融合SFO算法的LSTM模型在煤矿机械故障检测中的应用

摘要

煤矿机电设备运行可靠程度同矿山安全生产和作业效率息息相关。传统故障检测依靠人工经验及阈值报警，存在滞后性强、误报漏判率高的问题，难以适应井下复杂环境。针对传统长短时记忆（LSTM）模型存在超参数依赖人工调试、容易陷入局部最优、泛化能力差等问题，提出一种结合旗鱼优化（SFO）算法的LSTM故障检测模型。该模型采用LSTM的门控机制来捕捉多源时序数据的长期依赖特征，通过SFO算法对隐藏层神经元数、学习率等所有重要的超参数进行全局优化，以此平衡算法的全局探索和局部开发能力。实验结果表明，SFO-LSTM模型在多设备数据集上检测准确率为97.85%，复合故障的识别准确率为95.21%，多噪声环境下检测准确率超过93%，单样本推理时间为0.82 ms，满足井下实时监测的要求，为煤矿机械早期故障分级预警提供了高效可靠的方案。

关键词

煤矿机械 / 故障检测 / LSTM / SFO算法