基于BP神经网络的水力旋流器工作参数预测的研究

介绍了神经网络的基本原理及其BP算法,建立了BP模型,实现对水力旋流器工作参数的预测,预测结果跟生产现场实际结果拟合性较好,对实际生产有实用价值。并用Delphi编写人机交互界面来进行实时预测。     

基于人工神经网络的水力旋流器选型及优化

为了实现对水力旋流器的全面设计,建立了3层BP神经网络模型,该模型可根据分离粒度、生产能力、底流质量浓度等值,选择合适的水力旋流器。经10组数据测试,选型误差为:底流口直径10.43%,溢流口直径7.51%,插入深度17.86%,入料压力20.24%,选型精度高于传统方法。该模型既可用于设备选型,也可用于优化旋流器参数。选择合适的水力旋流器分级加重质,制备得到的粗、细两产品分别满足湿法、干法对加重质要求,对我国选煤业发展有重大意义。     

用神经网络综合预测水力旋流器性能

将人工神经网络用作水力旋流器的性能预测模型，实现了对其性能的全面预测，并探讨了结构及工艺参数对其性能的综合影响，弥补了以往数学模型预测的某些不足，为水力旋流器性能的综合预测提出了一个有效而简单的新手段。     

水力旋流器分离过程仿真研究

评价并建立了水力旋流器数学模型库，开发了水力旋流器分离仿真软件，介绍了软件的总体设计方案和模块功能，以实例展示了软件可有效地进行水力旋流器的选型设计和工艺性能预测。     

水力旋流器流场研究新进展

一、概述众所周知,对水力旋流器液流运动的研究由来已久。五十年代初,Kelsall 发表了水力旋流器三维速度的测定结果,三十多年来一直被作为权威性的结论广为引用。之后,普拉克辛,皮捷尔斯基,藤本敏智等也对水力旋流器的流场进行了测定研究。在六、七十年代,一方面由于Kelsall 的结论逐渐确立了权威性地位,另一方面也由于测试技术上的原因,水力旋流器的流场研究处于相对沉寂的状态。直到八十年代,激光测速技术应用于水力旋流器的研究才使得流场探讨再度活跃起来。     

水力旋流器的发展特点

水力旋流器由于其结构简单、操作方便、生产能力大、分离效率高、占地面积小和无传动部件等优点，在国民经济的许多部门得到广泛的应用，并取得极为显著的经济效益。综观国内外学者的研究动向和实用情况，旋流器的发展特点是：1技术规格两极化旋流器的技术规格通常指其直径。为适应选矿设备大型化（特别是自磨机和球磨机的大型化）的处理能力和特种材料工艺所需特细物料分离粒度的要求，水力旋流器的技术规格向两极化发展，即既向大型发展又向小型发展。例如原苏联的进出口公司（Machinoex－Port）和瑞典一英国的萨拉公司（Sala）等，已分…     

经验模型予测小直径水力旋流器性能

目前已用经验模型来予测水力旋流器的各种性能；处理能力，分离粒度，水的分流和分配曲线，这些模型是研究和校核旋流器直径大于４英寸用的，但是，对小直径旋流器，经验模型研究做得很少。     

分选水力旋流器的研究与应用

本文综述了用于分选的几类不力旋流器的结果特点，分选原理和应用概况，对开发旋流器的分选应用领域有所裨益。     

基于拟牛顿优化算法BP神经网络的瓦斯灾害预测模型

矿山瓦斯突出与爆炸事故的预测预报是当前我国煤矿安全生产中急待解决的问题之一。引入BP神经网络的拟牛顿(Newton)优化算法,在保留空间实体相关和多种分布并存的前提下,讨论了建立拟牛顿优化算法BP神经网络瓦斯灾害预测预报模型的数学模型设计、网络结构设计和程序设计3个部分,并以济宁二号井为实例进行了测试。结果表明:该模型稳定、快速、预测精度高,能够较好地模拟矿山瓦斯突出与爆炸事故特征,对瓦斯灾害作出较准确的预测。     

基于BP神经网络的地表沉降预测模型

简述了人工神经网络的基本原理,通过实例建立了时间序列BP网络模型,并利用已有观测数据对网络进行了训练和测试,经过与实测值进行对比回归分析,证明了该网络的有效性和精确性,可作为一种预测方法对地表沉降做出预测。     

基于BP神经网络电路故障诊断系统研究

从几个方面介绍了存在于模拟电路中的故障类型。通过阐述BP神经网络的模式识别特点,提出了应用BP神经网络来解决电路故障诊断问题,并且分别应用BP算法和几种改进的BP算法进行结果比较。     

