GA-BP網(wǎng)絡(luò)在鑿巖防卡閥推進壓力預(yù)測中的應(yīng)用

馬威，　馬飛，　郭榮，　耿曉光

(北京科技大學(xué) 機械工程學(xué)院, 北京　100083)

?

GA-BP網(wǎng)絡(luò)在鑿巖防卡閥推進壓力預(yù)測中的應(yīng)用

馬威，馬飛，郭榮，耿曉光

(北京科技大學(xué) 機械工程學(xué)院, 北京100083)

摘要：分析了鑿巖鉆車防卡閥的結(jié)構(gòu)和工作原理，利用某采石場原始卡釬數(shù)據(jù)，建立了防卡閥BP神經(jīng)網(wǎng)絡(luò)模型?；谶z傳算法理論對BP神經(jīng)網(wǎng)絡(luò)模型進行了結(jié)構(gòu)拓?fù)鋬?yōu)化和訓(xùn)練，建立了GA-BP網(wǎng)絡(luò)模型。分析結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型和GA-BP網(wǎng)絡(luò)模型均可以較好地預(yù)測卡釬時防卡閥的推進壓力，但GA-BP網(wǎng)絡(luò)模型具有更高的預(yù)測精度、非線性映射和網(wǎng)絡(luò)性能。

關(guān)鍵詞：鑿巖； 防卡閥； 推進壓力； BP神經(jīng)網(wǎng)絡(luò)； 遺傳算法

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160705.1500.011.html

0引言

鑿巖鉆車在高速鑿巖時，常有卡釬事故發(fā)生，卡釬現(xiàn)象是影響鑿巖效率和鑿巖質(zhì)量的重要因素。所以，有效的防卡釬裝置對液壓鑿巖鉆車具有非常重要的意義。為此，一些學(xué)者對鑿巖鉆車的防卡釬系統(tǒng)展開了研究。吳萬榮等[1]通過對鉆孔偏斜的影響因素及力學(xué)特征的分析，建立了鉆頭偏載的力學(xué)模型，揭示了鑿巖過程鉆孔偏斜的機理，提出了控制鉆孔偏斜的推進力控制方案。羅生梅等[2]針對3種不同的卡釬現(xiàn)象，提出了基于參數(shù)變化率和絕對變化量的綜合卡釬判定方法。趙宏強等[3]利用模糊控制理論，通過AMEsim與Simulink聯(lián)合仿真，驗證了根據(jù)回轉(zhuǎn)壓力信號的變化自動控制推進力大小的可行性。

綜上，目前防卡釬研究主要側(cè)重于防卡釬系統(tǒng)的整體動態(tài)響應(yīng)特性研究，在一定程度上解決了鑿巖卡釬問題，但由于防卡閥為涉及機械、流體、控制等多個學(xué)科領(lǐng)域的復(fù)雜物理系統(tǒng)，其可靠性取決于多個物理場的耦合作用，并且非線性較強。因此，建立防卡閥模型，確定影響其性能的關(guān)鍵因素及其影響規(guī)律，對防卡閥設(shè)計至關(guān)重要。

針對鑿巖系統(tǒng)中防卡閥相關(guān)研究的不足，筆者首先現(xiàn)場實測回轉(zhuǎn)和推進壓力曲線，在復(fù)雜多變的巖石工況下捕捉卡釬現(xiàn)象，并獲取相應(yīng)的壓力信號；然后建立了防卡閥BP神經(jīng)網(wǎng)絡(luò)模型和遺傳算法優(yōu)化BP(GA-BP)神經(jīng)網(wǎng)絡(luò)模型，分析了影響防卡閥性能的因素，對實驗數(shù)據(jù)進行了訓(xùn)練和測試；最后，對2種模型的實驗結(jié)果對比分析，驗證了GA-BP網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測精度、非線性映射和網(wǎng)絡(luò)性能。

