徐绍坤
- 作品数：23 被引量：77H指数：5
- 供职机构：红河学院工学院更多>>
- 发文基金：云南省教育厅科学研究基金更多>>
- 相关领域：自动化与计算机技术机械工程电气工程环境科学与工程更多>>
- 基于证据理论的煤矿瓦斯涌出组合预测被引量：5
- 2012年
- 为提高煤矿瓦斯涌出量预测的准确度,引入证据理论组合预测方法。根据瓦斯涌出量及其主要影响因素间的实验数据,采用3个不同的粒子群神经网络模型对涌出量进行初步预测。并由BP、RBF网络对预测误差及预测点的影响因素进行分析建模,以获取每个模型的可信度。再利用证据理论对其进行合成,确定组合模型的权值,最终实现对瓦斯涌出量的组合预测。实例结果表明,该组合预测方法的平均绝对误差、均方误差分别为18.5%、5.8%,均小于神经网络组合法及等权平均法的相应预测误差,适用于煤矿瓦斯涌出量预测。
- 程加堂张辉徐绍坤
- 关键词：证据理论粒子群优化算法瓦斯涌出量组合预测
- 一种电网绝缘子等值附盐密度的预测方法
- 鉴于气象因子对电网绝缘子的等值附盐密度（ESDD）影响复杂,两者间的精确模型难以建立。本文首先采用灰色关联分析对影响绝缘子等值附盐密度的气象因子进行取舍,寻求出与ESDD最为密切的主要气象因素,其次对保留下来的因子建立灰...
- 程加堂熊伟徐绍坤
- 关键词：绝缘子等值附盐密度灰色关联分析
- 文献传递
- 基于粒子群优化RBF神经网络的煤矿通风机故障诊断被引量：3
- 2011年
- 为了提高煤矿通风机故障诊断的准确性,采用了一种粒子群优化RBF神经网络的方法。利用粒子群容易实现等特点,对RBF网络的中心、宽度以及连接权重进行优化,并用优化好的神经网络对通风机进行故障诊断。仿真结果表明,该方法具有较好的分类效果,适用于通风机的故障诊断,是一种实用的故障诊断方法。
- 熊伟程加堂徐绍坤
- 关键词：粒子群通风机神经网络故障诊断
- DCS技术在粉煤制备中的应用
- 2006年
- 本文介绍了SUPCONECS-100集散控制系统在云南锡业股份有限公司冶炼厂粉煤制备工序控制系统改造中的应用，并针对该集散控制系统的结构和功能特点阐述了粉煤制备工序中的一些特殊的控制方案。
- 熊伟徐绍坤
- 关键词：DCS组态球磨机
- 表面强化处理技术在机械修理中的应用被引量：5
- 2006年
- 概述了表面强化处理技术的性能及特点,介绍了表面强化处理技术在机械修理中的一些应用实例,说明合理利用表面强化处理技术不仅可延长机械零件的使用寿命,使废弃零件获得“新生”,而且可降低生产成本,提高经济效益,值得大力推广应用。
- 王鸿钧苏艳萍徐绍坤
- 关键词：机械零件机械修理
- 证据理论融合蚁群神经网络的水质预测方法被引量：3
- 2012年
- 为了提高水质指标预测的精度,提出了证据理论和蚁群神经网络相结合的组合预测方法。用蚁群神经网络作为单一模型对水质指标进行预测,再由BP、RBF网络对预测误差进行分析建模,获取每个模型的可信度。利用证据理论获取单一模型的权值,实现水质指标的组合预测。该方法克服了常规BP算法收敛速度慢、易陷入局部极值的缺陷,能有效提高预测精度。
- 熊伟程加堂徐绍坤
- 关键词：水质预测证据理论蚁群算法神经网络
- 基于邻域粒子群混合算法的齿轮故障诊断
- 2012年
- 为了提高齿轮故障诊断的准确性,采用了一种邻域粒子群混合方法。即根据齿轮的故障特征量,利用邻域粒子群算法来优化BP神经网络的权值,并用优化好的BP网络进行故障诊断。实例仿真结果表明,该方法具有较高的故障诊断准确度,具有一定的实用性。
- 熊伟程加堂徐绍坤
- 关键词：神经网络齿轮故障诊断
- 证据理论在汽轮机转子故障诊断中的应用被引量：5
- 2012年
- 针对传统汽轮机转子故障诊断方法中存在精度不高的问题,引入了证据理论和灰色神经网络相结合的故障诊断方法。该方法首先根据所获取的故障特征向量,用灰色建模方法进行累加处理,以增强数据的规律性;然后经BP神经网络进行局部诊断,以获得彼此独立的证据;最后采用证据理论对各证据进行融合。试验结果表明,该方法具有较好的故障模式识别能力,适用于汽轮机转子的故障诊断,具有一定的应用价值。
- 程加堂艾莉徐绍坤
- 关键词：证据理论神经网络汽轮机传感器故障诊断
- 变权组合预测法在电力负荷预测中的应用
- 针对电力负荷受多种因素的影响,任一个单一预测模型都难以对其精确描述,而目前较常使用的定权组合预测方法,因实际上权重随时间变化,影响了预测效果。为了提高电力负荷预测的精度,本文在建立灰色模型、线性回归模型分别对某市年度电力...
- 程加堂熊伟徐绍坤艾莉
- 关键词：变权电力负荷预测线性回归模型
- 文献传递
- 基于MMAS-BP的煤与瓦斯突出强度预测被引量：13
- 2011年
- 为提高煤与瓦斯突出强度的预测精度及预测速度,用最大最小蚂蚁系统和BP神经网络相结合的方法进行预测模型设计。根据煤与瓦斯突出强度及其主要影响因素之间的关系数据,建立其神经网络的预测模型。以网络的权值和阈值为自变量,网络误差为目标函数,通过蚁群算法的迭代运算,搜索出误差的全局最小值,以实现BP神经网络的初始权值、阈值优化,并用优化后的网络进行瓦斯突出强度的预测。实例结果表明,MMAS-BP算法的预测值均方差为0.089,约为BP神经网络的0.1倍,且输出稳定性好,适用于煤与瓦斯突出强度的预测。
- 程加堂艾莉徐绍坤
- 关键词：神经网络