基于遗传BP神经网络模型的矿区开采沉陷预计

为解决常规方法监测矿区开采沉陷的可控性、可操作性差及精度低等问题,采用BP神经网络模型拟合矿区高程值对开采沉陷进行预计是一种有效方法。但传统BP神经网络模型为反向传播算法,在训练时需多次试算方可确定神经网络系统的连接权值和阈值,具有易陷入局部最小值、收敛慢等不足。为此,采用遗传算法（Genetic algorithm,GA）对BP神经网络模型参数进行优化以提高其泛化能力,构建了遗传BP神经网络模型（GA-BP）。以某矿区首采工作面地表25个已进行了三等水准联测的高程监测点数据作为遗传BP神经网络模型（GA-BP）的训练样本（15个监测点数据）和测试样本（其余10个监测点数据）,分别采用BP神经网络模型、二次曲面拟合等方法与其进行试验对比,结果显示：遗传BP神经网络模型（GA-BP）具有更高的内、外符合精度及更小的残差,表明该方法有助于实现对矿区开采沉陷的高精度预计。     

基于BP神经网络煤与瓦斯突出强度预测模型

在分析湖南土朱矿5煤层煤与瓦斯突出资料的基础上,确定煤层瓦斯含量,瓦斯压力,煤的坚固性系数及瓦斯放散初速度为影响煤与瓦斯突出的主要因素,利用MATLAB软件,基于BP神经网络,建立了适合土朱矿的煤与瓦斯突出强度预测模型,并进行了实际检验,确定了模型的可行性,为指导土朱矿的安全生产提供了理论依据。     

基于BP神经网络的直接转矩控制

提出一种基于神经网络智能控制的直接转矩控制系统,神经网络控制是智能控制一个重要的分支,它能够处理非线性、不确定性等问题,具有强大的学习能力。利用神经网络控制代替传统直接转矩控制中的矢量优化选择表,神经网络控制能够迅速、准确地选择逆变器的开关状态。仿真结果表明,基于神经网络控制的直接转矩控制系统能够改善系统非动态、稳态性能。     

矿区开采沉陷预计的改进BP神经网络模型

为精确预计锦界矿某工作面开采沉陷,首先结合该工作面的地质资料、采掘工作平面图及孔柱状图,采用FLAC3D软件建立了该工作面开采沉陷仿真模型,得到工作面推进100、300、500、700 m时的开采沉陷数据;其次基于该类数据对BP神经网络预计模型进行训练和验证,建立沉陷数据与工作面推进距离的非线性关联;然后用粒子群优化算法(Particle swarm optimization,PSO)对BP神经网络模型的结构参数和连接权值阈值进行优化,并引入遗传算法(Genetic algorithm,GA)中的自适应变异因子以一定概率初始化部分变量,以解决PSO算法易陷入局部最优解的问题,避免BP神经网络模型易陷入局部最小值、训练收敛速率低以及PSO算法易早熟收敛等问题。分别采用BP神经网络模型、PSO-BP神经网络模型以及所提模型进行试验对比,并引入偏差平方和(Sum of squares for total,SST)对各模型的预计精度进行评价,研究表明:在工作面分别推进100,300,500 m的情况下,BP神经网络模型的SST值分别为0.056,0.062,0.066,PSO-BP神经网络模型的SST值分别为0.049,0.054,0.048,所提模型的SST值分别为0.028,0.026,0.031,明显小于前两者,表明该模型有助于提高矿区开采沉陷预计精度,有一定的实用价值。     

基于BP神经网络的矿山排土场滑坡预警模型

排土场滑坡是矿山的重大灾害之一,威胁矿山的安全生产。提出了矿山排土场滑坡预警指标体系,针对综合预警指标,建立了基于BP神经网络的排土场滑坡预警模型。将黏聚力、内摩擦角、地表位移、内部位移、降雨量等10个指标作为网络的输入单元,选取合适的激励函数和学习步长,利用实际工程的20组样本数据,采用改进的梯度算法完成了BP神经网络的学习。应用学习好的预警模型对贵州某矿排土场进行了滑坡预警分析,结果与实际情况一致。该预警模型合理可靠,具有推广应用价值。     

基于BP神经网络的炼焦煤质量预测研究

焦炭的质量对高炉冶炼的生产有着重要的影响,为了解决焦炭质量预测问题,提出了基于BP神经网络的质量预测算法,文中详细阐述了该模型的建立过程和实现方法,同时也给出了在进行模型处理的时候数据预处理的方法。利用人工神经网络对非线性问题的模拟能力,构建了焦炭质量预测模型,测试结果表明在100组不同类型的焦炭质量预测分析中,质量预测的精度达到了95%。