基于IGWO-BPNN的露天矿卡车故障预测方法

为有效解决露天矿中卡车的故障预测问题，提出了一种基于改进灰狼算法的BP神经网络模型，并成功应用于预测露天矿卡车故障次数和故障持续时间。首先，针对传统灰狼算法的不足，引入了新的非线性更新机制和基于线性插值的种群更新机制，提出了融合多策略的改进灰狼优化算法。其次，将IGWO应用于BP神经网络的权值和阈值搜索中，形成了基于IGWO的BP神经网络模型(IGWO-BPNN)。最后，以宝日希勒露天煤矿卡车故障数据为例，成功将该模型应用于卡车故障预测研究。结果表明，在相同实验条件下，与其他算法相比，IGWO-BPNN具有更高的模型预测性能和分类精度，可帮助露天矿山科学制定卡车预防性检修计划，并为智慧露天矿山建设提供科学有效的基础决策数据。     

基于PCA-GWO-SVM的矿山边坡变形预测

针对矿山边坡预测模型精度低等问题,提出一种由主成分分析(PCA)、灰狼算法(GWO)和支持向量机(SVM)组合的混合模型(PCA-GWO-SVM)。首先,采用PCA对原始数据进行降维去噪;其次,通过GWO算法优化支持向量机参数;最后,通过SVM实现矿山边坡变形的预测。矿山边坡实例表明PCA-GWO-SVM模型具有更高的预测精度。     

多金属露天矿多目标生产计划优化问题建模及求解算法

针对多金属露天矿山生产计划优化问题难以建模、求解复杂等问题，从多种金属元素、采掘运输成本以及矿石品位三个角度出发，综合考虑矿石产量、品位波动、矿石资源利用率、开采和处理能力以及回采率等多种影响因素，构建了一个多金属露天矿多目标生产计划模型。受粒子群算法启发，提出一种改进狼群算法（IGWO）对模型进行求解，并引入反向学习策略和非线性收敛策略来提高算法的求解效率。以国内某露天矿的实际生产为例，分别利用粒子群算法（PSO）、灰狼算法（GWO）和IGWO算法对模型进行求解对比。结果表明：该生产计划模型更加符合露天矿多种矿产资源综合开采利用的实际需求，IGWO算法较PSO算法运行速度上提高了71%，在求解精度上提高16%。该生产计划方案对多金属露天矿山矿产资源综合利用及精细化排产具有重要的指导意义，可促进企业可持续发展。     

基于支持向量机的露天矿边坡地表变形预测

在充分考虑露天矿边坡地表变形影响因素复杂性的前提下,基于丰富的地表变形监测资料,建立了露天矿边坡地表变形预测的支持向量机（SVM）模型,并采用遗传算法对核函数和惩罚因子进行确定.将该模型应用于抚顺露天矿边坡地表变形的预测,预测结果最大误差为3.014 cm,表明该模型是定量预测露天矿边坡坡肩地表变形量的一种有效方法.     

基于随机权重法改进PSO-ELM的露天矿边坡稳定性分析

为提高极限学习机(ELM)模型在弓长岭露天矿边坡稳定性预测中的精度,有效解决ELM模型在训练过程中随机产生的连接权值和隐含层阈值而导致模型稳定性差的问题,引入基于随机权重法改进的粒子群算法(IPSO)进行优化,提出了改进粒子群算法优化极限学习(IPSO-ELM)模型,将该模型应用到弓长岭露天矿边坡监测的数据中,把预测结果与ELM模型和PSO-ELM模型的预测值进行对比分析,结果表明：IPSO-ELM模型预测值接近于实测值,预测精度高、预测速度快,模型构建合理,在露天矿边坡预测中具有较高的可行性,可作为露天矿边坡预测的一种参考方法。     

露天矿高陡边坡变形预报的最优LMBP算法研究

为提高BP神经网络在露天矿高陡边坡变形监测数据预测的精度与可靠性,建立了基于LM算法改进的LMBP神经网络预测模型。以某露天矿边坡监测数据为样本,构建了LMBP最优网络拓扑结构,通过MATLAB编制程序进行了网络训练和预测,应用结果表明:LMBP神经网络具有良好的函数逼近能力及较快的网络收敛能力,且该模型计算结果较为精确,预测精度较高。     

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.     

