基于灰色關(guān)聯(lián)分析與GA-BP神經(jīng)網(wǎng)絡(luò)的拉斗鏟生產(chǎn)能力預(yù)測(cè)

趙紅澤，王宇新，李淋，郭帥，王金瑞，任志輝

1.中國(guó)礦業(yè)大學(xué)(北京)能源與礦業(yè)學(xué)院，北京 100083；2.深部巖土力學(xué)與地下工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100083；3.神華準(zhǔn)格爾能源有限責(zé)任公司 黑岱溝露天煤礦，內(nèi)蒙古準(zhǔn)格爾 010300

拋擲爆破-拉斗鏟無(wú)運(yùn)輸?shù)苟褎冸x工藝作為一種集采掘、運(yùn)輸、排土三項(xiàng)作業(yè)于一體的先進(jìn)工藝系統(tǒng)，在現(xiàn)代化露天礦生產(chǎn)過(guò)程中具有降低開(kāi)采成本、提高生產(chǎn)能力、減少生產(chǎn)環(huán)節(jié)的顯著優(yōu)勢(shì)[1-2]。隨著拉斗鏟在生產(chǎn)作業(yè)中承擔(dān)的剝離量不斷提升，拉斗鏟生產(chǎn)能力對(duì)于其運(yùn)行情況，乃至整個(gè)露天礦生產(chǎn)均具有較大影響。

國(guó)內(nèi)學(xué)者針對(duì)拋擲爆破-拉斗鏟倒堆工藝中部分參數(shù)及爆炸效果的影響進(jìn)行了較為深入的研究[3-9]。李祥龍等[10]通過(guò)相似模擬實(shí)驗(yàn)得出炸藥單耗和有效拋擲率之間的關(guān)系；孫健東等[11]通過(guò)應(yīng)用重心圓投影模型對(duì)拉斗鏟擴(kuò)展平盤(pán)高度等參數(shù)進(jìn)行優(yōu)化；韓亮等[12]對(duì)煤層厚度、煤層坡角等8個(gè)影響因素建立BP神經(jīng)網(wǎng)絡(luò)，對(duì)爆堆形態(tài)進(jìn)行預(yù)測(cè)；馬力等[13]通過(guò)分析拋擲爆破參數(shù)及設(shè)備運(yùn)行工況推導(dǎo)出拉斗鏟生產(chǎn)能力計(jì)算公式；肖雙雙等[14]選取實(shí)動(dòng)時(shí)間等三個(gè)影響因素建立BP神經(jīng)網(wǎng)絡(luò)，對(duì)拉斗鏟生產(chǎn)能力進(jìn)行預(yù)測(cè)。以上研究均為從實(shí)際數(shù)據(jù)出發(fā)，找出個(gè)別參數(shù)的最優(yōu)值，但是多數(shù)研究存在指標(biāo)單一、主觀判斷性強(qiáng)等缺陷，未考慮拋擲爆破與倒堆工藝之間諸多因素的影響。拉斗鏟生產(chǎn)能力與影響因素之間存在著復(fù)雜的非線性關(guān)系，因此無(wú)法運(yùn)用一個(gè)精確的公式來(lái)具體表達(dá)。在實(shí)際的礦山生產(chǎn)中，拋擲爆破參數(shù)和效果、倒堆工藝技術(shù)及參數(shù)、施工組織管理及設(shè)備維修狀況、駕駛員操作水平和天氣情況影響等因素都與拉斗鏟的生產(chǎn)能力緊密相關(guān)?，F(xiàn)利用灰色關(guān)聯(lián)分析法確定拉斗鏟生產(chǎn)能力的最優(yōu)影響因素，為GA-BP神經(jīng)網(wǎng)絡(luò)確定輸入層神經(jīng)元節(jié)點(diǎn)的數(shù)量提供有效依據(jù)。通過(guò)GA算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值進(jìn)行最優(yōu)化賦值，加快了網(wǎng)絡(luò)的收斂速度，防止BP神經(jīng)網(wǎng)絡(luò)在運(yùn)行過(guò)程中易陷入局部極小值的缺點(diǎn)。本文以黑岱溝露天礦拋擲爆破-拉斗鏟作業(yè)區(qū)域?qū)崪y(cè)數(shù)據(jù)為例，建立GA-BP神經(jīng)網(wǎng)絡(luò)與常規(guī)BP 神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)模型并進(jìn)行比較，為拉斗鏟生產(chǎn)能力的精準(zhǔn)預(yù)測(cè)提供可靠依據(jù)。

