ELM神经网络在采煤机截割载荷预测中的应用优化

本篇论文主要探讨了在煤矿综采工作面中，采煤机截割载荷的复杂性以及直接测量的困难。采煤机的关键设备之一的交流异步电机的机械特性被深入研究，目的是提出一种有效的解决方案来预测截割载荷。软测量建模技术在此背景下被引入，它是一种非线性系统建模方法，适用于处理复杂系统中的数据。 首先，通过对交流异步电机的深入分析，作者发现截割载荷与电机转速和电流之间存在非线性关系。这种关系的揭示是建立预测模型的基础，因为软测量建模技术能够捕捉到这种复杂的动态行为。通过这种方法，可以间接估计出难以直接测量的截割载荷。 接着，论文的重点转向了利用EELM（Extreme Learning Machine，极端学习机）神经网络来构建采煤机截割载荷的软测量模型。EELM以其快速的学习能力和良好的泛化能力闻名，特别适合处理此类问题。选取电机转速和电流作为输入变量，EELM神经网络模型能有效地拟合这些输入与截割载荷之间的关系。 为了验证EELM神经网络的性能，文章还比较了其与BP（Backpropagation，反向传播）和RBF（Radial Basis Function，径向基函数）神经网络的软测量建模方法。通过对采煤机电机载荷的预测，以均方误差（Mean Square Error，MSE）和相关系数（Correlation Coefficient，CC）作为评价指标，结果显示EELM在预测精度和速度上表现优异，这表明它在实际应用中具有显著的优势。 这篇论文提供了一种基于EELM神经网络的高效截割载荷预测策略，这对于采煤机的恒功率截割和牵引智能调速控制具有重要的理论支持。通过软测量建模方法，不仅解决了截割载荷测量难题，还提升了设备运行的智能化和效率，对于提升煤矿综采工作的整体水平具有实际意义。