基于LSTM-Informer模型的液压支架压力时空多步长预测

简介

目前多步液压支架压力预测大多为单步液压支架压力的累计预测,单步累计次数越多,累计误差就越大,影响预测精度。针对该问题,提出了一种基于长短时记忆(LSTM)-Informer模型的液压支架压力时空多步长预测方法。采用卡尔曼滤波消除液压支架压力数据中的振动噪声后,在工作面端部和中部各选取相邻的5台液压支架压力数据建立2个时空数据集(数据集1和数据集2),并对时空数据进行标准化预处理。将时空数据输入LSTM模型提取时空特征,并将提取的时空特征输入Informer模型的编码器,经过位置编码后利用多头概率稀疏自注意力来关注压力序列的变化特征,经过最大池化和一维卷积消除最终输出特征图的冗余组合。利用多头概率稀疏自注意力来关注压力序列的变化特征,将Informer模型的解码器改为全连接层,得到液压支架压力的预测结果。实验结果表明与基于门控循环单元(GRU)、LSTM和Informer模型的预测方法相比,基于LSTM-Informer模型的预测方法在预测6,12,24步长液压支架压力时的均方根误差(RMSE)和平均绝对误差(MAE)均最小;其中基于数据集1预测的6步长液压支架压力的RMSE分别降低了41.63%,49.74%,11.85%,MAE分别降低了41.75%,50.00%,12.00%;基于数据集2预测的6步长液压支架压力的RMSE分别降低了48.15%,59.86%,19.88%,MAE分别降低了49.87%,54.90%,13.16%。