CN106779071B - 一种用于矿井通风机的神经网络自适应调速方法 - Google Patents
一种用于矿井通风机的神经网络自适应调速方法 Download PDFInfo
- Publication number
- CN106779071B CN106779071B CN201611175707.1A CN201611175707A CN106779071B CN 106779071 B CN106779071 B CN 106779071B CN 201611175707 A CN201611175707 A CN 201611175707A CN 106779071 B CN106779071 B CN 106779071B
- Authority
- CN
- China
- Prior art keywords
- adaptive
- neural network
- value
- formula
- follows
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 16
- 238000009423 ventilation Methods 0.000 claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 210000000349 chromosome Anatomy 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 12
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 230000008878 coupling Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000005312 nonlinear dynamic Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012384 transportation and delivery Methods 0.000 abstract 2
- 230000000694 effects Effects 0.000 description 5
- 239000003245 coal Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002817 coal dust Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
Abstract
本发明涉及一种用于矿井通风机的神经网络自适应调速方法，包括：利用瓦斯浓度传感器、压力传感器、激光转速仪分别测量巷道瓦斯浓度、风压、电机的转速等风机风量影响参数信息，并利用神经网络优良的非线性映射能力，建立了所述风量影响因素与通风机转速之间的非线性映射关系，获得矿井通风机自适应控制模型。本技术方案通过应用Elman神经网络和自适应遗传优化方法，并结合变频调速技术，实现了对矿井通风机风量的准确控制。该方法收敛速度快、精度高且具有较好的稳定性，在达到所需风量的同时有效节约了能源。
Description
技术领域
本发明涉及矿井通风机智能控制技术领域，特别涉及一种用于矿井通风机的神经网络自适应调速方法。
背景技术
矿井通风机是保证煤矿安全生产的关键设备之一，承担着向矿井井下输送新鲜空气、冲淡有害气体的浓度以及带走煤尘的重任。由于需要长时间处于运转状态，再加上主通风机属于大功率设备，其耗电量占煤矿作业总耗电量的比例约为15％-25％，带来了巨大的经济负担。由国家***及环保局出台的《煤炭工业节能减排工作意见》中明确提出要强化对矿井通风机的节能改造，合理选配高效节能的局部通风机。因此，智能通风机既需要具有可以根据煤矿现场进行合理控制以满足生产要求的功能，又需节约能源，亦能防止因井下瓦斯浓度超标引起瓦斯***。
传统方法采用对出口阀的开启程度或风叶安装角度进行调节，进而控制风机的风量及压力，虽然有一定的效果，但管道与阀门的摩擦阻力会浪费大量的能量，造成工作效率低下，极大的浪费了电能。随着变频调速技术的引入，通风机工作的节能性有所改善，但根据井下环境自适应调节效果仍不够理想。
发明内容
有鉴于此，本发明提供了一种矿井通风机自适应调速方法，以期达到更好的节能效果。
为实现上述目的，本发明采用如下技术方案，一种用于矿井通风机的神经网络自适应调速方法，包括以下步骤：
步骤一：采用Elman神经网络对矿井通风量进行自适应控制调节，其网络状态表达式为：