1防卡閥結(jié)構(gòu)和防卡釬系統(tǒng)原理

防卡釬系統(tǒng)原理[4]如圖1所示，防卡閥的結(jié)構(gòu)及原理如圖2所示。

1-低壓推進溢流閥；2-高壓推進溢流閥；3-發(fā)動機；

1-閥座；2-閥芯；3-頂桿；4-簧座；5-擋圈；

在鉆孔時，如果回轉(zhuǎn)壓力P1超過防卡閥的設(shè)定值，則防卡閥的閥芯、頂桿和簧座將會克服彈簧預(yù)緊力而被推動，閥芯移動的最大距離由擋圈來限制，此時，控制推進的油壓P就會部分通過防卡閥的節(jié)流腔從低壓推進溢流閥流出，推進壓力和速度相應(yīng)降低，正常情況下就會使回轉(zhuǎn)壓力下降，并保持在一個相對穩(wěn)定的數(shù)值。根據(jù)回轉(zhuǎn)壓力超過設(shè)定值的程度不同，防卡閥的閥芯在關(guān)閉和全開位置變動，從而使推進壓力在高壓推進和低壓推進之間平穩(wěn)變動。根據(jù)巖石的具體情況，可通過旋轉(zhuǎn)調(diào)節(jié)螺釘來改變彈簧的預(yù)壓縮量，設(shè)定防卡閥的臨界回轉(zhuǎn)壓力。

2樣本數(shù)據(jù)采集和訓(xùn)練

現(xiàn)場實驗主要考察推進器的推進壓力隨孔內(nèi)因素變化時的反應(yīng)特性。由于BP神經(jīng)網(wǎng)絡(luò)模型是建立在大量訓(xùn)練樣本基礎(chǔ)之上，因此，訓(xùn)練樣本應(yīng)該足夠大。將防卡閥應(yīng)用在某國產(chǎn)露天鑿巖鉆車上，現(xiàn)場實驗時, 在推進油缸的進出油口、鑿巖機回轉(zhuǎn)發(fā)動機的進出油口分別安裝壓力傳感器，經(jīng)采集模塊連接至計算機測試軟件，測量在鉆孔工作過程中各處壓力的變化情況。

實驗在某采石場進行，測試了鉆孔過程中多個炮孔的有關(guān)數(shù)據(jù)。圖3、圖4為捕捉到卡釬跡象時的推進和回轉(zhuǎn)壓力訓(xùn)練和測試曲線。通過局部放大圖可以看到，推進壓力隨回轉(zhuǎn)壓力的增大而減小，當(dāng)卡釬現(xiàn)象解除后，推進和回轉(zhuǎn)即以正常壓力值進行。

(a) 完整鑿巖過程

(b) 卡釬瞬間

實驗測量的訓(xùn)練和測試樣本分別見表1和表2。

3防卡閥BP神經(jīng)網(wǎng)絡(luò)模型

將卡釬影響因素作為網(wǎng)絡(luò)輸入層，卡釬反饋參數(shù)作為網(wǎng)絡(luò)輸出層，在網(wǎng)絡(luò)的輸入層與輸出層之間確定合理的隱含層與連接權(quán)，就可以建立起防卡釬系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型。

(a) 完整鑿巖過程

(b) 卡釬瞬間

時間/s回轉(zhuǎn)壓力/MPa推進壓力/MPa80.404.78557.197380.454.83867.168980.505.09687.233180.556.36397.034280.607.14855.908780.657.94054.800280.708.26374.732180.757.87915.003280.807.68785.9412時間/s回轉(zhuǎn)壓力/MPa推進壓力/MPa80.857.10466.805680.906.01637.193980.954.90727.152681.004.73047.141681.054.79057.137481.104.71097.140481.154.72557.141481.204.71757.168681.254.74507.1117

