基于粒子群和BP混合优化的采煤机故障诊断分类方法研究

故障诊断的本质是信号的特征提取与分类,BP神经网络是典型的一种分类方法。针对传统的BP算法易形成局部极小值,缺乏全局搜索性的缺点,利用粒子群算法可以在复杂、多峰、非线性及不可微的空间中实现快速、高效的全局搜索的特点,结合传统BP算法,提出一种基于PSO-BP混合训练神经网络的新方法。该算法首先利用粒子群算法的全局搜索能力对BP网络的权值进行优化,同时引入粒子群熵的概念对粒子群体中个体的多样性进行度量,当粒子群熵的估计值超过某一设定阀值时,用BP算法进行神经网络的训练。采用采煤机的轴承故障数据集对PSO-BP算法进行验证,证明该方法能够对采煤机的故障进行诊断。     

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。     

基于改进狮群算法和BP神经网络模型的磨矿浓度预测

针对当前选矿生产过程中磨矿参数难以实时测量,导致的无法对磨矿流程控制进行有效实时优化的问题,提出了一种基于改进狮群算法和BP神经网络的磨矿浓度预测方法。传统的狮群算法(Lion Swarm Optimization, LSO)存在容易陷入局部最优解和局部搜索能力弱的问题,通过改变狮王更新方式的同时加入衰减因子,来提升全局搜索能力,避免陷入局部最优解,对于母狮和学习狮的更新方式引入了动态学习策略,来优化局部搜索能力,并在仿真测试中验证了改进算法的优越性。同时利用改进的算法代替BP神经网络中的梯度下降法,来搜索最优的权值和阈值,提升BP神经网络收敛速度和收敛精度。试验结果表明,改进狮群算法优化的BP神经网络(Improved Lion Swarm Optimization-BP,ILSO-BP)在此预测问题上有更好的效果。     

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IQPSO-BP算法的煤矿瓦斯涌出量预测

针对煤矿回采工作面瓦斯涌出的非线性特征,提出一种基于改进量子粒子群优化BP神经网络(IQPSO-BP)的瓦斯涌出量预测方法。鉴于量子粒子群算法的遍历能力有限,采用混沌序列来初始化量子的初始角位置。同时,采用凸函数调整惯性权重,以平衡算法的全局勘探和局部开发能力。并依此来优化BP神经网络的权值、阈值参数,进而建立了瓦斯涌出量预测模型。试验结果表明,IQPSO-BP算法具有较强的泛化能力及较高的预测精度,可有效用于煤矿瓦斯涌出量的预测。     

基于混沌优化神经网络的冲击地压预测模型

为了改进BP神经网络用于冲击地压预测的精度和泛化能力,利用BP算法和混沌优化算法优缺点的互补性,构建了一种组合式优化预测模型（COBP）.将该模型应用于重庆砚石台煤矿冲击地压的预测,结果显示,该模型既利用混沌优化帮助BP算法克服了易陷入局部极值的缺点,又利用BP算法克服了基本混沌优化局部搜索能力有限和有时不能搜索到全局最优的缺陷.     

基于改进粒子群的采煤机齿轮箱故障诊断

采煤机截割部摇臂齿轮箱承担着综采工作面截割部动力传动的重任,其故障与否直接影响采煤机正常工作。而传统的故障诊断方法-BP神经网络采用基于梯度下降的算法,存在容易陷入局部极小值、收敛速度慢等不足,这些不足严重影响了BP网络的应用。然而粒子群算法(PSO)有很好的全局收敛特性。因此,为了提高网络的性能,采用粒子群算法来优化BP神经网络,将改进的PSO引入神经网络的拓扑结构,用PSO的迭代代替BP中的梯度修正。结果表明:提出的改进方案可以有效地优化神经网络,提高其在采煤机齿轮箱故障诊断中的应用价值。     

基于MPSO算法的RBF网络学习算法

针对标准粒子群优化(PSO)算法存在早熟收敛,易陷入局部极值的缺陷,提出了一种利用混沌优化算法确定PSO算法参数的改进粒子群优化(MPSO)算法。为了提高径向基函数(RBF)神经网络的精度和性能,提出了一种基于改进粒子群优化(MPSO)算法的RBF网络学习算法。RBF网络隐层节点个数用对手受罚的竞争学习(RPCL)算法确定后,基函数的中心矢量、方差和网络权值用MPSO算法在全局空间动态确定。采用Iris分类问题做仿真实验,并与基于标准PSO算法的方法和单纯BP网络训练进行比较。实验结果表明,该算法性能优于所比较的2种算法,并且具有良好的收敛性和模式分类能力。     

基于PSO-BP的胶结充填体强度预测研究

为快速、准确地确定胶结充填体强度,构建了基于PSO-BP的胶结充填体强度预测模型,并以养护7 d和28 d的胶结充填体强度试验数据进行了验证。结果表明：结合粒子群算法优化BP神经网络初始权值,从而大大提高了预测模型的准确性和可靠性,基于粒子群算法优化下的神经网络相对误差为0.77%,比BP神经网络预测的平均相对误差降低了3.42%,表现出良好的预测精度。     

基于MFOA优化BP神经网络的磨矿粒度软测量

针对磨矿过程中磨矿粒度难以在线实时检测的问题,提出了一种基于混沌粒子群(CPSO)改进果蝇算法(FOA)优化BP神经网络的方法,建立了磨矿粒度软测量模型。利用混沌搜索的遍历性和对初值的敏感性来提高FOA初始种群的多样性;为了减少适应度函数值更新过程中的盲目搜索,引入了粒子群算法(PSO)。然后利用改进后果蝇优化算法(MFOA)良好的全局寻优能力,自适应地调整BP神经网络的权值和阈值,提高了BP网络的收敛性能和测量精度。选取球磨机给矿量、给水量、磨机电流、分级机溢流浓度和螺旋分级机电流为辅助变量,构建MFOA-BP磨矿粒度软测量模型。研究表明,所构建的MFOA-BP模型鲁棒性强、测量精度较高。     

基于粒子群算法与RBF神经网络的露天矿边坡稳定系数预测

为准确构建边坡稳定影响因素与稳定状态之间的复杂非线性函数,基于粒子群算法全局搜索能力及RBF神经网络非线性变换和局部逼近能力,提出了一种基于粒子群算法与RBF神经网络的露天矿边坡稳定系数预测方法.实践应用表明:与单纯的RBF神经网络方法相比,基于粒子群算法与RBF神经网络预测露天矿边坡稳定系数精度可靠、性能稳定.     