1 灰色關(guān)聯(lián)分析法

灰色關(guān)聯(lián)分析法原理是通過(guò)權(quán)衡統(tǒng)計(jì)序列之中各種因素之間發(fā)展的相似性與差異性來(lái)計(jì)算系統(tǒng)中關(guān)聯(lián)度大小，參考序列與比較序列的幾何形狀變化趨勢(shì)越接近，相關(guān)程度越大[15]。該方法對(duì)于樣本容量以及樣本間規(guī)律性要求較低，具有計(jì)算量小、精度高的特點(diǎn)。為了進(jìn)一步明確各影響因素與拉斗鏟之間的影響程度，本文運(yùn)用灰色關(guān)聯(lián)分析法找出各輸入因素與輸出產(chǎn)量之間的關(guān)聯(lián)程度，并進(jìn)行比較?；疑P(guān)聯(lián)分析方法具體步驟如下：

(1) 對(duì)數(shù)據(jù)進(jìn)行無(wú)量綱化。

(2) 參考數(shù)列的確定。設(shè)有n個(gè)樣本數(shù)據(jù)，擬定參考序列和各影響因素比較序列分別為i和Xi， 則有

i={i(1)，i(2)，…，i(n)}Xi={Xi(1)，Xi(2)，…，Xi(n)}

(3) 確定關(guān)聯(lián)系數(shù)η(k)：

(1)

15個(gè)影響因素并不能確定各影響因素的重要程度，因此將各影響因素一致看作同等重要，故此處將分辨系數(shù)ρ取值0.5。以拉斗鏟月生產(chǎn)能力作為參考序列，各影響因素作為比較序列，運(yùn)用灰色關(guān)聯(lián)分析法求出各影響因素與拉斗鏟月生產(chǎn)能力間的關(guān)聯(lián)程度。

2 GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種利用誤差逆向傳播，通過(guò)層與層之間單向傳播進(jìn)而縮小誤差的多層前向式網(wǎng)絡(luò)[16]。網(wǎng)絡(luò)結(jié)構(gòu)主要包括輸入層、隱藏層和輸出層，相鄰層之間通過(guò)權(quán)重相連接。首先，設(shè)置網(wǎng)絡(luò)參數(shù)，并動(dòng)態(tài)調(diào)整各連接權(quán)重。對(duì)輸入的樣本數(shù)據(jù)做歸一化處理后，執(zhí)行網(wǎng)絡(luò)訓(xùn)練，并將獲得的結(jié)果與實(shí)際測(cè)量值進(jìn)行比較，以獲得網(wǎng)絡(luò)誤差。最后，調(diào)整層與層之間的權(quán)重系數(shù)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行不間斷的訓(xùn)練，當(dāng)達(dá)到所設(shè)定誤差或?qū)W習(xí)次數(shù)后，即完成網(wǎng)絡(luò)訓(xùn)練。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意Fig.1 Schematic diagram of BP neural network structure

神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)i的輸入層為

(2)

式中，Wik為網(wǎng)絡(luò)神經(jīng)節(jié)點(diǎn)i和k間的連接權(quán)；ok為節(jié)點(diǎn)k處的輸出值。

輸出層為

(3)

式中，f為節(jié)點(diǎn)間的作用函數(shù)。

第i個(gè)樣本的誤差函數(shù)為

(4)

式中，y為輸出期望值；o為輸出實(shí)際值。

整個(gè)樣本的誤差函數(shù)值為各樣本誤差加權(quán)值：

(5)

誤差修正權(quán)值為

(6)

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢之后，輸入測(cè)試集數(shù)據(jù)，執(zhí)行網(wǎng)絡(luò)運(yùn)算即可得到相對(duì)應(yīng)的預(yù)測(cè)數(shù)據(jù)值。

