瓦斯涌出量自适应预测模型研究

为有效预防和减少煤矿瓦斯灾害,提高对回采工作面瓦斯涌出量预测的精度,提出了耦合优化的自适应粒子群算法与人工蜂群算法整合的瓦斯涌出量预测模型。通过数据预处理对原始瓦斯涌出因素进行维数约简,结合二次寻优变为建立线性方程和损失函数进一步简化计算,代入耦合优化函数实现对瓦斯涌出数据特征向量的提取,并将它作为LS-SVM的输入。应用非线性调整惯性权重H的控制策略,更新特征解的最优位置及其适应度值,对LS-SVM高斯核参数σ和正则化参数γ寻优,建立自适应耦合优化算法瓦斯涌出量预测模型。结果表明,预测值的平均相对误差仅为2.594%,相较于原优化算法和数据未处理的预测模型,实现全局搜索和局部搜寻性能的有效平衡,具备更好的泛化能力和预测准确度。     

一种简单便携式单相电能表的硬件设计

该智能单相电表主要由两大部分组成,一是基于BL6503的电功率采集处理部分,二是基于AT89S52的显示输出部分。     

煤矿瓦斯浓度的CAPSO-ENN短期预测模型

为了准确预测回采工作面的瓦斯浓度,提出云自适应粒子群算法优化Elman神经网络的瓦斯浓度动态预测新方法。利用井下无线传感器网络监测系统采集的回采工作面瓦斯浓度时间序列作为样本,并对其进行数据降噪和相空间重构等预处理。采用CAPSO算法对Elman神经网络的权值、阈值进行寻优运算,建立了回采工作面瓦斯浓度动态预测模型。通过对MATLAB仿真得出结果研究表明：该模型的平均相对变动ARV值为0.000357,相对均方根误差RRMSE值为0.1056,对回采工作面的瓦斯浓度预测结果合理且可为矿井瓦斯防治工作提供有效理论依据。     

基于多传感器-深度长短时记忆网络融合的瓦斯浓度预测研究

为充分利用井下多传感器数据源中的有效信息进一步提升井下瓦斯浓度预测模型的预测性能,提出建立一种基于深度LSTM(long short-term memory,长短时记忆)网络的多传感器瓦斯浓度预测模型,首先利用Pearson(皮尔逊)相关系数法筛选出与瓦斯浓度强关联变量作为模型输入参数,降低输入数据规模与复杂度,并对其进行多变量相空间重构,采用随机搜索算法对LSTM网络超参数进行自动寻优,建立参数最优的多传感器时间序列动态预测模型,通过算例研究表明,相较于常用的时序建模预测算法,所提方法能够更好的追踪瓦斯浓度变化趋势并在单步及多步滚动预测方面,依然具有较好的预测性能.     

基于嵌入式GUI的矿用瓦斯检测仪的研究

针对煤矿瓦斯检测仪检测信息少、检测参数单一、灵活性弱等问题,研究一种基于嵌入式GUI的矿用智能瓦斯检测仪.基于双内核双操作系统,以瓦斯监测为主要功能,采用LS最小二乘拟合与RBF径向基函数数据重构方法提高瓦斯传感器数据近似精度,设计Wince与μC/OS-Ⅱ双内核系统,实现矿用瓦斯智能检测仪的高精度、多信息、高智能化.     

改良型植草沟的蓄滞性能研究

目前生态植草沟构型改良设计有待优化及进行广泛应用。基于试验设计生态植草沟的最佳构型,进行不同降雨重现期植草沟调蓄性能的试验,阐明不同降雨强度对植草沟产流的影响,选择调蓄性能优良的植草沟。研究植草沟对机场飞行区道路地表径流的调控,既包括植草沟的水量调蓄试验、填料物理性质对比试验,又包括植草沟的构建及应用模型模拟植草沟、装置参数的灵敏性分析、不同植草沟装置参数条件下的调蓄效果分析,该研究可为植草沟的应用提供理论指导。     

基于IAFOA-GRNN的井下配网单相接地故障辨识模型

为提高井下配电网单相接地故障选线效率及精度,提出首先利用粗糙集理论对采样数据进行信号强化,然后针对所得特征信号展开复小波分解,最终对得到的暂态分量进行归一化处理,以作为广义回归神经网络训练及测试的输入值。同时,根据智能融合思想,提出改进的自适应果蝇优化算法改善了传统算法搜索遍历性差、易陷入局部最优解的缺陷,对GRNN的平滑元素σ进行全局寻优,建立最佳的故障馈线辨识模型。通过大量的ATP-EMTP仿真实验可知,该选线模型具有训练速度快、误判率低的特性。