Xc(t)＝S(t-1)
y(t)＝g(S(t))
其中，S(t)为隐藏层输出，g为传递函数，U(t)为t时刻输入层的外部输入，Xc(t)为隐藏层自身反馈回来的状态信息，y(t)为网络输出；
步骤二：网络结构的确定：首先，由于矿井通风***所需供应的通风量受多种因素影响，如风压、转速、瓦斯浓度、频率、温度、振动等因素影响，因此取五个主要因素，即瓦斯浓度、风压、温度、风速、风机转速作为Elman神经网络的输入变量，以控制通风机的转速为输出变量，建立风量影响因素与通风机转速之间的非线性动态映射关系，并根据矿井通风***实际控制输入量对模型进行随机初始化，设置初始权值、阈值等网络参数、约束条件、最大迭代次数等；
步骤三：训练数据预处理：为了提高Elman神经网络的泛化能力及收敛速度，对步骤二中采集到的通风量影响因素数据进行归一化处理，使其全部映射到[-1,1]之间，公式为：
式中，Z为规格化后的数据，Xmin为原始数据最小值，Xmax为原始数据最大值，X为原始数据；
步骤四：将步骤三中处理好的样本数据输入到Elman神经网络中进行训练；
步骤五：计算Elman网络实际输出与样本输出值之间的训练误差，求得适应度函数值，并将智能控制***上一时刻输出值的引入到模型网络的输入层中，以提高模型的实时性；
步骤六：进行自适应GA(IGA)选择、交叉、变异操作，并根据适应度值对GA算法中的变异概率因子Pm进行自适应选择，以此对Elman神经网络的权值、阈值进行寻优；
步骤七：根据终止条件计算完成后，得到最优的IGA-ENN耦合模型，并利用其对测试集进行训练。当运算结束后，对输出值再进行反规格化处理，以此得到准确的运算结果，公式为：
X＝Z(Xmax-Xmin)+Xmin
由此得到最优的通风机转速控制模型。
所述步骤六中的对变异概率因子进行自适应选择公式为：
式中，favg、fmax分别为适应度平均值及最大值，fa为要进行变异操作的染色体个体的适应度值。
优选地，所述步骤五的适应度函数为：
其中，为***在t时刻N个数据样本的期望输出，y(t)为***实际输出。
进一步优选地，所述步骤六的自适应GA优化方法Elman神经网络参数过程为：
1)随机初始化种群。种群规模M，D＝(D1,D2,...,DM)T，设定数据取值范围并利用插值法选取个体的一组实数集作为染色体，为使Elman网络的权值、阈值有较好的精度，选取二进制编码方式对染色体组进行编码组成基因组；
2)设置自适应GA个体适应度函数。利用自适应GA算法的适应度函数计算出的种群D中每代个体的适用度值对个体进行筛选，最大进化次数为G；
3)对种群个体进行选择运算。根据转盘策略，并以个体Di的适应度值选择遗传算子，则选择运算公式为：
4)随机将种群中两个个体进行基因交换，产生新个体组成新种群，则交叉运算公式为：
式中，Dmi表示第i位第m个染色体，将其与Dni进行基因交换，生成新的个体μ1、μ2为随机数，范围在[0,1]；
5)将新个体的某些基因位进行替换，进行变异运算，公式为：
式中，Dil表示基因位，Dil'为变异后的基因位，Dmax、Dmin表示Dil的上下确界，h为当前迭代次数，r∈[0,1]为随机数；
6)当运算满足设定的最大迭代次数或者个体最优适应度值达到上限等约束条件时，自适应GA算法停止并输出最优解，且将最优解作为Elman神经网络的权值、阈值，否则返回3)。
进一步优选地，所述自适应GA算法适应度函数为：
式中，Ym(t)、YNm(t)为t时刻第m个样本相应的实际输出值及经耦合模型训练后的输出值。
有益效果
1、本发明基于矿井通风***具有受多种因素的影响、难以进行准确的描述等特点，结合瓦斯浓度、风机转速、压力等影响因素，并利用变频调速技术，提出了一种基于自适应GA耦合Elman神经网络的矿井通风机智能调速方法，使风机可根据工况，自动调节通风机的转速，合理的控制输出风量，以达到对风量供需平衡的目的。
2、按照本发明专利所提供的方法训练出的风机的控制转速使得矿井通风机可根据风量影响因素自适应调节风量，从而提高控制效率及准确性的同时达到节能的目的。
3、本发明所提供的方法适用于复杂的、非线性、时变性、多耦合的矿井通风量自适应调节动态过程。
4、本发明中步骤六中根据适应度值对GA算法中的变异概率因子Pm进行自适应选
择，增强了遗传算法局部与全局搜索能力，提高了GA算法的精度。
附图说明
图1为本技术方案的工作原理示意图；
图2为通风机调速控制模型结构图。
具体实施方式
下面将结合图1、图2，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种矿井通风机调速方法，以期达到更好的节能效果。