2.2 遺傳算法

遺傳算法(Genetic Algorithm)是由Holland J.教授于1975年首次提出的一種以生物進(jìn)化規(guī)律為依據(jù)而演化形成的隨機(jī)搜索方法[17]，由于BP神經(jīng)網(wǎng)絡(luò)中因參數(shù)設(shè)置不合理會(huì)產(chǎn)生局部y最優(yōu)解、收斂速度過(guò)慢的不足，而遺傳算法模擬生物進(jìn)化過(guò)程中編碼、選擇、交叉、變異等過(guò)程對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值選擇最適合的參數(shù)進(jìn)行最優(yōu)賦值。遺傳算法過(guò)程如下：

(1) 染色體編碼。為了提高網(wǎng)絡(luò)的搜索半徑，確保網(wǎng)絡(luò)的權(quán)值與閾值擁有較高的精度，通過(guò)浮點(diǎn)數(shù)編碼對(duì)染色體進(jìn)行編碼處理，染色體編碼長(zhǎng)度s為

s=n1n2+n2n3+n2+n3

(7)

式中，n1、n2、n3分別為輸入層、隱藏層和輸出層各自的節(jié)點(diǎn)個(gè)數(shù)。

(2) 種群初始化。隨機(jī)產(chǎn)生N個(gè)個(gè)體形成種群，優(yōu)選出最適個(gè)體添加至初始種群當(dāng)中，進(jìn)行迭代運(yùn)行直至初始種群的個(gè)體數(shù)達(dá)到所設(shè)定的種群規(guī)模。

(3) 適應(yīng)度的計(jì)算函數(shù)。適應(yīng)度F的計(jì)算公式為

(8)

(4) 選擇操作。從當(dāng)前種群中選取一定量個(gè)體作為母體進(jìn)而繁衍后代。個(gè)體i被選中的概率

(9)

(5) 交叉操作。運(yùn)用算數(shù)交叉法對(duì)種群中的個(gè)體進(jìn)行交叉處理，則染色體xi與xj在基因k處進(jìn)行算數(shù)交叉。交叉算子為

(10)

式中，a為[0，1]間的隨機(jī)數(shù)。

(6) 變異操作。變異操作擁有增加種群的多樣性，為防止網(wǎng)絡(luò)陷入局部最優(yōu)值，選取染色體xi的j基因處進(jìn)行變異，變異算子為

(11)

(12)

式中，xmax為基因xij的上界；xmin為基因xij的下界；r1和r2為[0，1]間的隨機(jī)數(shù)；g為本次遺傳迭代次數(shù)；Gmax為最大遺傳迭代次數(shù)。

(7) 網(wǎng)絡(luò)參數(shù)設(shè)置。對(duì)遺傳算法以及BP神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)進(jìn)行賦值，具體包括BP神經(jīng)網(wǎng)絡(luò)層數(shù)及各層節(jié)點(diǎn)個(gè)數(shù)、最大訓(xùn)練次數(shù)、訓(xùn)練目標(biāo)誤差、學(xué)習(xí)速率、種群規(guī)模、迭代次數(shù)、交叉概率、變異概率等。GA-BP神經(jīng)網(wǎng)絡(luò)算法流程如圖2所示。

圖2 GA-BP神經(jīng)網(wǎng)絡(luò)算法流程Fig.2 GA-BP neural network algorithm flow chart

3 GA-BP神經(jīng)網(wǎng)絡(luò)影響因子的確定

拋擲爆破-拉斗鏟倒堆工藝作為一種集采掘、運(yùn)輸、排土于一體的工藝系統(tǒng)，在現(xiàn)代露天礦生產(chǎn)過(guò)程中具有顯著優(yōu)勢(shì)，工藝環(huán)節(jié)如圖3和圖4所示。

