基于改进的SSA优化BP神经网络的导水断裂带高度预测

针对在采煤沉降灾变预警建模中导水断裂带高度难以准确预测的问题，提出一种基于改进麻雀搜索算法（SSA）优化BP神经网络的导水断裂带高度预测模型；为增强预测模型的全局搜索和逃离局部最优的能力，在标准SSA中加入Tent混沌映射初始化种群，提高种群分布的均匀性和多样性，并引入高斯变异、高斯扰动算法以及动态步长因子，提高SSA跳出局部最优的能力和求解精度；通过实践应用，将改进的SSA-BP与SSA-BP、PSO-BP、BP以及前人研究的GA-SVR模型预测结果进行对比。结果表明：基于改进的SSA-BP预测模型的平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、均方根误差（RMSE）和决定系数（R2）分别为1.23 m、2.64%、1.51 m和0.985，均优于其它模型，提高了导水断裂带高度预测的准确性和稳定性。     

基于CSSA-F-SVM模型的矿用卡车发动机智能故障诊断

针对矿用卡车发动机小样本故障数据导致诊断精度不足的问题,提出了一种基于改进的麻雀搜索算法优化基于凸半径边缘的SVM模型(F-SVM)的矿用卡车发动机智能故障诊断方法。首先,针对麻雀搜索算法中全局搜索能力不足的问题引入链式搜索策略。其次,遵循位置最优原则,对加入者位置更新进行改进,以提高其收敛性能。最后,使用改进后的麻雀算法对F-SVM的核参数g和惩罚因子C进行寻优,进而构建矿用卡车发动机故障诊断模型。实验结果表明,本文CSSA-F-SVM模型方法的预测准确度更高,分别较传统SVM和F-SVM模型提高了21.5%和4.1%。该模型能够较好地实现矿用卡车发动机常见故障的诊断,适用于小样本数据的故障预测,可为矿山机械设备的智能故障诊断提供参考。     

基于TSSA-SVR的焦炭质量预测模型研究

摘 要：焦炭质量对高炉冶炼的生产有着极大的影响,建立精确度高、适应性好的焦炭质量预测模型对企业生产具有重要的意义,为解决生产过程中焦炭质量难以实时测量的问题,提出一种基于混沌麻雀搜索算法（TSSA）优化支持向量回归机（SVR）的焦炭质量预测模型。首先采用改进Tent混沌映射初始化种群,加强麻雀搜索算法（SSA）的全局搜索能力,然后利用TSSA对SVR的参数进行优化,有效克服了传统SVR的参数选取问题。选取配合煤中的水分、灰分、挥发分等七项指标作为模型的输入,焦炭质量中的抗碎强度,耐磨强度,反应性、反应后强度四项指标作为模型的输出,依据焦化厂历史生产数据,对TSSA-SVR模型进行实例验证,并与SSA-SVR、SVR模型进行对比分析,实验结果表明,提出的方法具有较好的准确度和适应性,对焦炭生产具有一定的实用价值。     

基于SSA-BP神经网络的岩爆烈度等级预测

随着深部开采战略在我国的发展,岩爆愈加成为我国资源开采时必须面对的地质灾害之一。为提高传统误差反向传播（Back Propagation,BP）神经网络模型进行岩爆预测的准确性与有效性,采用麻雀搜索算法（Sparrow Search Algorithm,SSA）优化传统BP神经网络,提出一种基于麻雀搜索算法优化BP神经网络的岩爆预测模型(SSA-BP模型)。在考虑岩爆产生的内外因基础上,选取相关岩爆预测指标,利用国内外100例已有工程岩爆数据建立SSA-BP模型,并与传统BP模型、粒子群算法（Particle Swarm Optimization, PSO）优化支持向量机（Support Vector Machines, SVM）模型对比。结果表明：SSA-BP预测模型的有效性和准确度皆高于传统BP模型和PSO-SVM模型,同时SSA-BP模型训练集的均方误差(Mean Square Error,MSE)为0.081,比传统BP模型（0.25）降低67.7%,可为类似工程的岩爆预测提供科学依据。     

基于混沌搜索的螺旋滚筒参数免疫优化

为了提高采煤机螺旋滚筒的装煤能力,建立了滚筒装煤性能参数优化模型,并提出了一种基于混沌搜索的免疫优化算法。利用混沌变量的遍历性和随机性,通过Logistic映射生成初始种群,利用混沌扰动对低亲和力个体进行局部搜索。滚筒参数优化实验结果表明,新免疫算法收敛速度更快,搜索能力更强。     

