基于WOA-BP神经网络的采空区地表沉降安全预测模型

为了提高采空区地表沉降安全预测的准确性,本研究选择了上覆岩层弹性模量、泊松比、粘聚力、内摩擦角、开采深度、采高、矿体倾角和采场尺寸共8项影响采空区沉降的关键指标。通过鲸鱼算法(WOA)优化BP神经网络,构建了WOA-BP神经网络采空区地表沉降安全预测模型,并对采空区地表沉降趋势进行了初步预测与分析。模型解算结果表明,WOA-BP神经网络安全预测模型的均方误差为0.0074988,平均绝对误差为0.079362,而传统BP神经网络的均方误差为0.31964,平均绝对误差为0.56416。因此,相比传统BP神经网络安全预测模型,WOA-BP神经网络安全预测模型的预测精度显著提高,误差更小,从而增强了对采空区沉降安全性的预测能力。

安全预测学:安全科学中势在必建的分支学科

针对目前学界在理论层面对安全预测研究极其缺乏的问题,立足于学科建设高度,进行安全预测学的建立研究。首先,根据预测的定义,基于系统视角,给出安全预测的定义,并分析其内涵。其次,提出安全预测学的定义,并深入剖析其内涵及创立安全预测学的依据。最后,系统探讨安全预测学的学科性质、研究内容、学科分类与学科基础4个学科基本问题。结果表明,安全预测的本质是一种安全科学研究与实践的方法论;安全预测学是专门研究与探讨系统未来的安全状态发展变化规律的一门新兴综合交叉学科,是安全科学中势在必建的分支学科。

多源数据约束性融合的传感器网络安全预测模型

针对单一传感器数据存在信息不全面而无法真实反映网络安全态势的问题,提出一种多源数据约束性融合的传感器网络安全预测方法。首先,该方法采用卷积自编码网络对不同模态的异构数据进行统一维度的特征表示,能够解决传感器之间的异构性问题。其次,采用无监督交叉模态哈希检索方法对卷积自编码网络(Convolutional Auto-Encode,CAE)的参数进行校正,提取多种传感器数据的全局特征和局部特征,解决编码-解码过程的前后特征损失问题。最后,将回归二进制码与多模态数据特征进行加权融合,实现安全类别预测。实验表明,与融合了卷积神经网络(Convolutional Neural Networks,CNN)的格拉姆角场(Gramian Angular Field,GAF)算法相比,所提方法具有较好的健壮性。

修正型果蝇算法优化GRNN网络的尾矿库安全预测

针对尾矿库事故具有随机波动性和非线性的特点,提出采用修正型果蝇优化算法优化广义回归神经网络的尾矿库安全评价模型(MFOA-GRNN)。该方法利用修正型果蝇优化算法的全局寻优特性对广义回归神经网络进行参数优化,同时应用去相关性分析选取尾矿库安全评价指标,实现尾矿库的安全预测。以辽宁本溪南芬尾矿库为研究实例进行拟合预测,实验结果表明,将MFOA方法与GRNN网络有机结合,有利于平滑因子σ的选择,相较于FOA-GRNN模型70%的预测准确度,采用修正型果蝇算法优化的GRNN模型预测准确度高达100%,预测精度更高,适用性更强。

FOA优化GRNN网络的尾矿库安全预测

从尾矿库安全管理实际出发,针对尾矿库安全预测影响因素多、波动性大和非线性的特点,提出了果蝇算法优化广义回归神经网络的尾矿库安全预测模型。通过利用果蝇优化算法的全局寻优特性对广义回归神经网络进行参数优化,同时采用相关分析方法选取尾矿库安全评价指标,实现尾矿库的安全评价预测。以辽宁本溪南芬尾矿库为研究实例进行预测仿真,实验结果表明:相较于GRNN网络模型和BP网络模型,采用果蝇算法优化的GRNN模型预测精度更高,适用性更强,在尾矿库安全预测方面具有很大的实际应用价值。