3.1BP算法

BP算法將學(xué)習(xí)過程劃分為2個階段，即信號的正向通信階段和誤差的反向傳播階段。在正向通信階段，信息從輸入層通過隱含層到達(dá)輸出層[5]。輸出信號在輸出側(cè)形成，網(wǎng)絡(luò)的權(quán)值在信息傳遞過程中為定值，每一層的神經(jīng)元狀態(tài)只影響下一層的神經(jīng)元狀態(tài)。如果不能在輸出層得到期望輸出值，那么誤差信號將會反向傳播。在反向傳播階段，不能滿足精度要求的誤差信號被每一層共享。根據(jù)誤差信號動態(tài)地調(diào)整連接權(quán)值，通過正反向循環(huán)調(diào)整，使神經(jīng)元之間權(quán)值保持連接。當(dāng)輸出信號的誤差值滿足精度要求時學(xué)習(xí)停止[6]。

kolmogorov定理：對于任意連續(xù)函數(shù)f：Un→Rm，f(X)=Y，假如U處于單位間隔[0,1]，那么f可以通過一個3層BP神經(jīng)網(wǎng)絡(luò)精確模擬。

表2　BP神經(jīng)網(wǎng)絡(luò)測試樣本

根據(jù)kolmogorov定理，在一定范圍內(nèi)，用含有一個隱含層的BP網(wǎng)絡(luò)可以完成任意n維到m維的映射[7-9]。圖5為具有1個隱含層的BP神經(jīng)網(wǎng)絡(luò)模型[10]。R為輸入層，S1為隱含層，S2為輸出層，IW1.1為輸入層的權(quán)值矩陣，LW2.1為從隱含層到輸出層的權(quán)值矩陣，n1和n2為神經(jīng)網(wǎng)絡(luò)層數(shù)，b1和b2分別為隱含層和輸出層的閾值，f1和f2分別為隱含層和輸出層的神經(jīng)元傳遞函數(shù)。

圖5　具有1個隱含層的BP神經(jīng)網(wǎng)絡(luò)

假設(shè)輸出層神經(jīng)元j在時刻t的實際輸出值為yj(t)，期望輸出值為dj(t)，則網(wǎng)絡(luò)的誤差函數(shù)E(t)定義如下：

(1)

式中：S2為輸出層S2的神經(jīng)元個數(shù)；ε為預(yù)設(shè)誤差允許值，當(dāng)E(t)小于ε時，訓(xùn)練所得的模型就是所需的網(wǎng)絡(luò)模型。

3.2BP網(wǎng)絡(luò)結(jié)構(gòu)

BP網(wǎng)絡(luò)包含以下3層：

(1) 輸入層神經(jīng)元。根據(jù)防卡閥結(jié)構(gòu)和防卡釬系統(tǒng)原理，將回轉(zhuǎn)壓力作為模型的輸入層。

(2) 輸出層神經(jīng)元。盡管大直徑深孔鑿巖過程中引起卡釬的因素十分復(fù)雜，但其客觀因素主要是鉆頭推進壓力和鉆孔過程中巖體構(gòu)造及巖石性質(zhì)的變化。因此，在建立BP網(wǎng)絡(luò)模型時，設(shè)模型的輸出層為推進壓力。

(3) 隱含層神經(jīng)元。隱含層神經(jīng)元個數(shù)沒有理論上的計算公式，只能根據(jù)經(jīng)驗公式來計算[5]：

(2)

式中：S1，R分別為隱含層、輸入層神經(jīng)元個數(shù),S1=3，4，…，11；a為1～10的常數(shù)。

隱含層神經(jīng)元個數(shù)越多，網(wǎng)絡(luò)的預(yù)測效果越好，但是隱含層神經(jīng)元個數(shù)過多，就會大大增加模型的計算量，嚴(yán)重影響網(wǎng)絡(luò)的收斂速度。隱含層神經(jīng)元個數(shù)為8時誤差最小，因此本文建構(gòu)1-8-1的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

3.3BP網(wǎng)絡(luò)訓(xùn)練和測試

因為傳統(tǒng)的BP算法為梯度下降法，線性收斂速度比較慢，而LM(Levenberg-Marquardt)算法對傳統(tǒng)BP算法進行了改進，具有全局二階收斂性(只有當(dāng)Hesse矩陣的二階項趨于零時，才能應(yīng)用LM算法)，運算速度更快。因此，選擇TRAINLM作為網(wǎng)絡(luò)的訓(xùn)練函數(shù)。

