量预测的精度和效率,提出用灰色关联分析从影响因素中筛选主要因素,结合运用GA-BP神经网络预测煤层瓦斯含量的方法。通过遗传算法(GA)优化BP神经网络的权值和阈值,解决BP神经网络易过早收敛极小值以及收敛速度慢的问题。用Matlab构建灰色关联分析-GA-BP神经网络、GA-BP神经网络和BP神经网络模型。选取成庄矿3#煤层的含量与影响因素作为实验数据对该模型进行实验分析,比较三个的预测模型的预测结果。实验结果表明:顶板泥岩厚度、煤层厚度、基岩厚度、煤层深度是影响成庄矿3#煤层瓦斯含量的主要因素。灰色关联分析-GA-BP神经网络预测模型平均相对误差为2.77%,比后两种预测模型的预测结果好,能准确预测煤层瓦斯含量。     

基于BP神经网络的煤矿干式钻孔产尘率预测模型

分析总结了干式钻孔孔口产尘率的4个主要影响因素:煤体硬度、粉碎性能指标、固气比和含水率,建立了一个预测干式钻孔孔口产尘率的BP神经网络模型.根据在不同硬度和粉碎性能指标、不同含水率的煤体以及不同固气比条件下采集的数据,对建立的BP神经网络模型进行训练、验证和误差分析.结果表明,网络训练所得预测值与孔口产尘量实测值之间的最大绝对误差为4.200"10-3,相对误差的最大值为3.06%.由本文所建立的BP神经网络模型所得到的预测值与实测值吻合度很高,故该模型为防尘设备参数的选择和防治职业危害危害提供了理论依据.     

基于PCA-RBF神经网络模型的煤层厚度预测

基于淮北某矿区的地震属性参数和钻井数据,利用逐步回归分析方法,优选出与煤层厚度有着显著相关性的参数,通过构建主成分分析算法-径向基函数神经网络模型,预测煤层厚度的变化趋势,并将井旁道的煤层厚度预测值保留,作为下一个未知区域预测模型的输入参数,从而获得更准确的煤层厚度预测值。通过不断扩展预测范围,并对其进行持续分析,从而实现整个研究区域煤层厚度的准确预测。分别对比RBF和PCA-RBF 2种神经网络模型预测的煤层厚度与真实值的绝对误差、相对误差以及相关系数,其中PCA-RBF神经网络模型的预测值与真实值之间的绝对误差为0～0.08 m,相对误差为0%～4%,相关系数为0.999 9。结果表明,PCA-RBF神经网络模型预测得到的煤层厚度变化趋势更接近于真实值,预测结果的精度更高,能够为煤矿安全生产、减少成本、提高效益提供强有力的技术支持。     

基于神经网络和遗传算法的瓦斯含量预测研究

为了准确预测矿井瓦斯含量,研究了神经网络和遗传算法的井下瓦斯预测算法.首先构建以煤层埋藏深度、煤层厚度、顶板岩性、上覆基岩厚度、顶板30m砂岩比等5个参数作为输入量、瓦斯含量为输出量的神经网络模型;然后结合所建模型,采用遗传算法对神经网络模型进行优化计算.试验结果表明,所建瓦斯预测模型的预测精度高,煤层瓦斯含量预测效果良好.     

基于卷积神经网络的电选粉煤灰颗粒图像识别与烧失量预测模型

粉煤灰烧失量预测是对其合理利用的前提,常规实验方法成本高,常常不能满足现场需求。针对此问题本文提出了基于卷积神经网络的电选粉煤灰颗粒图像识别与烧失量预测模型,引入了Adam算法和dropout技术对卷积神经网络进行改进,将粉煤灰颗粒图像的灰度均值、灰度方差、能量和熵值4个特征参数作为输入量,将粉煤灰烧失量的实验值作为输出量,从不同地区的电厂采集高低烧失量的两种粉煤灰进行配比后开展实验研究,基于实验样本点进行学习和训练后开展烧失量预测。综合考虑相关性和模型训练精度,选取学习率为0.010时的卷积神经网络预测模型,引入dropout技术卷积神经网络模型与实际实验数据数值偏差为0.090 7,预测的数值相关性为0.975 0,预测的误差相对较小。研究结果表明:dropout技术能够有效避免过拟合现象,与深度神经网络、长短期记忆网络和BP神经网络相比,卷积神经网络模型对粉煤灰图像具有较好的数据特征提取能力,具有广泛的应用前景。     

