基于小波CNN-LSTM-MHA的矿井工作面风速预测研究

霍永琪; 郝治东; 苏嘉豪; 窦小奇; 李卓洋

doi:10.13301/j.cnki.ct.2026.11.021

煤炭技术 ›› 2026, Vol. 45 ›› Issue (11) : 123 -129. DOI: 10.13301/j.cnki.ct.2026.11.021

基于小波CNN-LSTM-MHA的矿井工作面风速预测研究

霍永琪, 郝治东, 苏嘉豪, 窦小奇, 李卓洋

作者信息 +

Author information +

文章历史 +

摘要

采煤工作面风速是表征通风状态的核心指标，实现风速的准确预测，对矿井灾害预警与通风系统的智能调控有着重要意义。针对井下风速监测数据存在机械、电气噪声等问题，本文提出一种基于小波阈值去噪、卷积神经网络（CNN）、长短时记忆网络（LSTM），以及多头注意力机制（MHA）融合的深度学习预测模型。采用优选小波参数的去噪策略，对原始数据进行预处理，有效剥离噪声并保留风速演化趋势。利用一维CNN挖掘局部空间特征，结合LSTM捕捉长时序依赖关系，并引入MHA对关键时间步进行自适应加权聚焦。实验结果表明，该模型E_RMS=0.007 9,E_MA=0.005 8,E_MAP=0.551 1%,R²=0.965 6，相较于LSTM、BP及RNN模型，显著降低了预测误差，展现出优异的鲁棒性，为矿井通风智能化调控提供可靠的理论支撑。