大型发电机操作过电压的安全预测分析新方法

随着远距离输电线路电压等级的提高,大型电站中的操作过电压威胁着大型发电机的绝缘安全。针对大型发电机操作冲击过电压问题,结合场路综合分析计算,提出了大型发电机绝缘安全预测分析方法,并重点研究了大型发电机绝缘安全状态的特征量模式和绝缘安全的评估模型。通过研究大型电站中的操作过电压冲击波在发电机定子绕组绝缘介质中暂态电场的实时分布状态,在线分析发电机的绝缘工作状况,搜索发电机内部可能突发绝缘事故的区域,锁定可能发生绝缘事故的故障点,预测发电机组的绝缘安全状态,以便对大型发电机进行预防性保护与预知性维护工作。

系统安全预测的本质与组合预测

详细分析了系统安全预测的内在规律性、有效时间长度及有效性等方面的问题 ,提出了安全预测的本质就是建立系统安全可预测的思想。并针对目前的安全预测方法 ,提出了组合预测法 。

煤矿系统安全预测模型与组合预测

为了解煤矿安全预测本质,正确有效地预测煤矿系统的安全状况,基于目前煤矿安全研究现状和手段,从煤矿系统安全预测的内在规律性、有效时间长度及有效性等方面进行了多角度研究,总结出煤矿系统安全预测的本质特征,并研究了安全预测的建模过程.在此基础上,提出了提高预测质量的方法,阐述了组合预测法,最后结合实例,建立了煤矿系统安全预测系统.研究结果表明,采用灰色预测法与自回归法相结合的组合预测模型、自回归法与BP神经网络相结合的非线性组合预测模型均有较高的精度,且非线性组合要好于线性组合.非线性组合预测模型克服了单一预测模型的缺点。

矿山地压灾害的安全预测与预报研究

本文采用实际观测岩层移动的性质与数据,计算、分析、总结岩层移动规律,准确进行矿山地压灾害的安全预测和预报,并提供了完全可行且具有实用操作的程序。

基于RS-GA-BP的建筑施工安全预测研究

为了降低建筑安全事故率,减少事故损失,将被动的"事后分析"安全管理模式转变为主动的"事前预防"模式,文章深入研究建筑安全事故发生机理后提炼出"4M"因素,在此基础上构建建设工程安全生产危险因素体系。运用数据挖掘技术找到影响建筑施工安全的关键因素,建立基于RS-GA-BP的建筑施工安全预测模型并实例验证,结果表明,该模型具有较好的可行性与有效性;将安全预测应用于生产实践,具有重要意义。

基于模型的软件安全预测与分析

为了有效表示和分析软件中存在的安全缺陷和隐患,基于模型的软件安全分析技术采用多层次建模技术实现安全特征的描述,在评价软件及软件组件间安全性的过程中提出软件安全预测技术。通过分析软件组成成分之间的关联度获得相关的安全距离,在此基础之上生成安全依赖图,最后根据安全依赖图进行安全预测和分析。基于模型的安全分析技术能够针对可能存在的安全隐患给出预测和分析,为软件的测试和维护提供依据和手段。

遗传算法优化径向基神经网络的尾矿库安全预测

在研究径向基(RBF)神经网络的基础上,利用遗传算法对其进行优化,并结合尾矿库系统安全状况与各影响因素之间的非线性关系,将优化的RBF神经网络应用于尾矿库安全预测中。为证明该优化网络的优越性,将优化后的RBF网络和传统RBF网络进行仿真实验,结果表明优化后的RBF网络较传统RBF网络在尾矿库安全预测的精度和速度效果更好。

基于粗糙集——粒子群神经网络的建设项目安全预测研究

回顾施工项目安全管理和安全管理研究现状,建立建设项目安全管理指标体系。利用人工神经网络非线性函数逼近能力,对项目风险因素程度预测。针对该网络当数据量大时,其结构复杂、收敛慢,易陷入局部最优的缺点,引入粗糙集对影响建设项目安全目标的不确定性因素进行约简,找出最小不确定性风险因素集,大大简化网络输入信息的表达空间维数。并结合粒子群算法收敛速度快、全局最优的寻优能力强的优点,建立基于粗糙集——粒子群神经网络的建设项目安全预测系统。通过实例验证该系统的科学性和有效性。

