《表1 磨机运行状态的部分实验数据》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于改进粒子群算法的RBF神经网络磨机负荷预测研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

以下结合实际数据讨论在上述方法下建立的IPSO-RBF模型的预测效果，本文选取陕西省安康市某水泥厂的磨机负荷运行数据，通过对磨矿过程磨机运行状态的分析研究，对磨机负荷的主要影响因素和磨机负荷数据进行预处理，其中主要影响因素包括给料量、磨音信号、磨主机电流和出磨提升机电流。为了能够取得较好的预测效果，较真实地反映实际粉磨机的运行状态，需要对大量的输入、输出样本进行训练，本次实验共选取180组实验数据，其中140组作为训练样本，另外40组作为测试样本，用来检测磨机负荷的预测精度，实验样本数据如表1所示。