訓(xùn)練過程的均方差(Mean Squared Error，MSE)曲線如圖6所示。在訓(xùn)練次數(shù)為535次時，均方差達(dá)到10-3。均方差越小，預(yù)測值就越接近期望值，但相應(yīng)的訓(xùn)練次數(shù)會增加，影響網(wǎng)絡(luò)訓(xùn)練的速度，甚至陷入死循環(huán)。結(jié)合預(yù)測結(jié)果進行綜合考慮，均方差選為10-3，既可保證預(yù)測結(jié)果的準(zhǔn)確性，又不會影響訓(xùn)練過程的快速性，具有較高的靈敏度。

圖6　訓(xùn)練過程的均方差曲線

訓(xùn)練過程存在一定的隨機性，需要對訓(xùn)練結(jié)果進行檢測以保證其準(zhǔn)確性，網(wǎng)絡(luò)訓(xùn)練輸出值和期望值的線性回歸分析如圖7所示，相關(guān)系數(shù)為0.999 36，擬合度越接近1，表明網(wǎng)絡(luò)輸出值對期望值的追蹤效果越好。

4GA-BP網(wǎng)絡(luò)

遺傳算法是一種隨機搜尋算法，參考自然選擇、生物進化的遺傳機制，解決非線性搜尋的優(yōu)化問題[11-12]。

圖7　網(wǎng)絡(luò)訓(xùn)練輸出值和期望值的線性回歸分析

4.1GA-BP網(wǎng)絡(luò)實現(xiàn)步驟

GA-BP網(wǎng)絡(luò)分為2部分：第1部分是將遺傳算法嵌入神經(jīng)網(wǎng)絡(luò)，在網(wǎng)絡(luò)的權(quán)值范圍內(nèi)搜尋最優(yōu)個體；第2部分把GA搜尋到的最優(yōu)個體作為網(wǎng)絡(luò)的初始權(quán)值和閾值，然后直接利用BP算法訓(xùn)練網(wǎng)絡(luò)。具體實現(xiàn)步驟如下：

(1) 編碼和初始化。GA-BP神經(jīng)網(wǎng)絡(luò)的主要目標(biāo)是優(yōu)化神經(jīng)元之間的連接權(quán)值和閾值。每個權(quán)值和閾值直接用實數(shù)表示，相比于二進制編碼，實數(shù)編碼方式更加直觀和精確。設(shè)種群規(guī)模為N，每個個體包含S個基因(連接權(quán)重)：S=RS1+S1S2+S1+S2。每個實數(shù)的范圍設(shè)置為[-1，1]，得到初始種群P(t)。

(2) 計算種群個體的適應(yīng)度值。分配初始種群的權(quán)值和閾值S到BP網(wǎng)絡(luò)，輸入信號向前傳播，計算輸出值和期望值之間的和方差(Sum of Squared Errors，SSE)，適應(yīng)度函數(shù)可以表示為SSE的倒數(shù)：

(3)

式中：sol為種群的任意個體；oi為第i個輸出神經(jīng)元的實際輸出；yi為第i個輸出神經(jīng)元的期望輸出；no為輸出神經(jīng)元的個數(shù)。

實際輸出和期望輸出之間的差異越小，適應(yīng)度函數(shù)的值越大。

(3) 選擇策略。通過計算種群中每個個體的適應(yīng)度，將個體分類。根據(jù)適應(yīng)度大小順序，決定個體被選擇的可能性，也就是比例選擇法：

(4)

式中：n為神經(jīng)網(wǎng)絡(luò)層數(shù)；fi為第i個神經(jīng)元的傳遞函數(shù)。

比例選擇法保證了擁有較大適應(yīng)度值的個體優(yōu)先被選擇，但還是有一些小適應(yīng)度值的個體被選擇。

(5)

(6)

式中：α為每對父本個體產(chǎn)生的隨機數(shù)，0<α<1，α≤Pc，Pc為每對父本個體的交叉速率。

(6) 產(chǎn)生新種群。在種群P(t)中插入新的個體，產(chǎn)生新的種群P(t+1)。將新種群個體的連接權(quán)值賦給神經(jīng)網(wǎng)絡(luò)，計算新個體的適應(yīng)度，如果達(dá)到預(yù)設(shè)值，就進入下一步驟，否則繼續(xù)進行遺傳操作。