圖3 拉斗鏟倒堆工藝Fig.3 Blast casting-dragline working

3.1 影響因素分析

在拋擲爆破-拉斗鏟無(wú)運(yùn)輸?shù)苟压に囍?，將制約拉斗鏟生產(chǎn)能力的影響因素歸納為四類(lèi)(圖5)：倒堆工藝技術(shù)及參數(shù)[6]、駕駛員操作水平及天氣影響[9]、拋擲爆破參數(shù)及效果[18]、施工組織管理及設(shè)備維修情況[19]。

(1) 倒堆工藝技術(shù)及參數(shù)。露天礦生產(chǎn)作業(yè)過(guò)程中采煤作業(yè)與倒堆作業(yè)呈現(xiàn)追蹤開(kāi)采的作業(yè)關(guān)系，因此倒堆工藝參數(shù)對(duì)拉斗鏟作業(yè)及后續(xù)原煤生產(chǎn)均有著較深影響。其中，倒堆臺(tái)階工作線長(zhǎng)度、倒堆臺(tái)階高度、采掘帶寬度與拉斗鏟實(shí)動(dòng)時(shí)間，影響拉斗鏟作業(yè)的走行路線和工作效率。

(2) 駕駛員操作水平及天氣影響。駕駛員的操作水平?jīng)Q定了生產(chǎn)作業(yè)期間拉斗鏟的采裝周期、實(shí)動(dòng)時(shí)間、出動(dòng)率、實(shí)動(dòng)率等因素，進(jìn)而影響拉斗鏟的工作效率與生產(chǎn)能力。在露天礦生產(chǎn)系統(tǒng)過(guò)程中，天氣也是影響正常生產(chǎn)作業(yè)的環(huán)節(jié)之一，大風(fēng)沙塵暴天氣會(huì)影響司機(jī)的道路視線與設(shè)備的穩(wěn)定情況；強(qiáng)降雨天氣會(huì)使地表泥濘而降低拉斗鏟的運(yùn)行速度，影響拉斗鏟作業(yè)效率；大雪冰凍天氣使得鏟斗下挖阻力增大，進(jìn)而導(dǎo)致生產(chǎn)作業(yè)效率降低，天氣惡劣時(shí)，拉斗鏟需要停鏟。

圖5 拉斗鏟生產(chǎn)能力影響因素Fig.5 Factors affecting the production capacity of the dragline

(3) 拋擲爆破參數(shù)及效果。拋擲爆破是將煤層上部土巖部分剝離物料直接拋擲到采空區(qū)中，拋擲爆破效果的好壞直接影響后續(xù)拉斗鏟作業(yè)效率，其中爆破效果、孔網(wǎng)參數(shù)等均是影響拋擲爆破效果的重要因素。對(duì)于挖掘后續(xù)破碎土巖的拉斗鏟作業(yè)，拋擲爆破效果直接關(guān)系到巖石的破碎程度以及鏟斗的裝斗情況。

(4) 施工組織管理及設(shè)備維修情況。拉斗鏟作業(yè)中施工組織管理方案依據(jù)工程中施工特點(diǎn)與設(shè)計(jì)內(nèi)容，綜合考慮拉斗鏟作業(yè)過(guò)程中人員、機(jī)械、環(huán)境、管理之間的關(guān)系和作業(yè)方法等要素。合理的施工組織管理與設(shè)備維修，可以最大程度地保證機(jī)械設(shè)備的健康運(yùn)行，提高拉斗鏟作業(yè)的實(shí)動(dòng)時(shí)間、實(shí)動(dòng)率、出動(dòng)率等，從而提高生產(chǎn)效率。

3.2 灰色關(guān)聯(lián)度分析

本文以拉斗鏟月生產(chǎn)能力作為參考序列，影響拉斗鏟生產(chǎn)能力的倒堆工藝參數(shù)、拋擲爆破效果及參數(shù)、采裝周期、松散系數(shù)等因素作為比較序列，對(duì)黑岱溝露天礦2015—2018年拋擲爆破-拉斗鏟作業(yè)的40組實(shí)測(cè)數(shù)據(jù)進(jìn)行分析。因倒堆臺(tái)階寬度、炮孔間距與炮孔排距均為定值影響程度較小，因此不作為網(wǎng)絡(luò)影響因素考慮。在灰色關(guān)聯(lián)分析前，對(duì)各影響因素進(jìn)行量化分析，具體量化值見(jiàn)表1。

