基于LSTM?Informer 模型的液壓支架壓力時空多步長預測

摘要：目前多步液壓支架壓力預測大多為單步液壓支架壓力的累計預測，單步累計次數越多，累計誤差就越大，影響預測精度。針對該問題，提出了一種基于長短時記憶（LSTM）?Informer 模型的液壓支架壓力時空多步長預測方法。采用卡爾曼濾波消除液壓支架壓力數據中的振動噪聲后，在工作面端部和中部各選取相鄰的5 臺液壓支架壓力數據建立2 個時空數據集（數據集1 和數據集2），并對時空數據進行標準化預處理。將時空數據輸入LSTM 模型提取時空特征，并將提取的時空特征輸入Informer 模型的編碼器，經過位置編碼后利用多頭概率稀疏自注意力來關注壓力序列的變化特征，經過最大池化和一維卷積消除最終輸出特征圖的冗余組合。利用多頭概率稀疏自注意力來關注壓力序列的變化特征，將Informer 模型的解碼器改為全連接層，得到液壓支架壓力的預測結果。實驗結果表明：與基于門控循環單元（GRU） 、LSTM 和Informer 模型的預測方法相比， 基于LSTM?Informer 模型的預測方法在預測6，12，24 步長液壓支架壓力時的均方根誤差（RMSE）和平均絕對誤差（MAE）均最??；其中基于數據集1 預測的6 步長液壓支架壓力的RMSE 分別降低了41.63%，49.74%，11.85%，MAE 分別降低了41.75%，50.00%，12.00%；基于數據集2 預測的6 步長液壓支架壓力的RMSE 分別降低了48.15%，59.86%，19.88%，MAE 分別降低了49.87%，54.90%，13.16%。

關鍵詞：液壓支架壓力；多步長液壓支架壓力預測；LSTM?Informer 模型；時間相關性；卡爾曼濾波

中圖分類號：TD323 文獻標志碼：A

0 引言

頂板事故占煤礦事故的40%～50% [1-4]，因此頂板壓力（礦壓）預測對減少頂板事故發生及保障煤礦安全開采具有重要意義[5-6]。液壓支架壓力作為頂板壓力的直接反映，可有效表征頂板壓力的變化情況。

隨著大數據技術和人工智能的發展，液壓支架壓力預測方法有了新的突破[7-8]。目前，基于機器學習的液壓支架壓力預測方法得到了廣泛應用[9]。趙毅鑫等[10]利用液壓支架工作阻力數據，采用SQL 語言， 結合長短時記憶（ Long Short Term Memory，LSTM）網絡，成功預測了伊泰集團紅慶河煤礦大采高工作面的液壓支架壓力。李澤萌[11]通過搭建的棧式LSTM 模型，實現了單個液壓支架壓力預測和多個液壓支架時空壓力預測。曾慶田等[12]提出了融合相鄰多個液壓支架壓力數據的預測模型Prophet+LSTM，實現了工作面液壓支架壓力變化趨勢的有效預測。李澤西[13]基于液壓支架工作阻力數據，提出了一種基于可變時序移位 Transformer?LSTM 的集成學習液壓支架壓力預測方法，通過結合注意力機制和準確的時序特征表示能力，多層次地捕捉液壓支架壓力變化規律的動態特征，采用集成學習的投票算法來預測液壓支架壓力，克服了單一預測模型的局限性。Liu Yaping 等[14]將趨勢?季節分解法引入Transformer， 并構造改進的Transformer 預測模型，實現了綜采工作面液壓支架壓力的準確預測。Dong Jianjun等[15]以某綜采放頂煤工作面液壓支架監測數據為基礎，提出了一種多元線性回歸模型用于預測液壓支架壓力。目前大部分研究都是致力于提高液壓支架壓力的單步預測精度，對液壓支架壓力的多步預測的研究較少。

液壓支架壓力預測根據時間序列預測可分為單步液壓支架壓力預測和多步液壓支架壓力預測。單步液壓支架壓力預測是預測未來1 個時間步長的液壓支架壓力，多步液壓支架壓力預測是預測未來多個時間步長的液壓支架壓力。目前時間序列多步預測已在一些領域取得研究成果[16-18]，但多步液壓支架壓力預測大多為單步迭代累計預測，單步累計次數越多，累計誤差越大，預測結果越不準確。為提高多步液壓支架壓力預測的準確性，本文提出了一種基于LSTM?Informer 模型的液壓支架壓力時空多步長預測方法，并與基于門控循環單元（Gate RecurrentUnit，GRU）、LSTM 和Informer 模型的預測方法進行了對比。

1 液壓支架壓力數據預處理

煤礦開采工作面遠離地表，隨著開采的推進，頂板劇烈運動，液壓支架壓力傳感器在采集壓力時會有抖動，導致采集的液壓支架壓力數據含有較大的振動噪聲，從而影響預測精度。本文采用卡爾曼濾波[19]消除振動噪聲，進一步提高預測準確度。