| 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...
|
