【技术实现步骤摘要】
本专利技术涉及带式输送机故障预测领域，尤其涉及一种基于深度学习的带式输送机故障预测方法。
技术介绍
1、带式输送机作为一种连续输送物料的设备，因其具备高效且连续的运输能力，在煤矿开采中得到广泛使用。然而，由于带式输送机长期工作于矿井等恶劣的环境中，导致故障频发，严重影响了煤矿生产和工作人员的安全。
2、目前，现有的带式输送机故障预测方法以基于机器学习的方法为主，少部分方法基于深度学习实现。这些方法均存在一定不足。例如，基于机器学习实现的方法存在计算复杂性大，难以处理序列数据，对非线性关系建模困难等问题；而基于深度学习的方法仅使用了常规神经网络，对长距离依赖建模效果不理想。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的带式输送机故障预测方法，该方法捕捉带式输送机运行参数时序数据中的局部特征及全局特征，并将两种特征进行融合以生成预测值。通过同时考虑局部特征和全局特征，能够准确预测未来可能发生的故障。
2、为了实现上述专利技术目的，本专利技术采用技术方案具...
【技术保护点】
1.一种基于深度学习的带式输送机故障预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的带式输送机故障预测方法，其特征在于，步骤S2中所述膨胀因果卷积的操作定义为：
3.根据权利要求1所述的一种基于深度学习的带式输送机故障预测方法，其特征在于，步骤S3中所述iTransformer模块的具体实现包括：
4.根据权利要求1所述的一种基于深度学习的带式输送机故障预测方法，其特征在于，步骤S4中所述门控特征融合模块的计算过程包括：
5.根据权利要求1所述的一种基于深度学习的带式输送机故障预测方法，其...
【技术特征摘要】
1.一种基于深度学习的带式输送机故障预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的带式输送机故障预测方法，其特征在于，步骤s2中所述膨胀因果卷积的操作定义为：
3.根据权利要求1所述的一种基于深度学习的带式输送机故障预测方法，其特征在于，步骤s3中所述itransformer模块的具体实现包括：<...
【专利技术属性】
技术研发人员：周林娜，王鸿铨，杨春雨，尚亚强，马磊，王国庆，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。