基于改进BP神经网络的矿井瓦斯浓度预测算法

针对传统煤矿瓦斯预警的可靠性差和误差大等问题,提出了一种基于改进BP神经网络的矿井瓦斯浓度预测算法。提出的新型算法在传统BP神经网络算法的基础上,将遗传算法与BP神经网络算法有效结合,采用优化连接权方法对BP神经算法进行优化。该方法降低了瓦斯浓度预测模型的迭代次数和绝对误差。     

基于小波分析及BP神经网络的瓦斯浓度预测方法研究

提出了一种基于小波分析与BP神经网络的矿井工作面瓦斯浓度预测算法,综合利用了小波分析算法的信号去噪作用以及BP神经网络可以拟合任何非线性系统的能力,并采用Matlab软件实现了该算法在瓦斯浓度预测上的应用。试验结果证明,对于短期内的工作面瓦斯浓度预测,该算法具有较好的预测效果。     

基于BP神经网络的煤矿瓦斯浓度预测模型构建及仿真

在分析影响煤矿瓦斯浓度的各种因素具有非线性特征的基础之上,采用BP算法构建煤矿瓦斯浓度预测模型,实现对各种因素进行非线性映射,进而达到对煤矿瓦斯浓度进行预测的目的。MATLAB仿真结果表明,该模型具有预测精度较高、预测速度快、预测效果好等优点。     

基于遗传算法优化BP神经网络的瓦斯浓度预测研究

为了提高瓦斯浓度预测的精度和稳定性,提出了将遗传算法(GA)与BP神经网络结合的预测方法。利用BP神经网络能以任意精度逼近非线性函数的优点,结合遗传算法的全局搜索能力,优化神经网络权值和阈值,建立GA—BP混合算法模型预测瓦斯浓度。实验结果表明,GA—BP算法与BP神经网络相比,具有较高的预测精度和较强的稳定性。     

基于BP神经网络和模糊控制的智能通风系统设计

针对传统的井下局部通风机恒速运行及浪费电能的缺陷,提出了一种基于BP神经网络和模糊控制的智能通风系统。将井下瓦斯浓度、温度、湿度及煤尘等参数输入到BP神经网络模型中,对井下风量进行预测,通过当前风量与预测风量的对比,运用模糊控制算法对变频器电压进行调节,从而实现对变频器输出频率的控制,有效降低了局部通风机的耗电量,对煤矿安全生产具有重要的现实意义。     

神经网络与组态监控在煤矿瓦斯监测中的应用

针对煤矿井下环境恶劣而引起瓦斯传感器误报警等问题,即瓦斯"大数"问题,研究将组态监控软件和BP神经网路应用于煤矿瓦斯监控系统中,利用组态监控软件可以实时观测瓦斯浓度,查询传感器任何时间的输出,显示瓦斯浓度变化,通过BP神经网络的设计和多次训练,不断修正网络参数,最终确定了合理的神经网络,并对该网络进行测试,不仅可以把干扰消除,同时还能辨别出由于瓦斯突出造成的数据超出设定的百分比浓度点,做到可以准确的报警。     

无线传感网络瓦斯监控系统设计

为了解决瓦斯监测节点部署制约开采进度和传统瓦斯传感器调校周期短的问题,采用JENIC5139模块架构了无线瓦斯传感器监控系统,该系统由红外瓦斯传感器节点、井下中心站和井上瓦斯监控计算机组成,通过红外瓦斯传感器实现瓦斯浓度的检测,基于无线传感网络的井下中间站实现检测数据的及时发送、瓦斯传感器的在线调校和参数动态设定,通过上位机不但可以随时了解瓦斯传感器的工作状态,还可以实现瓦斯传感器的动态调零、非线性动态修正.     

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。     

ZigBee矿井人员定位及瓦斯检测系统的设计应用

针对煤矿井下作业环境的复杂性以及安全检测井下瓦斯浓度的要求,提出了一种基于ZigBee无线传感器技术的井下移动人员定位及其周围瓦斯浓度检测系统的设计方案。利用ZigBee嵌入式技术实现可移动终端节点、路由节点以及协调器节点的硬件设计。通过GPRS远程定位技术实现对井下人员定位;运用ZigBee技术实现了移动中瓦斯检测和数据的无线传输。实验证明人员定位精度、瓦斯监测精度符合煤矿安全生产要求。     

基于ANFIS的煤体瓦斯渗透率预测模型研究

为有效预测煤体瓦斯渗透率,预警井下作业时瓦斯浓度变动,利用神经网络的自适应学习能力和模糊推理系统的经验知识建立自适应神经模糊推理系统(ANFIS)预测模型,并基于实验室数据将其预测结果与BP神经网络模型和支持向量机(SVM)模型的预测值作对比。研究结果表明:ANFIS模型的收敛速度快,预测值与实测值相符度高;在误差精度、训练速度和收敛性等方面,其性能优于其他两种模型,可通过有效应力、瓦斯压力、温度和抗压强度对瓦斯渗透率进行高精度的预测。