瓦斯爆炸3类危险源评价指标优化

煤矿瓦斯爆炸是当前对煤矿安全生产威胁最大、最突出的问题之一.对瓦斯爆炸开展危险源辨识和评价,必须全面考虑评价对象指标.文中在3类危险源划分理论的基础上对其划分进行修正,进而构建初步的瓦斯爆炸3类危险源评价指标体系.该体系包括3类共33项;通过现场数据收集,基于粗糙集方法将该指标体系数据约简为19项;采用Rosetta软件进行仿真计算,借助神经网络工具,通过煤矿瓦斯危险源评价过程来验证指标约简的合理性.经验证得出,粗糙集处理后的危险源评价神经网络在模拟计算过程中精度大幅度提高,网络收敛速度加快,证明了应用粗糙集方法对煤矿瓦斯爆炸危险源评价指标体系进行优化是可行的.开展煤矿瓦斯爆炸危险源评价指标体系的优化研究,对于提高危险源评价系统的准确性和实时性具有一定的积极意义.     

瓦斯爆炸3类危险源系统结构建模与分析

煤矿井下存在着瓦斯爆炸3类危险源。在对原有3类危险源划分进行修正的基础上,基于解释结构模型方法对瓦斯爆炸3类危险源结构进行系统分析。通过建立系统要素关系表,进而建立邻接矩阵和可达矩阵;通过分解可达矩阵,得到煤矿瓦斯爆炸危险源系统要素解释结构模型的层次结构及其解释。这种方法直观清楚地反映了该系统元素之间的结构关系,验证了3类危险源理论的正确性,对于实践中的瓦斯危险源辨识和控制具有指导意义。     

煤矿瓦斯爆炸3类危险源系统的SD

为了更好地控制煤矿生产系统中存在的各种各样的危险源,防止和减少事故的发生,根据3类危险源理论,分析导致瓦斯爆炸的因素并建立瓦斯爆炸3类危险源系统.运用系统动力学(SD)原理和方法,分析瓦斯爆炸3类危险源子系统内部及子系统之间的因果反馈关系.在此基础上,通过建立瓦斯爆炸危险源系统SD流图,分析瓦斯爆炸3类危险系统结构及影响瓦斯爆炸的关键因素.为综合防治瓦斯爆炸,优化瓦斯管理提供新思路.     

基于三类危险源分析的瓦斯爆炸事故灰色-层次评价

在对瓦斯爆炸事故致因调查分析的基础上,依据三类危险源理论对各影响因素进行分类,构建了瓦斯爆炸事故评价指标体系;将层次分析法与灰色理论相结合,建立了瓦斯爆炸事故的灰色-层次评价(G-A)模型,并结合具体煤矿实例,确定评价指标的权重,运用G-A评价模型对该矿井瓦斯爆炸事故进行评价,确定了风险等级及重点防范问题,对我国矿井瓦斯爆炸事故预警具有一定的借鉴意义。     

煤矿瓦斯爆炸危险性的ANP-SPA评价模型及应用

 为防控煤矿瓦斯爆炸危险,针对煤矿瓦斯爆炸影响因素之间相互作用的特点,在网络分析法和集对分析法等研究基础上,构建了煤矿瓦斯爆炸事故演化危险性的ANP-SPA评价模型。该模型从“人-机-环-管理”4个方面分析煤矿瓦斯爆炸的主要影响因素,采用网络分析法(ANP)构建评价指标的网络结构体系并计算指标权重分布,结合集对分析法(SPA)理论的联系熵对煤矿瓦斯爆炸危险性进行综合评价。以南方某煤矿为例,对其进行瓦斯爆炸危险性评价,结果表明该评价模型能够有效地发现其风险主控因素和处理它们之间的复杂影响关系,为煤矿瓦斯事故的风险控制和管理提供重要参考。     

基于改进T-S云推理网络的板形模式识别方法

将云模型与T-S模糊神经网络相结合,利用正态云代替模糊神经网络的隶属度函数,构成T-S云推理网络.该网络综合考虑了模糊逻辑的快速性和云模型处理数据的不确定性,增强了网络处理数据的能力,同时分析了T-S云推理网络的结构和稳定性.在超熵确定的情况下,使用最速下降法辨识了T-S云推理网络的参数,将该网络应用于板形模式识别,并与T-S模糊神经网络作了对比.仿真结果表明:T-S云推理网络抗干扰能力较强,能够识别出常见的板形缺陷,并且识别精度较高.     