(7) 給BP網(wǎng)絡(luò)分配初始權(quán)值。將GA搜尋到的最優(yōu)個體解碼，分配給相應(yīng)BP網(wǎng)絡(luò)的初始連接權(quán)值，然后繼續(xù)用BP算法訓(xùn)練網(wǎng)絡(luò)，直到和方差達(dá)到設(shè)定精度或達(dá)到最大迭代數(shù)，算法終止。

4.2GA-BP網(wǎng)絡(luò)模型設(shè)計

4.2.1參數(shù)設(shè)置

為便于比較，設(shè)置GA-BP網(wǎng)絡(luò)模型的參數(shù)與BP網(wǎng)絡(luò)相同。初始學(xué)習(xí)率為0.08，輸入層到隱含層的傳遞函數(shù)為tansig，隱含層到輸出層的傳遞函數(shù)為purelin，訓(xùn)練函數(shù)為trainlm。

GA-BP網(wǎng)絡(luò)的權(quán)值用實數(shù)表示，用實數(shù)編碼法編碼。由于變量本身是實數(shù)，所以可不通過解碼，直接計算目標(biāo)值和適應(yīng)度值，以加快搜索速度[13]。每一個連接權(quán)值通過一個實數(shù)直接表示，通過對所有權(quán)值和閾值編碼而獲得的位串稱為個體，sol=[s1，s2，…，sL]。對應(yīng)于個體的每個權(quán)值和閾值被稱為基因。所有權(quán)值、閾值結(jié)合Matlab命令W1,B,W2,S形成實數(shù)編碼遺傳算法的染色體，其長度為L=nin+nno+n+no。本文有1個輸入層單元，3個隱含層單元，1個輸出層單元，加上隱含層和輸出層的閾值，每個個體長度為10，每個實數(shù)的范圍是[-1，1]。

遺傳算法在進化搜索過程中不用外部信息，只基于適應(yīng)度函數(shù)，所以適應(yīng)度函數(shù)的選擇很重要，直接影響著收斂速率和尋最優(yōu)解的能力。目標(biāo)函數(shù)是網(wǎng)絡(luò)的和方差，為了獲得它的最小值，適應(yīng)度函數(shù)采用誤差函數(shù)的倒數(shù)。選擇函數(shù)采用基于正態(tài)分布的序列選擇函數(shù)，交叉函數(shù)采用算術(shù)交叉，變異函數(shù)采用非均勻變異。

如果最優(yōu)個體對應(yīng)的適應(yīng)度函數(shù)的值滿足精度要求，或達(dá)到設(shè)置的迭代次數(shù)，或最后改變的平均適應(yīng)度值的范圍小于某個特定值，就結(jié)束訓(xùn)練；同時，設(shè)置擁有最大適應(yīng)度值的個體作為最優(yōu)解。否則，繼續(xù)循環(huán)，對現(xiàn)有父本和后代重新排序，選擇擁有最大適應(yīng)度值的N個個體作為下一代；然后計算適應(yīng)度并再次訓(xùn)練，直到滿足終止條件。

4.2.2BP網(wǎng)絡(luò)訓(xùn)練

解碼從遺傳算法中獲得的最優(yōu)解，并分配到還未訓(xùn)練的BP網(wǎng)絡(luò)中作為初始權(quán)值，然后根據(jù)BP算法，輸入訓(xùn)練樣本進行網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)，計算輸出值和期望值之間的誤差。如果誤差大于精度要求，則轉(zhuǎn)為反向傳播進程，返回誤差信號。同時，根據(jù)每一層誤差的大小，調(diào)整權(quán)值和閾值，直到誤差小于設(shè)定值，或達(dá)到預(yù)設(shè)的訓(xùn)練次數(shù)，終止BP算法。保存訓(xùn)練好的隱含層權(quán)值和閾值，作為新的初始權(quán)值和閾值，然后對測試樣本進行仿真。

