基于粗糙集-径向基神经网络的采煤机滚筒智能调高决策模型  

Decision model of shearer drum intelligent height adjustment based on rough set-RBFneural network

作　　者：吴文前 甄葳棋 门少斌 赵龙龙 WU Wenqian;ZHEN Weiqi;MEN Shaobin;ZHAO Longlong(Yan'an Checun Coal Industry(Group)Co.,Ltd.,Yan'an 717300,China;Yan'an Hecaogou No.2 Coal Mine Co.,Ltd.,Yan'an 717300,China)

机构地区：[1]延安车村煤业(集团)有限责任公司,陕西延安717300 [2]延安市禾草沟二号煤矿有限公司,陕西延安717300

出　　处：《工矿自动化》2024年第S2期167-172,共6页Journal Of Mine Automation

基　　金：陕西省厅市联动重点项目(2022GD-TSLD-63,2022GD-TSLD-64)

摘　　要：针对传统的采煤机记忆截割方法难以实现对采煤机滚筒高度自适应控制,以及响应速度慢和跟踪性能差等问题,提出了一种基于粗糙集-径向基(RBF)神经网络的采煤机滚筒智能调高决策模型。首先,采用粗糙集理论对采煤机运行状态特征参数进行约简,并建立采煤机滚筒调高决策规则库。然后,设计一种基于属性重要度的采煤机滚筒智能调高决策规则选择算法,获取采煤机调高的决策规则。最后,以选择的决策规则为数据集,采用RBF神经网络构建采煤机智能调高决策模型,实现采煤机滚筒高度调整的智能决策。利用某矿1123智能综采工作面采煤机实际运行数据,对该模型的调高性能进行分析,结果表明:粗糙集-RBF神经网络模型的采煤机滚筒调高决策准确率为81.67%,与支持向量机(SVM)、极限学习机(ELM)和梯度提升决策树(GBDT)模型相比,准确率分别提升了11.6%、17.1%和9.1%。

关 键 词：煤炭开采 采煤机 滚筒调高 粗糙集 RBF神经网络 

分 类 号：TD632.1[矿业工程—矿山机电]