基于改进门控循环神经网络的采煤机滚筒调高量预测
齐爱玲1
王雨1
马宏伟2
1.西安科技大学计算机科学与技术学院,陕西西安 7100542.西安科技大学机械工程学院,陕西西安 710054
摘要：采煤机自适应截割技术是实现综采工作面智能化开采的关键技术.针对采煤机在复杂煤层下自动截割精度较低的问题,提出了一种基于改进门控循环神经网络(GRU)的采煤机滚筒调高量预测方法.鉴于截割轨迹纵向及横向相邻数据之间的相关性,采用定长滑动时间窗法对获取的采煤机滚筒高度数据进行预处理,将输入数据划分为连续、大小可调的子序列,同时处理横向、纵向的特征信息.为提高模型预测效率,满足循环截割的实时性要求,提出了 一种用因果卷积改进的门控循环神经网络(CC-GRU),对输入数据进行双重特征提取和双重数据过滤.CC-GRU利用因果卷积提前聚焦序列纵向的局部时间特征,以减少计算成本,提高运算速度;利用门控机制对卷积得到的特征进行序列化建模,以捕捉元素之间的长期依赖关系.实验结果表明,采用CC-GRU模型对采煤机滚筒调高量进行预测,平均绝对误差(MAE)为43.80 mm,平均绝对百分比误差(MAPE)为1.90％,均方根误差(RMSE)为50.35 mm,决定系数为0.65,预测时间仅为0.17 s;相比于长短时记忆(LSTM)神经网络、GRU、时域卷积网络(TCN),CC-GRU模型的预测速度较快且预测精度较高,能够更准确地对采煤机调高轨迹进行实时预测,为工作面煤层模型的建立和采煤机调高轨迹的预测提供了依据.
关键词：采煤机滚筒调高煤岩识别深度学习门控循环神经网络因果卷积
分类号：TD421.6(矿山机械)
资助基金：国家自然科学基金(61674121)
论文发表日期：2024-02-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 116-123 )
英文信息