基于抛掷爆破预测的BP神经网络参数优化方法

研究了不同隐含节点个数、训练函数、转移函数、学习率对BP神经网络预测结果准确性和收敛速度的影响;对比分析了参数优化后的BP模型与径向基神经网络、支持向量机预测模型的结果;并应用某露天矿抛掷爆破作业的实测数据进行了相关实验。实验结果表明：最优BP模型的拓扑结构为10-6-3;最佳的训练函数为LM函数,正切和线性函数的组合为最优的转移函数,最佳的网络学习率为0.77;参数优化后BP模型的最远抛掷距离、抛掷率、松散系数的预测结果与测试样本的标准差最小,分别为9.567 8,0.036 3,0.041 4,即参数优化后的BP模型预测结果最优。     

基于RBF神经网络的瓦斯含量预测研究

以淮南矿区潘一矿13-1煤层为研究对象,确定了煤层埋深、煤层厚度、顶板岩性和构造是影响煤层瓦斯含量的主要因素;在分析勘探钻孔资料的基础上,利用RBF神经网络方法建立了瓦斯含量预测模型,结合实际数据,对预测模型进行训练和检验,预测结果表明,该模型比使用线性回归和BP神经网络模型预测能获得更高的精度,说明预测模型可靠.     

基于LSTM的煤层厚度动态预测方法研究

"透明工作面"是实现智能化无人开采的关键,但现阶段的煤层三维地质模型精度较低,无法满足构建高精度煤层地理信息系统的要求。为此,提出了以采煤机历史截割数据和煤层三维地质模型数据根据不同方式划分出2种数据组合,利用长短期记忆(Long-Short Term Memory,LSTM)神经网络挖掘煤层厚度的变化规律并预测煤层厚度分布。基于LSTM神经网络和编码——解码长短期记忆(Encoder-Decoder Long-Short Term Memory,Encoder-Decoder LSTM)神经网络分别建立了煤层厚度预测模型。结果表明:在超参数未优化时,2种模型的煤层厚度预测结果误差均较大;通过优化两种模型的超参数,并以均方根误差(Root Mean Square Error,RMSE)作为煤层厚度预测的评估标准。在第1种数据组合方式下,LSTM模型和Encoder-Decoder LSTM模型的煤厚预测RMSE分别为0.05、0.044 m;在第2种数据组合方式下,2种模型的煤厚预测RMSE分别为0.051、0.049 m。为进一步对比2种模型预测结果,引入绝对误差,求取预测范围内各点的煤厚预测值与真实值的差值。最后得出,2种数据组合方式下,Encoder-Decoder LSTM模型的预测误差在各较小误差范围内的占比始终优于LSTM模型,Encoder-Decoder LSTM预测模型在预测煤层厚度上表现较好,精度较高,其预测的煤层厚度能够修正煤层地质模型。     

基于GA-BP网络的刮板机焊点疲劳寿命研究

建立组合遗传神经网络,并建立刮板机焊点疲劳寿命与各种影响因素之间的映射关系,通过该映射关系能大大降低对于类似研究刮板机焊点疲劳寿命的计算工作量。利用该网络模型对不同工艺参数下焊点的疲劳寿命进行预测,预测值和实验值比较表明,预测数据与实验数据吻合良好,验证了所提方法的优越性,为刮板机焊点的疲劳寿命研究提出一种新方法。     

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。     

铝热粗轧机自适应辊缝动态设定

针对某现场铝热粗轧板带头部厚度偏差较大现象, 应用自适应模糊神经网络控制技术, 建立了热粗轧辊缝动态设定系统。该系统将轧制力预报误差及弹跳方程误差作为输入, 运用模糊神经网络预测下一道次的辊缝设定补偿值, 并以实际数据对系统进行校验, 结果显示该方法可以大幅提高铝热粗轧板带头部厚度精度。     

复杂应力路径人工冻土三轴剪切试验及本构模型

构建人工冻土BP神经网络本构模型,利用冻土三轴实验数据对神经网络模型进行训练,并2次开发有限元本构程序。用BP神经网络本构模型能很好的反映人工冻土非线性,人工冻土三轴数值模拟值和实验值误差在2.43%范围内。通过深井冻结工程数值模拟表明:人工冻土BP神经网络本构模型能较好的描述复杂应力路径变形特征,数值结果和现场实测规律一致,且和实测位移误差在5.0%;应用BP神经网络冻土本构模型准确预测预报人工冻土帷幕应力场和变形场,为冻结工程设计与施工提供参考。     