采煤机概念设计生态学模型构建与实现

为提高采煤机概念设计和综采工作面三机协同设计的效率和质量,面向采煤机概念设计中内部结构之间以及综采三机之间协同配合过程,将生态学理论引入到采煤机概念设计中,构建基于生态学的采煤机概念设计模型。在对比综采工作面与生态学相似性的基础上,提出综采工作面生态学模型和采煤机个体生物学模型。研究了采煤机与刮板输送机和液压支架多种群之间的参数耦合关系以及采煤机内部部件之间的协同配合关系,通过同质种群的竞争与异质种群的协同合作筛选出优势功能结构基因解,并根据三机的参数耦合关系运用公式计算与模型推理相结合的方法,实现了采煤机功能结构的设计和总体技术参数的求解。在上述理论研究基础上,基于web平台开发出具有友好交互界面的采煤机多种群协同概念设计系统,实现了该方法的应用。最后以大采高工作面采煤机的协同设计实例验证了该方法的有效性。     

Unidirectional guided-path network design method based on hybrid genetic algorithm

针对自动导引车系统单向导引路径网络设计问题提出一种混合遗传算法。建立综合考虑空载和负载总路程的路径网络设计模型,并对路径网络进行预处理,以降低算法复杂度;遗传算法采用二进制编码,每位染色体都对应一条路径的方向;为提高遗传算法的收敛速度,在选择、交叉和变异后增加了禁忌搜索操作;为保持种群的多样性,在形成新一代种群时采用基于海明距离的小生境淘汰运算。实验结果表明,与传统遗传算法和禁忌搜索算法相比,所提算法具有更好的整体性能。     

基于深度迁移学习的采煤机摇臂部滚动轴承故障诊断方法

针对长期正常服役的采掘装备典型故障数据少、有标签数据不足,故障诊断模型训练效果不好等问题,提出一种基于深度迁移学习的采煤机摇臂部传动系统故障智能诊断方法。利用该方法将模拟平台故障数据训练后获取的故障诊断模型参数迁移至采煤机智能故障诊断模型中,从而在不同设备之间进行迁移学习,实现基于小样本数据的采煤机摇臂部智能故障诊断。通过构建预训练的卷积神经网络,将转换为二维时频分布的图像数据集作为预训练模型的输入,并将预训练模型的网络参数迁移至采煤机摇臂传动系统故障诊断模型中,通过保证低层网络不变保留模型的泛化能力,将含有标签的数据集作为采煤机摇臂传动系统智能故障诊断模型的训练数据集对模型进行训练,通过微调高层网络参数进行模型优化和权值更新,得到采煤机摇臂传动系统迁移故障诊断模型,提高了模型的特征提取能力减少了误差。为验证方法有效性,以传动系统滚动轴承为研究对象,采用西储大学轴承数据作为训练集,DDS传动系统平台模拟井下采煤机摇臂部传动系统工况得到滚动轴承监测数据,作为测试集进行试验验证。试验结果表明：滚动轴承平均故障识别精度达到99.59%,与传统的智能故障诊断方法相比,提出的智能故障诊断方法收敛...     

基于优化终端滑模模糊神经网络的板形模式识别

针对板形模式识别问题, 将板形信号离散化、归一化, 作为终端滑模模糊神经网络的学习样本, 建立识别模型。在模糊神经网络的基础上, 利用终端滑模权值调整律代替梯度下降法的权值调整律, 提高网络的精度。为了进一步提高识别的精度以及收敛速度, 引入布谷鸟算法优化模糊神经网络的模型参数。仿真结果表明, 提出的识别模型对训练样本和未训练样本的平均最小方差分别为0.000 5和0.011 0, 比模糊神经网络(FNN)和径向基神经网络(RBF)的值都小。对某冷轧厂宽度1 040 mm带材的一组实测板形数据识别结果表明, 相比于FNN和RBF网络, CS-TSMFNN的识别效果更好。     

