基于ANFIS的多信息融合煤岩识别方法研究

将采煤机滚筒截割振动特性作为煤岩识别的标识之一,利用自适应模糊神经网络推理系统(ANFIS)将采煤机的工作状态信息进行融合,建立了多信息融合的煤岩识别模型,并利用模拟实验中采集的数据完成煤岩分界识别的实验研究,结果表明利用该方法实现采煤机的煤岩识别是可行的,并为实现采煤机姿态的自动控制提供依据。     

基于RBF神经网络的连续采煤机故障诊断研究

为了能够提高连续采煤机故障诊断的效率和精度,深入地研究了基于改进遗传算法的RBF神经网络在其中的应用。分析了连续采煤机的主要故障类型;分别研究了RBF神经网络的基本原理和改进遗传算法的基本原理;进行了连续采煤机故障诊断的实例分析,仿真结果验证了该故障诊断技术的有效性。     

基于采煤机摇臂惰轮轴受力分析的综合煤岩识别方法

提高采煤自动化、无人化程度的关键在于提高采煤机对煤炭和岩石的识别能力,在记忆截割的基础上,采用灰色预测理论,提出了1种基于滚筒采煤机摇臂惰轮轴受力分析的综合煤岩识别方法,通过实时检测采煤机在截割不同介质时的惰轮轴受力,并根据惰轮轴受力建立采煤机截割路线智能预测系统,实时修正截割路线,提高了采煤机的追踪适应能力。该方法在中煤张家口煤机厂实验平台上进行截割实验验证,结果表明：采煤机割岩时受力比割煤时平均受力大19.45%,能够很好的对煤岩界面进行识别。     

基于RBF神经网络的瓦斯涌出量预测

传统瓦斯涌出量预测方法存在一定的局限性,预测精度不能满足要求。为了提高瓦斯涌出量预测精度,采用RBF神经网络对瓦斯涌出量相关数据进行建模。通过训练13组样本,对5组数据进行预测,分析了隐层神经元个数对预测精度的影响,并与同结构的BP神经网络预测结果进行了对比。研究结果证明了RBF神经网络在瓦斯涌出量预测中的有效性。     

一种基于耦合算法的矿井风流温度预测新方法

针对矿井风流温度预测工作的复杂性及各个影响因素的模糊的非线性关系,传统预测方法难以构建预测模型,导致预测精度低的特点,提出一种基于RBF神经网络的矿井风流温度预测方法;并利用粒子群算法对RBF神经网络参数进行寻优,利用煤矿历史数据对预测模型进行仿真研究。结果表明,提出的基于改进粒子群算法的RBF神经网络模型(MPSO-RBF)具有收敛速度快,预测精度高的特点,为矿井风流温度预测领域提供理论支撑。     

自组织竞争神经网络在采煤机煤岩界面模式识别中的应用

采煤机煤岩界面识别技术是实现采煤工作面自动化的关键技术之一。利用自组织竞争神经网络对采煤机煤岩界面模式识别进行仿真分析,结果表明,自组织竞争神经网络能对输入向量模式进行正确分类,并能很好地解决采煤机煤岩界面模式识别问题,从而为采煤机煤岩模式识别器的改进提供了技术参考。     

基于神经网络和Dempster-Shafter信息融合的煤岩界面预测

针对煤岩界面识别精度无法满足采煤机自动调度的情况，提出采用神经网络融合工作面的三边信息，使用D－S证据理论再将此信息和不断获得的煤岩界面识别信息进行二次融合，从而实现在线融合和在线预测，不断提高预测精度，仿真结果显示：该方法不仅对地质条件好的工作面有效，而且对断层也有一定的适应性；同时，具有优良的容错性。     

基于神经网络的采煤机系统故障预测与诊断研究

通过监测采煤机的实时工作状态参数,并利用神经网络在数据处理方面具有高度的并行性的特点,对采煤机系统的故障属性进行预测与诊断。结果表明,除在极少数时间节点外,采用该方法得到的预测值与实际值的误差都较小。因此,基于神经网络的方法,建立采煤机系统的故障预测与诊断模型,有利于提高故障的诊断效率,对现场施工具有一定的理论指导意义。     

基于滤波预测的电牵引采煤机自动控制系统研究

电牵引采煤机控制系统的自动化程度影响着煤炭开采的效率,采用卡尔曼滤波预测电流作为反馈实现恒功率截割从而提高开采效率。在对电牵引采煤机系统组成结构进行分析后,对牵引部控制方案进行详细设计,通过监测电流反馈煤岩的硬度,并采用卡尔曼滤波算法根据前时刻采集的电流、协方差矩阵等预测下一时刻的电流,将其反馈给PLC控制器,实现恒功率截割。仿真结果显示,卡尔曼滤波预测方法的预测值与真实值之间的误差较小,可用于电牵引采煤机牵引控制中。     

基于BP神经网络的采煤机自动调高PID控制系统研究

由于采煤机记忆截割技术应用在复杂煤层中具有局限性,提出一种基于BP神经网络的PID控制器,对采煤机的液压自动调高系统进行优化。通过BP神经网络的预测控制原理,改进PID控制器参数。搭建了采煤机滚筒调高PID控制实验系统,并进行了阶跃响应实验和跟踪性能实验。结果表明,相比于传统PID控制器,改进的PID控制器响应更为平稳、跟踪性能更加优越,能更好地满足采煤机在复杂工况下的自动调高要求。