基于深度学习的采煤机截割轨迹预测及模型优化 论文

提高采煤机记忆截割精度对于实现采煤机截割滚筒的自动调高，提升采煤机自动化水平具有重要意义。针对目前采煤机传统记忆截割方法精度不高的问题，根据采煤机截割过程具有一定重复性的特点，提出了一种基于深度长短时记忆（Long Short-Term Memory，LSTM）神经网络的采煤机记忆截割轨迹预测方法。通过MATLAB平台实现了模型的构建与模型参数优化，并使用实际截割数据对深度LSTM神经网络模型进行了验证。预测实验的结果表明，深度LSTM神经网络相对于支持向量回归与梯度提升回归树算法在截割轨迹预测方面具有更高的准确性。深度LSTM神经网络的平均绝对误差、平均绝对百分误差、均方根误差均低于支持向量回归与梯度提升回归树算法。在实际生产中，采煤机需进行多次循环截割，考虑到实时性问题，神经网络模型需要对截割轨迹进行多步预测。为了进一步提升模型能力，提高模型在进行多步预测时的准确性，提出了一种LSTM神经网络的改进结构。通过在LSTM神经网络中引入比例因子，强化了神经网络的记忆保持能力，缓解了随预测步数增加，深度LSTM神经网络模型预测误差增大的问题。并对改进后模型与原模型进行了预测对比实验，实验结果表明改进后的模型在多步预测时表现更为优越。