为实现上述目的，本发明采用如下技术方案，一种用于矿井通风机的神经网络自适应调速方法，包括以下步骤：
步骤一：采用Elman神经网络对矿井通风量进行自适应控制调节，其网络状态表达式为：
Xc(t)＝S(t-1)
y(t)＝g(S(t))
其中，S(t)为隐藏层输出，g为传递函数，U(t)为t时刻输入层的外部输入，Xc(t)为隐藏层自身反馈回来的状态信息，y(t)为网络输出；
步骤二：网络结构的确定：首先，由于矿井通风***所需供应的通风量受多种因素影响，如风压、转速、瓦斯浓度、频率、温度、振动等因素影响，因此取五个主要因素，即瓦斯浓度、风压、温度、风速、风机转速作为Elman神经网络的输入变量，以控制通风机的转速为输出变量，建立风量影响因素与通风机转速之间的非线性动态映射关系，并根据矿井通风***实际控制输入量对模型进行随机初始化，设置初始权值、阈值等网络参数、约束条件、最大迭代次数等；
步骤三：训练数据预处理：为了提高Elman神经网络的泛化能力及收敛速度，对步骤二中采集到的通风量影响因素数据进行归一化处理，使其全部映射到[-1,1]之间，公式为：
式中，Z为规格化后的数据，Xmin为原始数据最小值，Xmax为原始数据最大值，X为原始数据；
步骤四：将步骤三中处理好的样本数据输入到Elman神经网络中进行训练；
步骤五：计算Elman网络实际输出与样本输出值之间的训练误差，求得适应度函数值，并将智能控制***上一时刻输出值的引入到模型网络的输入层中，以提高模型的实时性；
步骤六：进行自适应GA(IGA)选择、交叉、变异操作，并根据适应度值对GA算法中的变异概率因子Pm进行自适应选择，以此对Elman神经网络的权值、阈值进行寻优；
步骤七：根据终止条件计算完成后，得到最优的IGA-ENN耦合模型，并利用其对测试集进行训练。当运算结束后，对输出值再进行反规格化处理，以此得到准确的运算结果，公式为：
X＝Z(Xmax-Xmin)+Xmin
由此得到最优的通风机转速控制模型。
所述步骤六中的对变异概率因子进行自适应选择公式为：
式中，favg、fmax分别为适应度平均值及最大值，fa为要进行变异操作的染色体个体的适应度值。
所述步骤五的适应度函数为：
其中，为***在t时刻N个数据样本的期望输出，y(t)为***实际输出。
所述步骤六的自适应GA优化方法Elman神经网络参数过程为：
1)随机初始化种群。种群规模M，D＝(D1,D2,...,DM)T，设定数据取值范围并利用插值法选取个体的一组实数集作为染色体，为使Elman网络的权值、阈值有较好的精度，选取二进制编码方式对染色体组进行编码组成基因组；
2)设置自适应GA个体适应度函数。利用自适应GA算法的适应度函数计算出的种群D中每代个体的适用度值对个体进行筛选，最大进化次数为G；
3)对种群个体进行选择运算。根据转盘策略，并以个体Di的适应度值选择遗传算子，则选择运算公式为：
4)随机将种群中两个个体进行基因交换，产生新个体组成新种群，则交叉运算公式为：
式中，Dmi表示第i位第m个染色体，将其与Dni进行基因交换，生成新的个体μ1、μ2为随机数，范围在[0,1]；
5)将新个体的某些基因位进行替换，进行变异运算，公式为：
式中，Dil表示基因位，Dil'为变异后的基因位，Dmax、Dmin表示Dil的上下确界，h为当前迭代次数，r∈[0,1]为随机数；
6)当运算满足设定的最大迭代次数或者个体最优适应度值达到上限等约束条件时，自适应GA算法停止并输出最优解，且将最优解作为Elman神经网络的权值、阈值，否则返回3)。
所述自适应GA算法适应度函数为：
式中，Ym(t)、YNm(t)为t时刻第m个样本相应的实际输出值及经耦合模型训练后的输出值。
附图2中，U(τ)为τ时刻的输入序列，I(τ)为矿井环境参数，d(t)为随机噪声。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于改进型动态前馈神经网络的矿井通风机自适应调速方法，其特征在于，包括以下步骤：
步骤一：采用Elman神经网络对矿井通风量进行自适应控制调节，其网络状态表达式为：
Xc(t)＝S(t-1)
y(t)＝g(S(t))
其中，S(t)为隐藏层输出，g为传递函数，U(t)为t时刻输入层的外部输入，Xc(t)为隐藏层自身反馈回来的状态信息，y(t)为网络输出；
