多绳摩擦提升机钢丝绳平衡预测研究.docxVIP

多绳摩擦提升机钢丝绳平衡预测研究 0 预测和预警丝 提升机是煤矿生产的重要设备。故障报告是减少提升机故障、提高预测维修能力的重要手段之一。为了使企业有时间提前安排对钢丝绳的调整计划,减少因维修而停机的时间,提高企业的生产效率,有必要对钢丝绳张力不平衡的发展趋势进行预测和预警。 本文将新陈代谢GM(1,1)灰色预测模型和BP神经网络模型相结合建立灰色BP神经网络模型,并预测多绳摩擦提升机钢丝绳张力不平衡程度,提高了预测精度。 1 灰色理论 灰色预测就是通过处理原始数据,建立灰色模型,发现和掌握系统发展规律,对系统未来状态进行科学预测。 1.1 灰色“生成”方法 灰色理论对灰量、灰过程的处理,是用“生成”方法求得随机性弱化、规律性强化的新数列。灰色“生成”方法常用累加生成和累减生成。 (1)累加生成 设数列 式中n———样本数。 对数列X(0)进行一次累加生成,累加公式 由累加公式可得到累加生成数列 (2)累减生成 设数列 对原始数列进行一次累减生成,累减公式为 由累减公式可得到累减生成数列 1.2 建立gm1,1模型 (1)GM(1,1)模型 灰色预测方法是根据过去及现在已知的或非确知的信息,建立一个从过去引申到将来的GM(M,N)模型,从而确定系统在未来发展变化的趋势,为规划决策提供依据。对于灰色模型GM(M,N)(M为微分方程的阶数,N为变量的个数),不同的M,N表示不同的系统因素关系,有不同的意义和用途。GM(1,1)模型是灰色预测的常用模型,它是1个单个变量预测的1阶微分方程模型,其离散时间响应函数近似呈指数规律。建立GM(1,1)模型的步骤如下: (1)设有原始数列 (2)对原始数列进行一次累加生成,由累加公式 (i)即可得到生成数列 (3)对数列X(1)建立白化微分方程 式中a———发展系数; b———灰色作用量。 当|a|2时,GM(1,1)模型才有意义。利用最小二乘法求解参数 累加矩阵 常数项向量 (4)求解微分方程,即可得的灰色预测模型为 然后作一次累减(1-IAGO)还原计算,得到原始数列X(0)的灰色预测模型 当k=1,2,…,n-1时,^x(0)(k+1)是原始数据x(0)(k+1)的模型拟和值;当kn-1时,^x(0)(k+1)是原始序列的预测值。 (5)模型精度检验预测模型精度检验一般有残差检验、相对误差检验、关联度检验和后残差检验等。 (2)新陈代谢GM(1,1)模型 根据已知数列建立GM(1,1)模型,预测一个灰数值,然后将这个预测值补充在己知数列之后,随着时间推移,信息越来越多,会增加计算工作量,同时老数据越来越不能反映新情况。对GM(1,1)模型进行改进,每补充一个新数据,就去掉一个最老的数据,以保持列的维数不变,再建立GM(1,1)模型,这样逐个预测直到完成预测目标或者达到下一精度要求为止。这种预测模型称为新陈代谢GM(1,1)模型。每预测一步,参数做一次修正,模型得到改进,因而预测值是产生在动态之中,这预测方法称为“等维灰数递补动态预测”。 2 bp神经网络算法的步骤 BP神经网络是当前应用最广泛的神经网络,以图1所示的单隐层网络的应用最为普遍。图1所示BP神经网络包括输入层、隐层和输出层3层。BP神经网络的学习包括信号的正向传播和误差的反向传播2个过程。学习过程不断循环,权值不断调整,使误差满足要求或进行到设定的学习次数为止。 BP神经网络算法的步骤: (1)选定权系数初值随机地给出全部权值(一般将神经元的阈值也归入到权值中); (2)给出训练样本集合; (3)计算各层单元的实际输出; (4)修正权值从输出层开始,将误差信号沿连接通路反向传输方向传播,通过修正各权值使误差最小; (5)判断学习状态,如误差满足要求或到设定的学习次数则学习过程结束,否则返回(2)继续学习。 3 基于gm的bp神经网络建模 灰色BP神经网络预测模型是将新陈代谢GM(1,1)模型和BP神经网络融合形成的模型。利用灰色BP神经网络预测的步骤: (1)用样本数据组成时间数列建立新陈代谢GM(1,1)模型; (2)使用所建模型进行预测,得到预测值; (3)建立如图1所示的3层BP神经网络; (4)选定权系数初值,将模型预测值和实际值分别作为BP神经网络的输入和输出,对网络进行学习训练,使误差满足要求或到设定的学习次数为止; (5)将模型预测值作为BP神经网络的输入进行仿真,得到灰色BP神经网络的预测结果。 4 提升装置连续4周的拉伸性能 灰色系统为贫信息情况下求解系统问题开创了新的途径,并能够以系统的离乱时序建立连续时间模型,适合于无法用传统数字精确描述的复杂的系统问题。根据多绳提升机钢丝绳张力不平衡的特点,选取的预测模型是灰色BP神经网络预测模型。《煤矿安全规程》规定:钢丝绳最大张力不平衡量(摩擦提升装置中任一根