基于云模型的煤矿矿井瓦斯风险综合评价研究

本文针对煤矿矿井内各类危险源的不确定性特点,利用模糊性和随机性相结合的云模型对瓦斯风险评价指标进行表示.采用基于云模型的煤矿矿井瓦斯风险综合评价方法进行研究,将定性瓦斯风险评价指标和定量瓦斯风险评价指标进行量化和规范化计算.同时,建立了云模型的多层次的煤矿矿井瓦斯风险综合评价指标体系结构,并将其转换成基于云模型的煤矿矿井瓦斯风险综合评价.此外,还根据云重心推理方法,引入基于云模型的煤矿矿井瓦斯风险综合评价方法.     

基于ANFIS云推理的网络学习评价

将云模型与ANFIS结合,利用云模型代替模糊神经网络的隶属度函数,构成ANFIS云推理网络并应用到学习效果评价中.实验表明,ANFIS云推理网络是一种有效的学习评价工具,抗干扰能力较强.     

基于 ANFIS云推理的网络学习评价

将云模型与ANFIS结合,利用云模型代替模糊神经网络的隶属度函数,构成ANFIS云推理网络并应用到学 习效果评价中.实验表明,ANFIS云推理网络是一种有效的学习评价工具,抗干扰能力较强.     

基于极值统计理论的矿井瓦斯浓度预警模型

煤矿瓦斯爆炸风险评价与预警系统涉及的风险因素众多,而瓦斯浓度超限是导致事故发生的首要因素.基于极值统计理论,以靖远大水头煤矿瓦斯浓度监测研究为例,通过对相关图形的分析和监测参数的修正,建立瓦斯浓度预测的Frechet模型,确定该矿瓦斯浓度阈值u=1.2,并以此作为瓦斯爆炸预临界值,提出了基于远程监测的瓦斯浓度动态预警模型.结果表明,该模型具有相当的精度,可以实现煤矿瓦斯灾害的信息化管理,具有十分重要的现实意义.     

基于化工过程预报的模糊聚类神经网络系统

为了解决化工预报过程中的复杂问题，利用神经网络、模糊系统和演化算法等智能控制理论，提出了模糊聚类神经网络系统模型（FCNNS）。该模型的特点是利用模糊聚类算法提取典型数据，然后将典型数据送入神经网络系统进行学习产生模糊规则。该模型缩短了规则生成的时间，有效地防止了规则数爆炸，并在化工过程预报的应用中获得理想效果。     

用T-S型模糊神经网络的机械手轨迹跟踪自适应控制

对于常见的将 CMAC神经网络前馈控制器和常规反馈控制器相结合的机械手轨迹跟踪控制方案 ,它的控制性能同时受神经网络前馈控制器学习能力和反馈控制器控制精度的制约。该文提出的采用 T- S型模糊神经网络的机械手轨迹跟踪自适应控制方案充分利用了 T- S模糊模型的特点和优点 ,以一种基于简化的 T- S型的模糊神经网络作为前馈控制器 ,同时反馈控制器也采用 T- S型模糊神经网络实现。针对三自由度机械手轨迹跟踪问题的仿真实验表明 ,采用 T- S型模糊神经网络的机械手轨迹跟踪自适应控制方案是可行的和有效的     