步骤二：网络结构的确定：首先，由于矿井通风***所需供应的通风量受多种因素影响，因此取五个主要因素，即瓦斯浓度、风压、温度、风速、风机转速作为Elman神经网络的输入变量，以控制通风机的转速为输出变量，建立风量影响因素与通风机转速之间的非线性动态映射关系，并根据矿井通风***实际控制输入量对模型进行随机初始化，设置初始权值、阈值、约束条件、最大迭代次数；
步骤三：训练数据预处理：为了提高Elman神经网络的泛化能力及收敛速度，对步骤二中采集到的通风量影响因素数据进行归一化处理，使其全部映射到[-1,1]之间，公式为：
式中，Z为规格化后的数据，Xmin为原始数据最小值，Xmax为原始数据最大值，X为原始数据；
步骤四：将步骤三中处理好的样本数据输入到Elman神经网络中进行训练；
步骤五：计算Elman网络实际输出与样本输出值之间的训练误差，求得适应度函数值，并将智能控制***上一时刻输出值的引入到模型网络的输入层中，以提高模型的实时性；
步骤六：进行自适应GA选择、交叉、变异操作，并根据适应度值对GA算法中的变异概率因子Pm进行自适应选择，以此对Elman神经网络的权值、阈值进行寻优；
步骤七：根据终止条件计算完成后，得到最优的IGA-ENN耦合模型，并利用其对测试集进行训练，当运算结束后，对输出值再进行反规格化处理，以此得到准确的运算结果，公式为：
X＝Z(Xmax-Xmin)+Xmin
由此得到最优的通风机转速控制模型；
所述步骤六中的对变异概率因子进行自适应选择公式为：
式中，favg、fmax分别为适应度平均值及最大值，fa为要进行变异操作的染色体个体的适应度值；
所述步骤五的适应度函数为：
其中，为***在t时刻N个数据样本的期望输出，y(t)为***实际输出。
2.根据权利要求1所述的方法，其特征在于，所述步骤六的自适应GA优化方法Elman神经网络参数过程为：
1)随机初始化种群：种群规模M，D＝(D1,D2,…,DM)T，设定数据取值范围并利用插值法选取个体的一组实数集作为染色体，选取二进制编码方式对染色体组进行编码组成基因组；
2)设置自适应GA个体适应度函数：利用自适应GA算法的适应度函数计算出的种群D中每代个体的适用度值对个体进行筛选，最大进化次数为G；
3)对种群个体进行选择运算：根据转盘策略，并以个体Di的适应度值选择遗传算子，则选择运算公式为：
4)随机将种群中两个个体进行基因交换，产生新个体组成新种群，则交叉运算公式为：
式中，Dmi表示第i位第m个染色体，将其与Dni进行基因交换，生成新的个体μ1、μ2为随机数，范围在[0,1]；
5)将新个体的某些基因位进行替换，进行变异运算，公式为：
式中，Dil表示基因位，Dil'为变异后的基因位，Dmax、Dmin表示Dil的上下确界，h为当前迭代次数，r∈[0,1]为随机数；
6)当运算满足设定的最大迭代次数或者个体最优适应度值达到上限约束条件时，自适应GA算法停止并输出最优解，且将最优解作为Elman神经网络的权值、阈值，否则返回3)。
3.根据权利要求2所述的方法，其特征在于，所述自适应GA算法适应度函数为：
式中，Ym(t)、YNm(t)为t时刻第m个样本相应的实际输出值及经耦合模型训练后的输出值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611175707.1A CN106779071B (zh) | 2016-12-19 | 2016-12-19 | 一种用于矿井通风机的神经网络自适应调速方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611175707.1A CN106779071B (zh) | 2016-12-19 | 2016-12-19 | 一种用于矿井通风机的神经网络自适应调速方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106779071A CN106779071A (zh) | 2017-05-31 |
| CN106779071B true CN106779071B (zh) | 2019-05-03 |
Family
ID=58891128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611175707.1A Expired - Fee Related CN106779071B (zh) | 2016-12-19 | 2016-12-19 | 一种用于矿井通风机的神经网络自适应调速方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106779071B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112567182B (zh) * | 2018-06-11 | 2023-02-10 | 布罗恩-努托恩有限责任公司 | 具有从神经网络导出的自动流量平衡的通风*** |