融合传感数据和模型的采煤机VR系统研究

为了提高采煤机虚拟现实（VR）系统的场景显示效果，首先构建了采煤机姿态虚拟仿真方法流程，设计了采煤机VR系统总体架构；确定了以UDP网络协议为基础的采煤机实时传感数据流通信方法，提出了基于采煤机状态的实时模拟量数据插补推测融合算法；结合物理光照模型、实时渲染等新兴技术，提出了采煤机关键监测数据的实时特效渲染及传感数据和模型融合渲染方法，为采煤机VR监控提供了准确、直观和真实的表达方案。搭建了采煤机VR监控实验平台，验证了所设计采煤机VR系统的可行性和实用性。     

基于迁移学习的采煤机摇臂传动故障研究

针对传统故障诊断方法无法有效识别并自动分类实际工况中采煤机摇臂传动故障多的非线性、非平稳信号,提出一种基于迁移学习的采煤机摇臂传动故障诊断模型。基于迁移学习思想,构建基于深度迁移学习的采煤机摇臂传动故障诊断模型;采用多标签分类及sigmoid函数,对模型进行改进,实现对采煤机摇臂传动复合故障的识别与分类;最后,通过仿真实验验证了改进模型性能,并对比了提出模型与传统智能故障诊断模型DCNN、SVM、LSTM、CNN在迁移任务中的分类准确率。结果表明,相较于传统智能故障诊断模型,基于深度迁移学习的采煤机摇臂传动故障诊断模型具有更高的诊断精度,且收敛速度更快,可提高采煤机摇臂传动系统的工作可靠性。     

矿井通风网络的多种群自适应粒子群算法优化研究

针对矿井通风网络分支风量优化问题,以矿井通风网络的总功率最小为目标,结合矿井模型中风量平衡方程、风压平衡方程、分支阻力方程以及风机特性曲线方程等约束条件,提出一种多种群自适应粒子群优化算法(MA-PSO)对矿井通风网络实现寻优。首先对随机生成的种群进行初始化预处理,将适应值从高到低排序,然后以预处理后的局部最优解为圆心,以局部最优解与其他粒子的欧式距离的平均值为半径,将种群划分成五个子种群,接着在速度更新公式中引入拓扑项和种群交流因子,以种群为单位在求解空间中搜索,保障种群的多样性,从而加快种群进化和算法收敛速度;最后采用自适应权重和冗余粒子初始化淘汰策略,提高算法搜索能力和学习能力。仿真结果表明:该算法具有较好的多模态寻优率、更快的收敛速度和更高的收敛精度,优化后通风系统消耗的总功率较之前相比下降26. 78%,节能效果显著。     

基于ISSA-XGBoost模型的多特征融合露天矿卡车行程时间预测

针对露天矿运输系统卡车行程时间预测问题,提出了一种基于特征选择及改进麻雀算法优化XGBoost的露天矿卡车行程时间预测模型。模型充分考虑了卡车特征、道路特征、气象特征以及时间特征对卡车行程时间的影响,并使用皮尔逊系数法深入分析影响因素的贡献度。针对麻雀算法中全局搜索能力薄弱的问题引入反向学习和螺旋搜索策略,以提高算法的收敛性能。最后,使用改进的麻雀算法对XGBoost的关键参数进行寻优,进而构建露天矿卡车行程时间预测模型。选取国内某大型露天矿卡车调度系统采集的数据进行仿真模拟,并将所提出模型与SVM、BP、RBF和RF等其他机器学习模型进行对比。结果表明：所提出模型的预测误差均低于其他模型,相关系数可达0.981 9。开发的模型和分析结果可以极大地帮助决策者规划、运营和管理更高效的露天矿运输系统。     

基于偏最小二乘方法的采煤机螺旋滚筒装煤效果研究

通过对采煤机滚筒装煤能力分析,选取影响滚筒装煤性能的关键因素。基于相似理论设计微缩采煤机沙盘模型进行装煤效果对比试验,对滚筒转速、牵引速度与轮毂外形角度3个不同条件下的采煤机装煤效果进行实验,采用正交设计方法获得实验数据。利用偏最小二乘回归方法PLSR在模型参数辨识中的优势,辨识出装煤效果模型。仿真结果表明该方法不但可以准确地建立适用于不同条件下的滚筒装煤效果评估模型,同时具有实验简单,次数少,模型预测能力强,模型参数物理意义明显等特点。     