模糊神经网络模型参考自适应控制及其应用

提出一种模糊神经网络的自适应控制方案，给出了一种模糊神经网络模型和快速的优化学习算法（ＦＬＡ），通过网络的在线自学习不断修正模糊神经网络控制器的隶属函数和权值，实现了模糊逻辑规则的自动更新，经仿真结果和倒立摆控制表明，这类自适应控制具有良好的控制性能。     

模糊神经网络模型参考自适应控制

给出了一种基于模糊神经网络的模型参考自适应控制方案。首先,构造了一种运用递推预报误差（ＲＰＥ）算法的多层前向神经网络,并用其对被控对象建模,然后,又构造了一种模糊神经网络控制器（ＦＮＮＣ）。从而为一类难以建立精确数学模型的非线性被控对象提供了一种新的自适应控制方法,信息结果验证了其有效性。     

煤矿瓦斯爆炸事故的脆性风险源分析

为了更好地预防煤矿瓦斯爆炸事故的发生,在复杂系统脆性理论的基础上,将煤矿瓦斯安全系统作为复杂系统进行脆性分析,建立了导致瓦斯事故发生的层次模型,并应用模糊层次分析法分别计算导致瓦斯积聚和引爆火源的各种因素的相对重要度.结果表明:导致瓦斯积聚的各种因素中通风系统设置的不合理和无计划停风的重要度较高,而导致火源引爆的各种因素中,违规操作、带电作业和明火作业等的重要度较高.这与当前瓦斯爆炸事故原因的统计结果相一致.因此,预防瓦斯爆炸事故应重点对这些因素进行监控.     

松花江流域蓄滞洪区方案优选智能决策研究

针对松花江流域防洪工程重要组成部分的蓄滞洪区，基于陈守煜提出的模糊优选BP神经网络模型，引入了遗传算法，提出融入遗传算法的模糊优选神经网络智能决策模型，对松花江流域蓄滞洪区方案优选进行智能决策．该模型既能合理地构造神经网络的拓扑结构，又可加快网络的收敛速度，并能改善网络的全局寻优能力，是对模糊优选BP神经网络模型的进一步发展，同时更对松花江流域蓄滞洪区的优选提供了理论依据．     

基于模糊神经网络的煤矿安全评价综合评判

针对煤矿安全综合评价方法中因人为因素、模糊因素及动态因素而导致评价结果不够准确的情况,依据煤矿安全评价指标体系结构,构建了基于模糊神经网络的多级模糊评判模型,提出了神经网络分级BP学习算法,解决了多级模糊评判中权值学习困难的问题,使训练速度和评判的准确性大幅提高.以鸡西矿业集团煤矿为研究对象,建立了基于模糊神经网络的安全评价模型.结果表明:该方法能有效地对煤矿进行安全评价,综合评判客观、准确.     

模糊神经网络间隔调速模型的研究

提出了一种基于模糊神经网络理论求得动态出口速度的模型，以6层的前向神经网络实现模糊过程使系统具有自学习和自适应能力，能根据列车的实际溜放情况自动调整减速器出口速度。     

基于Takagi-Sugeno模型的模糊神经网络的学习算法

选用正态函数作为模糊变量的隶属函数 ,给出了基于Takagi_Sugeno模型的模糊神经网络的用于学习的性能指标 ,并对其性质进行了分析 .在此基础上将二阶段变半径随机搜索法用作模糊神经网络的学习算法 .这种方法简便易行 ,可使模糊神经网络达到较高的精度 .该文给出了神经网络记忆容量的定义并求出了基于TS模型的模糊神经网络的记忆容量 .     

基于RFNN的感应电动机无速度传感器矢量控制系统的研究

在无速度传感器的感应电动机控制系统中，根据经典的以及现代控制理论提出的控制策略都有一个共同问题，即控制算法的有效性很大程度上取决于模型的参数准确性．模糊神经网络则具有对不确定信息进行模糊推理的能力，这里介绍了递归模糊人工神经网络的结构和基于它实现的一个感应电动机无速度传感器矢量控制系统，并用MATLAB进行了仿真．