爆破参数智能设计的T-S模糊神经网络方法

针对地下矿山爆破参数设计的工作繁琐、任务量大等问题,建立基于T-S模糊神经网络的地下矿山爆破参数智能设计模型,实现爆破参数快速、智能设计。以某矿山地下矿中深孔爆破为研究对象,收集大量矿山现场实测数据,以抗压强度、抗拉强度、初始弹模、弹性模量、泊松比、黏聚力、内摩擦角、孔底距和排距为输入量,利用BP神经网络和T-S模糊神经网络,建立不同的地下矿山爆破参数预测模型,结果表明,T-S模糊神经网络具有更高的准确性以及更快的运行时间,能够更好地表达地下矿爆破参数与主控因素之间的非线性关系,网络预测值与目标值的均方误差达到1.375 9×10^-5,模型预测效果最佳,为矿山地下矿爆破参数设计提供了参考依据。     

改进GWO-BP算法的概率积分法预计参数求取

针对BP神经网络模型在求取概率积分法预计参数时的缺陷,提出了一种基于改进灰狼优化算法(GWO)的BP神经网络参数预测模型。主要通过对灰狼算法的收敛因子a进行非线性收敛的改进,再利用粒子群算法(PSO)的速度更新公式更新搜索灰狼搜索位置。用改进的灰狼优化算法对BP神经网络的初始权值和阈值进行优化,然后利用最优的初始权值和阈值对模型进行训练和预测,从而得到概率积分法参数的预测结果。结果显示经过改进的灰狼算法优化BP神经网络的参数预测结果明显优于单一的BP神经网络模型和不改进的灰狼算法优化BP神经网络模型的预测结果,可以在矿区开采沉陷预计方面得到应用。     

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。     

基于范数优化超限学习机的矿浆浓度预测

选矿过程中的矿浆浓度是一个重要的生产工艺参数,一般可以通过预测矿浆浓度来提高生产效率。由于矿浆浓度和其他的生产工艺参数往往非线性相关,这给矿浆浓度的预测带来了很大困难。本文针对此问题,基于超限学习机这一面向神经网络的新颖学习算法,提出了一种矿浆浓度预测新算法。首先,使用相空间重构方法对矿浆浓度数据进行预处理,从一维转换到多维。然后,使用基于L2范数的超限学习机算法（ELM-L2）建立时序预测模型,实现预测功能。围绕来自于某矿厂的真实生产数据进行了实验验证,结果显示,针对大规模的数据样本集,所设计的算法与传统神经网络预测算法相比,训练时间大约减少了30%,而预测精度大约提高了48%。实验结果表明了所设计预测算法的有效性。     

基于小波包分析和高阶模糊神经网络的滚动轴承故障诊断

滚动轴承是旋转机械中最易发生故障的元件之一,提出了一种基于小波包分析和高阶模糊BP神经网络的滚动轴承故障诊断新方法。该方法的具体诊断过程:采用小波包分解的方法提取样本信号各频段的Shannon熵值并结合其他一些量化指标,经筛选后作为特征向量输入滚动轴承故障诊断高阶模糊神经网络,对该网络进行训练与检验。实验表明这种方法与传统方法相比,在收敛速度及对训练总误差控制方面具有更大的优越性。     

PCA降维技术在弯辊力预设定中的研究与应用

为了提高冷连轧带钢弯辊力预设定模型的计算效率,在原有基于GA-BP神经网络的弯辊力预设定模型基础上,引入主成分分析(PCA)数据降维技术,通过PCA将原有10个轧制参数变量转换为3个主成分变量,降维后的主成分变量包含了原始实测轧制参数93.55%的信息,实现了轧制参数特征的有效提取;将其作为神经网络的输入,建立PCA-GA-BP新形态弯辊力预设定模型,简化了模型结构。以某1 450 mm冷连轧生产线数据作为样本比较了2种模型的计算性能,结果表明,2种模型均具有较好的泛化能力,在保证带钢头部板形精度的基础上,PCA-GA-BP模型与原模型相比迭代次数减少86次,计算时间缩短73 ms,预报效率显著提高。     

开采沉陷预计参数的广适应性BP神经网络反演方法（增刊）

基于实测资料的概率积分法下沉预计能够准确描述开采引起的地表下沉变化,广泛应用于全国各大采区。为了获取准确可靠的开采沉陷概率积分法预计参数,本文以概率积分法沉陷预计为基础,利用BP人工神经网络反演求取预计参数。BP人工神经网络具良好的鲁棒性和非线性映射能力,在参数选取过程中能快速准确的确定预计参数与观测站点实测下沉量之间的映射关系,能准确反演得到实测下沉预计参数。根据地表实测数据,将概率积分法下沉预计与BP人工神经网络相结合,建立了适用于多种地质采矿条件的沉陷预计参数反演模型,并对阳泉某矿进行参数反演,得到结果与实测数据基本吻合,表明应用广适应性BP神经网络方法反演开采沉陷预计参数是可行的。