基于BLSTM方法的采煤机行星轮典型故障诊断分析

为了提高采煤机行星轮的典型故障诊断精度,提出了一种基于集合经验模态分解(EEMD)和双向长短时记忆网络(BLSTM)的采煤机行星轮故障诊断方法。通过对行星轮4种故障单工况信号进行诊断,实验结果表明:处于初期迭代阶段时LSTM模型发生了快速收敛,进入后期迭代阶段时BLSTM模型更快完成拟合过程;当节点数增加后,验证精度发生了先提高再降低的现象,诊断用时快速延长;当节点数为100时,网络达到了最高验证精度。该研究对提高采煤机运行效率具有一定的指导意义。     

基于模糊神经网络的往复压缩机的性能预测研究

为了能够准确地预测出往复压缩机的性能参数值,利用了模糊神经网络(FNN)建立对其进行性能预测的神经网络模型,可以研究往复压缩机的流量、容积系数和效率之间的神经网络与预测关系。利用NGA遗传算法,依靠MATLBA软件实现了FNN神经计算,分别对往复压缩机的效率进行了性能预测,预测效果表明,FNN神经网络的计算模型可以提高预测效率和预测精度。     

基于改进蜂群算法的冷连轧规程优化设计

综合考虑现场和设备所受的约束条件,以等负荷和克服打滑为目标函数,建立了轧制规程多目标优化模型。为了提高算法性能,对人工蜂群算法进行了改进。首先,应用反向学习的策略初始化种群,使得个体尽可能均匀分布在搜索空间。其次,人工蜂群算法采用不同的选择机制,提高收敛速度和寻优精度。最后,用改进的算法对某五机架冷连轧机进行规程优化设计。结果表明,改进的人工蜂群算法能有效避免早熟收敛,全局优化能力和收敛速率都有显著提高。     

改进YOLOv5s的采煤机滚筒与支架护帮板干涉状态智能识别

针对综采工作面液压支架护帮板处于未收回异常状态导致采煤机滚筒与护帮板干涉问题,提出一种改进YOLOv5s的采煤机滚筒与液压支架护帮板干涉状态智能识别方法。运用课题组前期提出的基于边界约束和非线性上下文正则化的去雾去尘方法对视频图像进行清晰化处理,提高综采工作面监控视频图像质量;对YOLOv5s模型进行改进,通过将YOLOv5s主干网络中的普通卷积Conv替换为分类效果更佳的Ghost卷积,减少了模型的参数数量,提高了模型识别速度,同时引入坐标注意力机制,提高了模型对护帮板和滚筒特征提取能力,从而提高模型识别精确率。运用软非极大值抑制算法（Soft-NMS）的锚框筛选方法,减少因护帮板重叠而发生漏检问题。针对采煤机滚筒与液压支架护帮板干涉状态判定问题,提出液压支架护帮板与采煤机滚筒锚框重合度的判定方法。运用本文改进YOLOv5s模型与YOLOv5s、YOLOv3-tiny模型进行对比分析,结果表明：本文方法与原模型相比的识别精确率提高了约8.1%,GFLOPs降低1.86倍;mAP@.5达到97.2%、平均识别速度为检测时间为5.9 ms。运用本文方法对煤矿实际综采工作面采煤机滚筒与液压...     

基于LASSO-RBFNN的采煤机液压系统故障诊断研究

针对采煤机液压系统故障诊断精度不高的问题,提出一种套索（LASSO）算法与径向基函数神经网络（RBFNN）相结合的故障诊断模型。首先利用LASSO算法去除液压系统中冗余特征,筛选关键故障特征,减少模型过拟合风险;故障特征筛选后确定RBFNN拓扑结构,将采煤机液压系统故障数据输入模型中,进行故障诊断;最后将LASSO-RBFNN模型诊断结果与RBFNN模型和BP神经网络模型诊断结果进行对比。试验结果表明,该模型可用更短的网络训练时间得到较高的故障诊断精度。     

基于粒子群三次样条优化的采煤机截割路径规划

针对采煤机截割路径的规划问题,提出了粒子群三次样条优化的采煤机截割路径规划方法。三次样条曲线具有很好的分段光滑性,是比较好的曲线拟合方法,但涉及系数求解时,计算繁琐,借助粒子群算法的快速收敛和很强的全局寻优能力,能够快速、准确地确定样条曲线参数,实现采煤机的最优路径规划。试验结果表明,粒子群三次样条优化的采煤机截割路径规划方法规划的路径平滑、可靠,利于采煤机的自动控制。