BP神经网络在露天矿边坡稳定性分析中的应用

对边坡进行稳定性分析是治理边坡工程的基础,正确确定露天矿边坡稳定性对于露天矿山工程具有非常重要的意义。本文在分析国内外大量露天矿边坡稳定性研究成果的基础上,采用改进的BP神经网络算法建立了露天矿边坡稳定性分析的神经网络预测模型,并对模型的预测精度进行了验证,结果表明,实际输出与期望输出基本吻合。将所建立的网络模型应用某露天矿边坡稳定性预测,取得了较好的效果。     

多策略灰狼算法优化SVM的尾矿坝地下水位预测

为实现尾矿坝地下水位预测及预报预警,以尾矿坝地下水位为研究对象,将库水位、最小干滩长度等5个变量作为影响参数,尾矿坝地下水位为输出变量,建立支持向量机(SVM)预测模型。引入多策略改进的灰狼优化算法(MGWO)确定SVM模型参数,并以工程实例进行仿真预测。结果表明,MGWO-SVM模型平均相对误差0.24%,平均绝对误差0.02 m,与传统模型相比精度高、性能优越,将其应用于尾矿坝地下水位预测具有较好的适用性和可靠性。     

基于IGWO优化LSSVM的采煤机截割部齿轮箱故障诊断

为准确诊断采煤机截割部齿轮箱故障,提出一种新型故障诊断模型。振动信号经变分模态分解得到本征模态函数(IMF),计算IMF分量的样本熵构造特征向量;采用改进灰狼算法(IGWO)优化最小二乘支持向量机(LSSVM)模型的高斯径向基核函数参数和惩罚因子,建立IGWO-LSSVM故障诊断模型进行采煤机截割部齿轮箱故障识别。实验数据对比表明,IGWOLSSVM的采煤机截割部齿轮箱故障诊断模型故障分类性能更好,准确率更高。     

基于鲸鱼算法优化支持向量机的露天煤矿边坡稳定性预测

边坡的稳定性对露天矿山的安全影响重大,为了快速地对露天煤矿边坡稳定状态进行判断,提出了一种基于鲸鱼算法(WOA)优化支持向量机(SVM)的露天煤矿边坡稳定性预测模型,该方法使用WOA对SVM模型的惩罚系数及核函数参数的取值进行了优化,解决了SVM模型的初始参数值选取困难的缺点。利用WOA优化后的SVM模型对收集到的边坡数据进行预测,并与RF、BP、SVM模型的预测结果进行对比。结果表明,WOA优化后的SVM模型具有更高的预测精度,该模型对确定露天煤矿边坡稳定状态有一定的参考价值。     

露天矿边坡监测中的小波滤噪与BPANN预测

针对边坡变形量预测难的问题, 将小波分析与BP神经网络预测相结合, 采用小波变换对边坡变形监测数据进行信噪分离, 进而消除观测误差, 通过BP神经网络预测模型BPANN对处理后数据进行再处理, 对边坡变形量以及变形趋势进行预测。进而提出了一种基于小波变换和BPANN模型对露天矿边坡变形监测数据进行处理分析的方法, 并在鞍山某露天矿进行了实际应用。实例结果表明: 利用小波去噪与BPANN模型预测的监测点精度达到3 mm, 满足二等变形监测的要求, 数据处理简便, 在露天矿边坡变形监测数据的消噪与预测中具有实际应用价值。     

基于HGSVMA的露天矿卡车行程时间动态预测研究

针对露天矿卡车在车流规划中的行驶时间预测问题,提出一种基于遗传算法优化SVM参数方法,并考虑卡车状态、速度、载重量以及路面类型、坡度等9个影响因子,构建了基于HGSVMA的露天矿卡车行程时间预测模型。实验选取某大型露天矿卡车调度系统所采集的卡车行程时间进行仿真模拟,并将HGSVMA模型与GS-SVM、PSO-SVM和GA-SVM模型的预测结果进行对比,结果表明,HGSVMA模型预测效果最好,对提高露天矿卡车行程时间预测具有良好的应用前景。     

红旗铁矿改进Knothe时间函数开采沉陷预计模型

针对Knothe时间函数模型对开采沉陷过程的预计结果与沉陷实际发生过程不完全符合的问题,分析了该模型的缺陷,提出了改进的Knothe时间函数开采沉陷预计模型。结合河北省武安市红旗铁矿6300综放工作面地表沉陷实测数据,构建了改进的Knothe时间函数开采沉陷预计模型,并进行了模型精度分析。研究表明:经过累计387 d观测,改进的Knothe时间函数开采沉陷预计模型的预计值与实测值的误差为0.2~73.6 mm,平均误差为35.2 mm,优于BP神经网络模型(误差为8.1~143 mm,平均为49.9 mm)、SVM模型(误差为0.7~105.1 mm,平均为35.8 mm)以及概率积分法模型(误差为18.2~180.5 mm,平均为102.6 mm),对于高精度预计该矿开采沉陷具有一定的作用。     