各因素灰色關(guān)聯(lián)度如圖6所示。由灰色關(guān)聯(lián)分析得出，拉斗鏟各影響因素與其月生產(chǎn)能力中關(guān)聯(lián)程度最大的為實(shí)動(dòng)時(shí)間(0.796 8)，最小為松散系數(shù)(0.581 8)。當(dāng)灰色關(guān)聯(lián)度為0.8～1.0時(shí)，參考序列與比較序列之間有著很高的關(guān)聯(lián)程度；當(dāng)灰色關(guān)聯(lián)度位于0.6～0.8時(shí)，參考序列與比較序列有著較高的關(guān)聯(lián)程度；當(dāng)灰色關(guān)聯(lián)度小于0.5時(shí)，參考序列與比較序列之間關(guān)聯(lián)程度較弱[20]。因各影響因素灰色關(guān)聯(lián)度僅松散系數(shù)一項(xiàng)小于0.6，因此本文選取灰色關(guān)聯(lián)度0.7作為區(qū)分界限，將大于0.7的各因素進(jìn)行排序并作為GA-BP神經(jīng)網(wǎng)絡(luò)的輸入向量，得到各因素影響程度從大到小為：實(shí)動(dòng)時(shí)間>出動(dòng)率>有效拋爆量>有效拋擲率>0.7。

表1 灰色關(guān)聯(lián)樣本集

圖6 各因素灰色關(guān)聯(lián)圖Fig.6 Gray correlation diagram of various factors

4 GA-BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用

4.1 GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練與測(cè)試

選取實(shí)動(dòng)時(shí)間、出動(dòng)率、有效拋爆量、有效拋擲率作為GA-BP神經(jīng)網(wǎng)絡(luò)的輸入向量，灰色關(guān)聯(lián)優(yōu)化后指標(biāo)數(shù)據(jù)見(jiàn)表2。

表2 GA-BP神經(jīng)網(wǎng)絡(luò)樣本集

通過(guò)灰色關(guān)聯(lián)分析得出的最優(yōu)影響因素，以實(shí)動(dòng)時(shí)間X1、出動(dòng)率X2、有效拋爆量X3、有效拋擲率X4作為輸入變量，拉斗鏟月生產(chǎn)能力y作為輸出變量。確定神經(jīng)網(wǎng)絡(luò)輸入層和輸出層節(jié)點(diǎn)個(gè)數(shù)分別為4和1。根據(jù)經(jīng)驗(yàn)公式

式中，p為隱藏層節(jié)點(diǎn)個(gè)數(shù)；n為輸入層節(jié)點(diǎn)個(gè)數(shù)；a為0～10之間的常數(shù)。

通過(guò)試湊法選擇隱藏層最優(yōu)節(jié)點(diǎn)數(shù)為7，并建立3層BP神經(jīng)網(wǎng)絡(luò)。因輸入層向量為具體不同量綱的變量，需對(duì)樣本進(jìn)行歸一化處理，即將輸入層與輸出層的樣本數(shù)據(jù)映射至[0，1]之間，通過(guò)遺傳最優(yōu)算法對(duì)染色體進(jìn)行編碼，設(shè)置適應(yīng)度函數(shù)對(duì)新個(gè)體的優(yōu)劣性進(jìn)行評(píng)價(jià)，篩選其中適應(yīng)度較高的個(gè)體通過(guò)選擇、交叉、變異形成新的種群，解碼最宜個(gè)體得到并賦予BP神經(jīng)網(wǎng)絡(luò)最佳的權(quán)值與閾值，訓(xùn)練結(jié)束后，將網(wǎng)絡(luò)模型輸出值反向映射至原數(shù)據(jù)區(qū)間，即可得到網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果。BP神經(jīng)網(wǎng)絡(luò)與遺傳算法具體參數(shù)設(shè)置見(jiàn)表3和表4。