粒子群优化神经网络PID控制在湿法烟气脱硫中的应用

石灰石-石膏湿法烟气脱硫浆液pH值系统存在严重的非线性、滞后性及不确定性。基于混沌模拟粒子群优化算法(SAPSO)的神经网络PID控制器,优化神经网络结构和连接权值,以一定概率接受劣势解,保证算法从局部极值区域跳出,通过参数自适应调整提高全局搜索能力,达到全局最优目的。     

基于AFSA-BP算法的露天矿边坡预测模型

应用具有强大全局搜索能力的人工鱼群算法(AFSA)优化BP神经网络,为其提供最优的初始权值和阈值,提高预测模型的性能.结合影响边坡变形的影响因素,建立基于AFSA - BP算法的露天矿边坡位移预测模型,并对实际露天矿边坡进行位移预测.     

基于改进果蝇优化BP神经网络的冲击地压预测

针对煤矿开采过程中存在非线性、强耦合性等特点导致的动力灾害难以预测的问题,引入一种候选解的线性生成机制(LGMS)、混沌搜索、粒子群算法(PSO)和模拟退火算法(SA)修正果蝇算法(IFOA),利用改进后的果蝇优化算法良好的搜索全局最优解的能力,自适应地调整BP网络的权值和阈值,建立了煤岩冲击地压灾害预测模型。以唐山开滦煤矿样本数据为例进行仿真验证,结果表明其鲁棒性和测量精度明显提高,且网络具有较强的收敛性能和优化能力。     

小波神经网络在故障诊断中的应用研究

针对小波神经网络在故障诊断中的缺点和不足,主要分析小波神经网络与粒子群、遗传算法、模糊逻辑相结合使用的方法和优势。用粒子群优化的小波神经网络,其收敛速度和精度有很大提高;遗传算法具有全局优化的特点,遗传小波神经网络有效地解决了小波神经网络训练速度慢和易陷入局部极值等问题;基于模糊逻辑而提出的模糊小波神经网络具有高精度的逼近能力和很强的泛化能力。     

粒子群算法优化BP神经网络在边坡稳定性中的应用

影响边坡稳定的因素繁杂多变,给边坡的稳定性评价与预测带来了困难,神经网络能够通过自学功能从样本数据中获取复杂的非线性关系,适用于解决边坡稳定性评价问题.因此,通过 Python语言建立了 BP神经网络模型,在此基础上借助粒子群算法提高模型的收敛速度与预测精度,建立了基于粒子群算法优化 BP神经网络实现边坡形变数据的分析预测模型,选取边坡土体的容重、黏聚力和内摩擦角等６个主要影响因素作为评判边坡稳定性的指标,将神经网络模型得到的预测结果与实际数据进行对比,结果表明利用粒子群算法优化后得到的预测值误差更小,验证了该模型的合理性和有效性.     

综合改进BP神经网络在边坡稳定性预测中的应用

针对标准BP神经网络存在收敛速度慢和易陷入局部最小值的问题,提出用附加动量法和自适应学习速率法来优化BP神经网络,提高其收敛速度;引入具有全局搜索能力的模拟退火算法,克服其容易陷入局部最小值问题。应用综合改进后的BP神经网络对已知的实际边坡进行了预测,并将其预测结果与标准BP神经网络和实际值进行对比分析。结果表明:综合改进后的BP神经网络在边坡稳定性预测具有较好的预测效果,与标准的BP神经网络相比,不仅提高了计算速度,而且较大地提高了预测精度,具有较好的应用前景。     

基于粒子群神经网络的底板突水预测研究

将粒子群优化算法用于优化神经网络,有效地避免了神经网络易于陷入局部最小点、收敛速度慢等缺陷.将影响底板突水因子的水压、断层、岩溶发育、隔水层厚度作为输入矢量,将粒子群优化的神经网络模型用于煤矿的底板突水预测中,结果表明：模型具有良好的适应性,对比传统的BP网络,精度取得了极大提高,收敛更快.     

基于GA优化BP神经网络变压器故障诊断的研究

BP算法基于梯度下降原理是一种局部寻优算法,在变压器故障诊断应用中网络学习过程收敛速度慢,且易陷入局部极小值。而遗传算法(GA)具有并行计算的特点,可以有效防止搜索过程收敛于局部最优解。将二者结合起来,由GA寻找最优的BP神经网络权值与相应节点的阈值。仿真结果表明:此方法既能快速收敛,又能大大提高避免陷入局部极小的能力,改善了故障诊断的精度和速度。     

基于粒子群优化神经网络的煤层底板突水预测

阐述了运用粒子群优化人工神经网络建立煤层底板突水预测模型的思路与方法,利用粒子群优化神经网络模型的权值和阈值,克服了神经网络容易收敛到局部最小值,以及收敛速度慢的缺点.实践表明:该方法不仅能更快地收敛于最优解,且预测精度有明显的提高.