神经网络在矿山巷道安全预测中的应用

采场巷道的安全预测包含众多的模糊性、不确定性和知识的不完备性,应用神经网络模型的学习能力,进行巷道在掘进过程中的安全状态预测。为矿山安全生产和事故预测奠定了基础。系统在金川二矿区的应用表明,该系统具有较好的适用能力。

安全预测的EEMD-PSR-Elman建模方法及应用

为分析安全预测中时间序列的非平稳特性并提高预测精度,提出基于集合经验模态分解（EEMD）、相空间重构（PSR）及神经网络的预测建模方法。首先应用EEMD方法将时间序列分解成若干具有不同周期性或趋势性的分量,通过C-C方法计算各分量的最佳嵌入维数和延迟时间;然后分别进行相空间重构;再应用Elman神经网络对各分量进行训练并建立预测模型;最后将各分量预测结果叠加得到最终预测值。用该方法分析反映煤矿安全生产的关键性指标——煤炭生产百万吨死亡率。结果得到具有长期趋势性和周期性波动的5个分量,预测相对误差为-0.11%~0.20%;外推预测表明,中国煤炭生产百万吨死亡率将保持持续下降趋势,至2020年将下降到0.05以下。

基于神经网络的矿井安全预测方法

矿井生产系统是一个涉及很多因素的复杂系统,各种自然因素、机器因素与人工因素并存,又受到气体、煤尘等环境因素的影响,不同因素之间还存在相互关联。因此,煤矿安全预测是一个典型的非线性问题。神经网络是一个典型的非线性动力学系统,能够利用历史的训练样例对未来趋势进行准确的预测,非常适于解决矿井安全预测问题。文章提出了将神经网络用于该问题的想法,并分析了可行性。

信息融合技术在煤矿安全预测中的应用

研究煤矿井下安全状况预测问题。针对现有预测模型因采用的信息融合算法单一导致的精度低的缺点,提出一种更适合矿井的基于模糊神经网络的信息融合预测模型;并重点针对现有的模型训练算法速度慢、难以适应井下要求的缺点,提出一种改进的LMBP算法,通过引入判别因子大幅提高模型的训练速度。仿真结果表明,预测模型在训练速度上比传统BP算法和LMBP算法分别提升了6倍和3.2倍,而且预测精度能够满足煤矿实际要求。

康复步行训练机器人位置和速度跟踪误差同时约束的安全预测控制

康复步行训练机器人通过跟踪医生指定的运动轨迹,帮助患者步行训练,针对运动过程中位置和速度跟踪误差过大,影响康复者的安全问题,提出一种预测控制方法,目的是使康复步行训练机器人从任意位置出发同时实现轨迹和速度跟踪,并将跟踪误差约束在指定范围内,提高系统的安全性。通过离散化康复步行训练机器人的动力学模型,建立了具有控制增量形式的预测模型。在预测时域内,设计轨迹跟踪误差性能优化指标,并构建运动位置和速度跟踪误差约束条件,通过设计辅助运动轨迹并求解控制增量形式的二次规划问题,获得了时域内满足误差约束条件的预测控制。通过仿真和实验研究,结果表明了所提控制方法同时约束位置和速度跟踪误差的有效性和优越性。

数据挖掘算法在瓦斯安全预测中的应用

基于数据挖掘和数据库技术,通过关联规则算法对系统瓦斯数据进行研究,建立了瓦斯浓度数据挖掘模型,对瓦斯浓度数据挖掘结果进行分析,进而对瓦斯安全进行预测。计算结果表明:瓦斯浓度是影响煤矿安全隐患的最主要因素。最小支持度阀值为0.50时,挖掘效率最佳。

基于多传感器数据融合的煤矿安全预测

为了解决煤矿井下环境信息处理的延迟性和不确定性,提出了一种基于多传感器数据融合的煤矿安全预测模型。该模型为两级融合模型,一级模型基于D-S合成算法,解决了单一传感器在井下复杂环境下测量的不确定性和失效性以及数据处理速度缓慢问题。二级模型基于模糊神经网络,解决了井下精确数学模型难以建立问题同时具有自适应和自学习能力。实验表明:该二级模型实现了多个传感器信息的融合,一定程度上提高了预测准确度和数据处理速度。