基于优化LSTM模型的带式输送机煤流量预测方法

摘要

当前煤矿企业普遍面临带式输送机由运载量波动导致的空载、轻载现象，造成能源浪费和设备磨损加剧，难以应对运载量突变场景。因此，基于煤流量调控带式输送机运行状态成为其运行效率与能耗优化的重要前提，而关键难题在于如何有效、准确地预测煤流量数据作为带式输送机调控依据。针对此难题，提出一种长短期记忆（LSTM）与卷积神经网络（CNN）、时间+特征的双阶段自适应注意力融合的煤流量预测方法。该方法以历史煤流量作为时间序列特征，带速作为动态外部特征，构建训练模型以优化误差。实验表明，基于双阶段自适应注意力机制的优化LSTM模型预测煤流量的平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）分别为0.073、0.022、0.149，均优于对比模型。该方法实现了较高精度的带式输送机煤流量预测，为动态调速与节能控制提供了可靠依据，为提高带式输送机智能控制水平提供了借鉴。

关键词

带式输送机 / 煤流量预测 / 深度学习 / LSTM / 双阶段自适应注意力机制