Resumen

En el método matemático de optimización tradicional, los parámetros de control del proceso para el frente minero totalmente mecanizado los determinan los expertos o los técnicos basándose en su propia experiencia, lo que carece de base científica y requiere un largo ciclo de ajuste de la producción. Es causa de grandes pérdidas, y no conduce a la mejora de la eficiencia de la producción de la mina. Para resolver este problema, el estudio propone un método de optimización de los parámetros de control de procesos basado en una estrategia mixta de red neuronal artificial y algoritmo genético, y utiliza una función de coste de entropía cruzada para optimizar una red neuronal artificial, que mejora la velocidad de aprendizaje y la precisión de ajuste de la red neuronal. Utilizando los datos históricos de producción de un frente de minería de carbón totalmente mecanizado, tomando la velocidad de arrastre de la cizalla, la velocidad de movimiento del soporte hidráulico, la velocidad de la cadena del transportador de rasquetas, la velocidad de la cadena del cargador de etapas, la presión de salida de la bomba de emulsión y la presión de salida de la bomba de pulverización como objetos de optimización y tomando el rango de valores de cada parámetro de control del proceso como condición de restricción para establecer un modelo de optimización de estrategia mixta de los parámetros de control del proceso para un frente de minería totalmente mecanizado, cada parámetro de control del proceso se optimiza con la producción de carbón por minuto como objetivo de optimización. Los resultados muestran que el método tiene una alta precisión y un corto tiempo de proceso de optimización y puede mejorar efectivamente la eficiencia de producción del frente de trabajo.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:parámetros de control del proceso, frente minero mecanizado, presión de salida de la bomba, red neuronal artificial, velocidad de la cadena, velocidad de la etapa, tiempo del proceso de optimización, salida del carbón, función de coste de entropía, velocidad del rascador
• Keywords:process control parameters, mechanized mining face, pump outlet pressure, artificial neural network, chain speed, speed of stage, optimization process time, output of coal, entropy cost function, speed of scraper