表3 BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置

表4 遺傳算法參數(shù)設(shè)置

現(xiàn)以黑岱溝露天礦2015—2018年拋擲爆破-拉斗鏟作業(yè)的40組實(shí)測(cè)數(shù)據(jù)為基礎(chǔ)進(jìn)行分析。通常選取75%的樣本數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本(本文中即前30組)，但考慮到本文研究模型樣本數(shù)據(jù)有限，為提高網(wǎng)絡(luò)預(yù)測(cè)精度，本文選取其中前33組數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本，后7組數(shù)據(jù)作為網(wǎng)絡(luò)的預(yù)測(cè)樣本，GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖7所示?？梢?jiàn)，對(duì)于所指定的樣本，GA-BP神經(jīng)網(wǎng)絡(luò)在測(cè)試集與訓(xùn)練集均能較好地進(jìn)行擬合，樣本擬合程度為R=0.95。因此通過(guò)GA-BP神經(jīng)網(wǎng)絡(luò)對(duì)于拉斗鏟生產(chǎn)能力的預(yù)測(cè)是有效的。

圖7 訓(xùn)練結(jié)果Fig.7 Training result

4.2 網(wǎng)絡(luò)模型對(duì)比與檢驗(yàn)

GA-BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行拉斗鏟生產(chǎn)能力預(yù)測(cè)并對(duì)比結(jié)果，如圖8、圖9所示。

圖8 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果對(duì)比圖Fig.8 Comparison of neural network prediction results

圖9 GA-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差Fig.9 GA-BP neural network and BP neural network prediction error

由圖8可知，兩種神經(jīng)網(wǎng)絡(luò)均能較好地達(dá)到預(yù)測(cè)效果，在某些樣本點(diǎn)處BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果更好，而在某些樣本點(diǎn)處GA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值與實(shí)際值更為接近。將兩種預(yù)測(cè)網(wǎng)絡(luò)的性能比較(表5)可知，GA-BP神經(jīng)網(wǎng)絡(luò)最大相對(duì)誤差為8.786%，平均相對(duì)誤差為3.385%，BP神經(jīng)網(wǎng)絡(luò)最大相對(duì)誤差為9.368%，平均相對(duì)誤差為5.697%。而在迭代次數(shù)與平均相對(duì)誤差方差對(duì)比中，GA-BP神經(jīng)網(wǎng)絡(luò)模型的收斂速度明顯變快，平均相對(duì)誤差方差也更小。可見(jiàn)，GA-BP神經(jīng)網(wǎng)絡(luò)模型性能在各個(gè)方面均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。

表5 網(wǎng)絡(luò)預(yù)測(cè)性能比較

5 結(jié) 論

本文提出一種關(guān)于灰色關(guān)聯(lián)分析法結(jié)合GA-BP神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)拉斗鏟生產(chǎn)能力，通過(guò)對(duì)拋擲爆破參數(shù)、倒堆工藝參數(shù)、采裝周期等12個(gè)影響因素進(jìn)行灰色關(guān)聯(lián)度分析，選取實(shí)動(dòng)時(shí)間、出動(dòng)率、有效拋爆量和有效拋擲率作為輸入變量，拉斗鏟月生產(chǎn)能力作為輸出變量，建立GA-BP神經(jīng)網(wǎng)絡(luò)。

(1)GA-BP神經(jīng)網(wǎng)絡(luò)平均相對(duì)誤差為3.385%，平均相對(duì)誤差方差為0.015 6，均優(yōu)于常規(guī)BP神經(jīng)網(wǎng)絡(luò)，并且迭代次數(shù)僅為18次，加快了收斂速度，改善了BP神經(jīng)網(wǎng)絡(luò)易于陷入局部最小值收斂速度慢的缺點(diǎn)。

(2) GA-BP神經(jīng)網(wǎng)絡(luò)模型與BP神經(jīng)網(wǎng)絡(luò)模型均能對(duì)拉斗鏟生產(chǎn)能力做出有效預(yù)測(cè)，但GA-BP神經(jīng)網(wǎng)絡(luò)模型較常規(guī)BP神經(jīng)網(wǎng)絡(luò)模型性能更加優(yōu)異，對(duì)拉斗鏟生產(chǎn)能力預(yù)測(cè)的泛化性能更好、精度更高。