| DE102020114339A1 (de) * | 2020-05-28 | 2021-12-02 | Ebm-Papst Mulfingen Gmbh & Co. Kg | Verfahren zum Betreiben eines Ventilatorsystems und Ventilatorsystem mit einem rückwärtsgekrümmten Radialventilator |
| CN113361557A (zh) * | 2020-12-21 | 2021-09-07 | 南京仁智网络科技有限公司 | 基于振动数据的井工煤矿灭火控制的神经网络的训练方法 |
| CN112628955B (zh) * | 2020-12-23 | 2022-03-01 | 杭州电子科技大学 | 一种基于lstm神经网络和磷虾群优化算法的室内通风控制方法 |
| CN112793989B (zh) * | 2020-12-25 | 2021-11-19 | 中国矿业大学 | 一种基于物料监测的皮带输送机智能调速方法 |
| CN112926266B (zh) * | 2021-03-02 | 2023-10-13 | 盐城工学院 | 一种基于正则化增量式随机权网络的井下供给风量估计方法 |
| CN113483473A (zh) * | 2021-03-29 | 2021-10-08 | 南方环境有限公司 | 一种基于遗传-神经网络（ga-bp）模型的焊接车间环境控制方法 |
| CN115574872B (zh) * | 2022-12-09 | 2023-03-24 | 北京今日蓝天科技有限公司 | 基于动态布网的测绘***、井内气候控制方法、介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101393570A (zh) * | 2007-09-19 | 2009-03-25 | 深圳达实智能股份有限公司 | 中央空调运行仿真*** |
| CN102704981A (zh) * | 2012-06-21 | 2012-10-03 | 中国矿业大学 | 通风机自适应智能控制*** |
| CN103324862A (zh) * | 2013-07-11 | 2013-09-25 | 中国石油大学(华东) | 一种基于改进神经网络与遗传算法的燃煤锅炉优化方法 |
| CN103912310A (zh) * | 2014-04-15 | 2014-07-09 | 辽宁工程技术大学 | 一种矿井动力灾害预测方法 |
| CN104156422A (zh) * | 2014-08-06 | 2014-11-19 | 辽宁工程技术大学 | 一种基于动态神经网络的瓦斯浓度实时预测方法 |
| CN105608295A (zh) * | 2016-01-29 | 2016-05-25 | 杭州电子科技大学 | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 |
-
2016
- 2016-12-19 CN CN201611175707.1A patent/CN106779071B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101393570A (zh) * | 2007-09-19 | 2009-03-25 | 深圳达实智能股份有限公司 | 中央空调运行仿真*** |
| CN102704981A (zh) * | 2012-06-21 | 2012-10-03 | 中国矿业大学 | 通风机自适应智能控制*** |
| CN103324862A (zh) * | 2013-07-11 | 2013-09-25 | 中国石油大学(华东) | 一种基于改进神经网络与遗传算法的燃煤锅炉优化方法 |
| CN103912310A (zh) * | 2014-04-15 | 2014-07-09 | 辽宁工程技术大学 | 一种矿井动力灾害预测方法 |
| CN104156422A (zh) * | 2014-08-06 | 2014-11-19 | 辽宁工程技术大学 | 一种基于动态神经网络的瓦斯浓度实时预测方法 |