圖8為遺傳算法的適應(yīng)度變化曲線，當(dāng)遺傳算法收斂時，適應(yīng)度值隨著遺傳代數(shù)的增加而增大。

圖8　遺傳算法的適應(yīng)度變化曲線

圖9為遺傳算法的和方差變化曲線，當(dāng)遺傳算法收斂時，SSE隨著遺傳代數(shù)的增加而減小。

圖9　遺傳算法的和方差變化曲線

5性能分析

圖10為推進壓力的真實值、BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值和GA-BP預(yù)測值。從圖10可以看出，BP神經(jīng)網(wǎng)絡(luò)模型和GA-BP網(wǎng)絡(luò)模型均可以較好地預(yù)測卡釬時防卡閥的推進壓力。

圖10　真實值、BP預(yù)測值和GA-BP預(yù)測值

為了評價BP神經(jīng)網(wǎng)絡(luò)模型和GA-BP網(wǎng)絡(luò)模型的預(yù)測精度，采用以下誤差公式[14]：

和方差公式：

(7)

均方差公式：

(8)

平均絕對誤差(Mean Absolute Error，MAE)公式：

(9)

均方根(Root Mean Squared Error， RMSE)公式：

(10)

確定系數(shù)公式：

(11)

式中：SST為真實數(shù)據(jù)和均值之差的平方和。

BP神經(jīng)網(wǎng)絡(luò)和GA-BP網(wǎng)絡(luò)對防卡閥推進壓力的預(yù)測誤差見表3?？梢钥闯觯ㄟ^遺傳算法優(yōu)化后，和方差從1.103 6減小到0.072 0，確定系數(shù)從0.945 0增大到0.996 4，說明GA-BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力要強于沒有經(jīng)過優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，具有相對較高的預(yù)測精度、非線性映射和網(wǎng)絡(luò)性能。

表3　BP神經(jīng)網(wǎng)絡(luò)模型和GA-BP網(wǎng)絡(luò)模型的預(yù)測誤差

6結(jié)語

介紹和分析了鑿巖防卡閥和防卡釬系統(tǒng)的工作原理，通過現(xiàn)場實測回轉(zhuǎn)和推進壓力曲線，在復(fù)雜多變的巖石工況下捕捉卡釬現(xiàn)象，并獲取相應(yīng)的壓力信號，建立了防卡閥的BP神經(jīng)網(wǎng)絡(luò)模型。訓(xùn)練和測試結(jié)果表明，隱含層神經(jīng)元個數(shù)取8時，BP神經(jīng)網(wǎng)絡(luò)模型誤差最小，在訓(xùn)練次數(shù)為535次時，均方差達(dá)到10-3的要求。建立了防卡閥的GA-BP網(wǎng)絡(luò)模型，與沒經(jīng)過優(yōu)化的BP網(wǎng)絡(luò)模型相比，和方差從1.103 6減小到0.072 0，確定系數(shù)從0.945 0增大到0.996 4。分析結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型和GA-BP網(wǎng)絡(luò)模型均可以較好地預(yù)測卡釬時防卡閥的推進壓力，但GA-BP模型網(wǎng)絡(luò)具有更高的預(yù)測精度、非線性映射和網(wǎng)絡(luò)性能。

參考文獻：

[1]吳萬榮,魏建華,張永順,等.大直徑深孔鑿巖鉆孔偏斜的機理及其控制方案[J].中國有色金屬學(xué)報,2001,11(1):153-156.

[2]羅生梅,張宏林,斯建剛,等.液壓鑿巖機的自動防卡釬控制方案[J].蘭州理工大學(xué)學(xué)報,2009,35(3):33-38.

[3]趙宏強,郭艷,吳雙斌.基于模糊控制的潛孔鉆機推進回轉(zhuǎn)系統(tǒng)仿真[J].計算機仿真,2011,28(8):159-162.

[4]馬威,馬飛,周志鴻.基于AMESim的鑿巖鉆車防卡閥的建模與仿真分析[J].礦山機械,2014,42(11):17-21.