参数优化GA-ELM模型在露天煤矿抛掷爆破的预测

为有效指导露天煤矿制定正确生产计划,提高露天煤矿抛掷爆破预测的准确率,在分析露天煤矿抛掷爆破影响因素的基础上,通过"试错法"确定模型最优隐含层节点参数,进而提出一种参数优化后遗传算法(GA)和极限学习机(ELM)相结合的抛掷爆破预测模型。选取网络的输入输出相关参数,针对现有ELM输入权值矩阵和隐含层偏差,采用遗传算法对其进行优化选择;利用某露天煤矿抛掷爆破监测数据对该模型进行实例分析,并将RBF,BP,SVM,GA-BP模型预测结果与该模型进行对比分析;并引入Weibull模型,通过预测控制参数ɑ,β模拟爆堆形态。研究结果表明:(1)通过"试错法"确定GA-ELM模型最优隐含层节点数为39,有效降低系统的仿真误差,该参数下仿真误差值为0.137 7;(2)相较于传统ELM预测模型,通过遗传算法优化后,有效抛掷率,松散系数以及抛掷距离均得出更小的均方误差MSE值(0.258 0,1.748 5×10-4,3.618 4)和更高的决定系数R2值(0.986 4,0.995 3,0.970 6),改进后的GA-ELM具有更好的拟合效果和泛化能力;(3)通过与其他智能算法如BP,RBF,SVM,GA-BP相比,改进后的GA-ELM测试结果(均方误差,决定系数,仿真误差)明显优于其他预测模型,有效提高预测精度;(4)利用训练完成的GA-ELM网络预测爆堆形态时,控制参数a,β的预测误差均未超过5%,预测爆堆曲线接近真实爆堆曲线。     

一种露天矿高边坡形变监测的新方法

针对露天矿高边坡监测精度要求高、实时性强、难以全面覆盖、接触困难等问题，分析了地基雷达测量的技术特点，研究了基于地基雷达的露天矿高边坡形变监测方法及大气扰动改正、时序分析等关键技 术。结合三友矿边坡变形监测试验，给出了地基雷达数据的处理流程，基于振幅离散指数、估计的稳定性指数、位移精度等参数的雷达数据质量评价方法。针对露天矿边坡长时间、远距离监测中的大气扰动问题，探 索了基于PSC网的大气校正方法，取得较好的大气改正效果，监测结果与高精度测量机器人的监测结果相一致，验证了所提监测方法的有效性。研究结果表明：监测目标区域稳定边坡雷达影像的振幅离散指数优于0.1 ，相位估计的稳定性指数大于10，位移精度优于0.2 mm。PSC网大气校正能有效消除昼夜温差和湿度引起的相位变化，实现亚毫米级测量精度。基于时序分析技术，实现露天矿高边坡微形变监测，为矿山边坡安全提供 了一种新的监测方法。     

地下转露天开采条件下某露天矿高陡边坡稳定性分析

某露天矿为地下转露天开采,在复杂工程地质条件和原地下采空区的综合影响下,露天边坡极易发生塌陷、台阶失稳等灾害,严重威胁露天矿安全生产。为研究地下转露天开采条件下某露天矿高陡边坡的岩体变形破坏规律,结合实际地质条件,利用Dimine-Midas/GTS NX耦合建立大型露天矿三维工程地质模型,并进行稳定性计算分析。分析结果表明:地下采空区顶板变形量较小,对露天矿边坡影响不大;南部强风化岩区域边坡位移量较大,边坡有向外"滑动"的趋势;开挖至-180m平台时,边坡安全系数降至临界值,并出现塑性区开始贯通坡脚现象;综合分析得出该矿山开采的临界水平为-180m平台。通过对该实例工程边坡的破坏机制分析,揭示了边坡变形破坏的主要因素,并为后续边坡治理提供理论指导。     

滑坡灰色预测与实例分析

边坡稳定与否是露天矿山安全生产的关键问题之一。本文应用灰色理论方法,建立了灰色预测模型,并以变形实测资料为基础,回归求出相关参数,并对边坡预测模型的误差进行了拟合分析,其拟合精度非常高;然后对后续变形进行了预测,预测结果表明,随着露天开采的继续,边坡变形会持续增大,由此将对边坡安全产生严重的影响,因此,需要对边坡稳定采区控制措施,同时强化预警体系建设,以便确保安全生产。