基于动态自适应旗鱼优化BP神经网络的工作面周期来压预测

作     者：姚钰鹏 熊武 YAO Yupeng;XIONG Wu

作者机构：北京天玛智控科技股份有限公司北京101399 

出 版 物：《工矿自动化》 (Journal Of Mine Automation)

年 卷 期：2024年第50卷第8期

页      面：30-37页

学科分类：081901[工学-采矿工程] 0819[工学-矿业工程] 08[工学] 

基　　金：国家重点研发计划项目(2023YFC2907504) 

主　　题：基本顶垮落 工作面周期来压 来压强度 来压步距 旗鱼优化算法 动态自适应优化 BP神经网络 

摘      要：针对现有工作面周期来压预测方法精度不足、泛化性较差和算力要求高等问题,提出了一种基于动态自适应旗鱼优化BP神经网络(DASFO−BP)的工作面周期来压预测模型。通过分析工作面周期来压机理,得到与来压相关的影响因素,通过皮尔逊相关系数确定对来压具有显著影响的因素(推进速度、直接顶厚度、基本顶厚度、采高、煤层倾角和倾向长度)作为预测模型输入,并以下次来压强度和来压步距作为预测模型输出。针对旗鱼优化(SFO)算法鲁棒性不足的问题,提出了动态自适应优化策略对SFO算法进行改进,即在优化前期利用SFO达到快速收敛的目的,中期则借助秃鹰搜索(BES)跳出局部最优,后期发挥粒子群优化(PSO)深度搜索的优势来提高解的精度。通过改进后的动态自适应旗鱼优化(DASFO)算法对BP神经网络的超参数进行训练,构建了基于DASFO−BP的来压预测模型。实验结果表明:DASFO算法在单峰和多峰测试函数上均能实现快速收敛;与BP,SFO−BP和NCPSO−BP相比,DASFO−BP对周期来压强度和步距的预测值与真实值更为接近,具有更高的精度,拟合能力和泛化能力强,能够准确预测下一周期来压分布情况。