[5]XIE Z,DU Q,REN F,et al.Improving the forecast precision of river stage spatial and temporal distribution using drain pipeline knowledge coupled with BP artificial neural networks: a case study of Panlong River,Kunming,China[J]. Nat Hazards,2015,77(2):1081-1102.

[6]王書濤,陳東營,侯培國,等.基于熒光光譜技術(shù)和GA-BP神經(jīng)網(wǎng)絡(luò)的對羥基苯甲酸甲酯鈉含量的測定[J].光譜學(xué)與光譜分析,2015,35(6):1606-1610.

[7]賀志勇,鄭偉.基于BP神經(jīng)網(wǎng)絡(luò)的深基坑變形預(yù)測[J].華南理工大學(xué)學(xué)報(自然科學(xué)版),2008,36(10):92-96.

[8]王吉權(quán).BP神經(jīng)網(wǎng)絡(luò)的理論及其在農(nóng)業(yè)機械化中的應(yīng)用研究[D].沈陽:沈陽農(nóng)業(yè)大學(xué),2011.

[9]段寶福,張猛,李俊猛.逐孔起爆震動參數(shù)預(yù)報的BP神經(jīng)網(wǎng)絡(luò)模型[J].爆炸與沖擊,2010,30(4):401-406.

[10]ZHAO Ying,NAN Jun,CUI Fuyi, et al. Water quality forecast through application of BP neural network at Yuqiao reservoir[J].Journal of Zhejiang University SCIENCE A,2007,8(9):1482-1487．

[11]LI C,YANG Z,YAN H,et al.The application and research of the GA-BP neural network algorithm in the MBR membrane fouling[J].Abstract and Applied Analysis,2014，2014(7):1-8.

[12]劉錦偉,謝雄剛,方井.基于遺傳算法-BP神經(jīng)網(wǎng)絡(luò)的煤層注水效果分析[J].工礦自動化,2016,42(1):48-51.

[13]孟祥逢,魯漢榕,郭玲.基于遺傳神經(jīng)網(wǎng)絡(luò)的相似重復(fù)記錄檢測方法[J].計算機工程與設(shè)計,2010,31(7):1550-1553.

[14]WANG H S,WANG Y N,WANG Y C.Cost estimation of plastic injection molding parts through integration of PSO and BP neural network[J].Expert Systems with Applications,2013,40(2):418-428.

Application of GA-BP neural network in boost pressure forecast of anti-jamming valve used in rock drilling

MA Wei,MA Fei,GUO Rong,GENG Xiaoguang

(School of Mechanical Engineering, University of Science and Technology Beijing, Beijing 100083, China)

Abstract:Structure and working principle of anti-jamming valve on a drilling rig was analyzed, and BP neural network model of anti-jamming valve was established using original data of a quarry. The theory of genetic algorithm was utilized to optimize and analyze BP neural model, and the GA-BP model was established. The analysis results show that both BP neural network and GA-BP network model can be used to predict boost pressure of anti-jamming valve, and the GA-BP network model has higher prediction accuracy, nonlinear mapping and network performance.

Key words:rock drilling; anti-jamming valve; boost pressure; BP neural network; genetic algorithm

文章編號：1671-251X(2016)07-0044-07

DOI:10.13272/j.issn.1671-251x.2016.07.011

收稿日期：2016-01-27；修回日期：2016-05-20；責(zé)任編輯：胡嫻。

基金項目：國家自然科學(xué)基金資助項目(51274021)。

作者簡介：馬威(1987-)，男，江蘇徐州人，博士研究生，主要研究方向為鑿巖鉆車控制系統(tǒng)等,E-mail:maweiustb@163.com。

中圖分類號：TD422

文獻標(biāo)志碼：A網(wǎng)絡(luò)出版時間：2016-07-05 15:00

馬威，馬飛，郭榮，等.GA-BP網(wǎng)絡(luò)在鑿巖防卡閥推進壓力預(yù)測中的應(yīng)用[J].工礦自動化，2016,42(7)：44-50.