| CN105608295A (zh) * | 2016-01-29 | 2016-05-25 | 杭州电子科技大学 | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 |
Non-Patent Citations (3)
| Title |
|---|
| 《基于Elman神经网络矿用通风机故障诊断的研究》;李建刚等;《煤矿机械》;20110831;250-253页 |
| 《基于模糊神经网络的PID控制器在矿井局部通风机调速***中的应用》;张梅等;《煤矿机械》;20150731;225-227页 |
| 《模糊神经网络局部通风机调速控制器》;李春华等;《黑龙江科技学院学报》;20090731;第19卷(第4期);第265-268页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106779071A (zh) | 2017-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106779071B (zh) | 一种用于矿井通风机的神经网络自适应调速方法 | |
| CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调***能耗预测方法 | |
| CN107730006B (zh) | 基于可再生能源大数据深度学习的建筑近零能耗控制方法 | |
| CN107194625B (zh) | 基于神经网络的风电场弃风电量评估方法 | |
| CN106684857B (zh) | 一种含统一潮流控制器的线性化最优潮流模型 | |
| CN108153998B (zh) | 离心鼓风机叶轮的全三维气动优化设计方法 | |
| CN106529719A (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
| CN108229721A (zh) | 基于改进型bp神经网络的煤热解产物的预测方法 | |
| CN110414115B (zh) | 一种基于遗传算法的小波神经网络番茄产量预测方法 | |
| CN106482507B (zh) | 一种水泥分解炉燃烧自动控制方法 | |
| CN114721263B (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
| CN105888971A (zh) | 一种大型风力机叶片主动降载控制***及方法 | |
| CN110852501B (zh) | 一种基于遗传算法的矿井降阻优化方法 | |
| CN113191086A (zh) | 一种基于遗传算法的电采暖热负荷需求优化方法及*** | |
| CN111047345B (zh) | 一种计及新能源消纳率和用户满意度的电价数据调整方法 | |
| CN110765706B (zh) | 基于ohngbm(1,1)的翼型非定常失速气动系数建模方法 | |
| CN104483832B (zh) | 基于t‑s模型的气动比例阀模糊滑模自适应控制方法 | |
| CN109492878A (zh) | 一种超低能耗公共建筑节能技术方案的评价方法 | |
| CN117189472A (zh) | 一种独立变桨距控制方法 | |
| CN105511270B (zh) | 一种基于协同进化的pid控制器参数优化方法和*** | |
| CN115712976A (zh) | 基于多元供热机组的热能及电负荷优化方法及相关设备 | |
| Morozova | Methodology for controlling greenhouse microclimate parameters and yield forecast using neural network technologies | |
| CN109754108A (zh) | 基于变加速度系数混沌粒子群的机组经济负荷分配方法 | |
| CN113705934A (zh) | 一种基于多目标智能优化的超临界湿冷供热机组负荷经济分配方法 | |
| Li | Intelligent electrical engineering automation on account of particle swarm optimization (PSO) algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190503 |