基于PSO-ELM的尾矿坝变形预测

鉴于尾矿坝的特殊建造方式、随机荷载及强非线性增大变形预测难度的问题,提出利用极限学习机(ELM)映射尾矿坝变形与影响因素之间的复杂非线性关系。针对ELM算法随机产生输入与隐含层之间的连接权值和阈值的缺点,利用粒子群算法的优化能力,确定最优的权值和阈值,结合影响尾矿坝变形的因素,建立极限学习机和粒子群算法(PSO)相结合的PSO-ELM尾矿坝变形预测模型,并以风水沟尾矿坝实测资料为例,通过与PSO-SVM位移预测模型作对比,验证了PSO-ELM模型预测精度。结果表明,与PSO-SVM模型的预测结果相比,PSO-ELM模型的预测值更接近实际观测值,预测精度更高。

基于IGWO-SVM的露天矿边坡变形预测

为了克服露天矿边坡变形预测时传统算法精度低的问题,利用改进灰狼算法(IGWO)和支持向量机(SVM)建立了露天矿边坡变形IGWO-SVM模型。引入非线性递减的收敛因子策略和惯性权重策略改进灰狼优化算法,用来确定SVM参数,以达到提高模型精度的目的,并将露天矿边坡变形观测数据输入模型进行验证。结果表明,与SVM和BP模型相比,IGWO-SVM模型绝对误差最大值6.16 mm、最小值0.34 mm,相对误差平均值2.17%,说明IGWO-SVM模型预测精度高、综合性能好,证实该模型用于露天矿边坡变形预测是可行的。

基于布谷鸟算法优化SVM的尾矿库坝体变形预测

为解决SVM模型在尾矿库坝体位移预测中,参数寻优时间较长、模型稳定性较差的问题,引入布谷鸟算法(CS)进行优化,构建的CS-SVM模型用于辽宁省风水沟尾矿库2#副坝的位移预测实例中,将该模型预测值与SVM模型和PSO-SVM模型的预测值进行对比分析。结果表明,CS-SVM模型有较高的预测精度,预测值趋近于真实值,模型构建合理,验证了CS-SVM模型在尾矿库坝体位移预测中的可行性和有效性。

基于IPSO-ELM模型的尾矿坝稳定性分析

为了更准确地对尾矿坝稳定性进行预测,采用训练速度快、参数设置简单、准确度较高的极限学习机(ELM)模型,针对ELM模型在训练过程中随机产生的连接权值和隐含层阈值,导致泛化能力不足、模型稳定性差等问题,引入基于线性递减权重法改进的粒子群算法(IPSO)对其进行优化,提出了尾矿坝稳定性预测的改进粒子群优化极限学习机(IPSO-ELM)模型。将该模型运用到尾矿坝实例预测中,在选取的35组样本数据中,前30组作为训练样本,后5组作为测试样本,以内摩擦角、边坡角、尾矿坝材料重度、孔隙压力比、内聚力和边坡高度6个尾矿坝稳定性影响因素为输入参数,以尾矿坝稳定性安全系数为输出参数,将预测结果与ELM模型和PSO-ELM模型对比,结果表明,IPSO-ELM模型有较高的预测精度,预测值逼近于实际值,验证了IPSO-ELM模型在尾矿坝稳定性评价中的可靠性和有效性。

BCN型浓缩机转盘装置改进设计与应用

通过分析BCN浓缩机结构缺陷,存在故障率高、装盘装置润滑、密封结构不合理、浪费油脂、寿命短等问题,及其设备性能已不能满足生产对设备高作业率要求。通过选用新型单排四点接触球式回转支承(轴承),依据利旧原则改造设计新转盘装置及配套的润滑装置,再通过在全厂13台浓缩机全寿命周期内实施应用,实践证明新装置完全实现寿命长、故障率低、减少检修次数、节省润滑油脂,减少操作工人维护工作量等改进目标,同时也为企业实现降本创效。

树立精益维修理念实现多部件定修模型优化及动态控制

树立精益维修理念,编制定修模型,并在实施过程中进行优化与动态控制,实现最大限度满足生产效益需求,实现全员控制缺陷、科学统筹各部件检修周期、合理排程设备大修,达到降低设备停机时间,提高设备产能,提高设备作业率的目标。

烧结机尾特征断面图像采集算法的研究及应用

对机尾特征断面的出现过程进行了阐述和理论分析,提出了机尾特征断面出现的2种方式和台车临界值概念,并给出了台车临界值的计算方法。针对东烧360 m2烧结机的实际情况,克服了现有特征断面图像采集算法的缺点,研究了一种新的简单、高效、适应性强、易实现的算法。新算法通过合理地设定判断区域的上下边界和3个简单的判断阈值,实现了在各种烧结工况下都能够准确地采集到特征断面图像,并且通过对最低平均温度初值的设定,有效地解决了对辉光图像的误判问题。系统自2007年1月运行以来,特征断面图像的准确采集率达到95%以上。