研究基于波形变换和BP神经网络的神经网络的刀输送机负载预测方法.
Dan Zhang1, Jiafeng Qin2, Weidong Wu1
1School of Mechanical Engineering, Heilongjiang University of Science &Technology, Harbin, 150022, China.
Scientific reports
|May 2, 2025
概括
精确的刀输送机负载预测对于煤矿开采业务至关重要. 一个新的BP神经网络模型与波形变换相结合,显著提高了预测准确性,减少了超过13%的错误.
科学领域:
- 采矿工程 采矿工程 采矿工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 挖掘机输送机负载预测对于优化煤矿开采运营和使矿山机械之间的合作速度调节至关重要.
- 由于不可预测的煤炭下降造成的片输送机载荷的固有非线性和非光滑性,这给预测带来了重大挑战.
研究的目的:
- 通过分析电机电流,开发一个准确的预测模型,用于刀输送机载荷.
- 增强煤矿机械中协同调节速度的预测能力.
主要方法:
- 开发了一个反向传播 (BP) 神经网络模型,将电机负载映射到电流.
- 波形变换被用来分解和重建历史的刀输送机电流数据.
- 在原始和重建的数据样本上进行时间序列预测.
主要成果:
- 与波纹分解集成的BP神经网络模型与使用原始数据相比,显示出更高的预测准确性.
- 关键错误指标显著减少:根平均平方误差为13.26%,平均绝对误差为14.19%,百分比误差为17.43%.
- 改进后的模型符合严格的准确性要求,用于刀输送机载荷预测.
结论:
- 拟议的波形分解BP神经网络模型为刀输送机负载预测提供了强大的解决方案.
- 这种改进的预测准确性为煤矿机器和刀输送机的合作速度调节提供了关键的理论基础.
- 这些发现有助于更高效,更稳定的地下煤矿开采.
