机床与液压

作者：严国平，李仕煌，李京，钟飞，许超斌

单位：湖北工业大学机械工程学院;湖北工业大学湖北省现代制造质量工程重点实验室；湖北工业大学机械工程学院;湖北工业大学湖北省现代制造质量工程重点实验室；湖北工业大学机械工程学院；湖北工业大学机械工程学院;湖北工业大学湖北省现代制造质量工程重点实验室；湖北工业大学机械工程学院;湖北工业大学湖北省现代制造质量工程重点实验室

关键词：深度学习;液压爬模;在线监测平台;长短期时间序列网络（LSTNet）;压力预测

基金：湖北省技术创新专项任务书（重大项目）（2022BEC012）;湖北工业大学博后启动基金(XJ2022001001);2024年度武汉都市圈协同创新科技项目（2024070904020435）;2024年度武汉市科技成果转化项目（2024030803010163）

液压爬模是一种用于建筑施工的设备，对其进行压力预测将有助于在桥梁建设过程中监测工作状态与提供故障预警。为了获得更加精准的压力预测结果，提出一种基于长短期时间序列网络（LSTNet）的液压爬模压力预测模型。通过Spearman相关系数法筛选与液压爬模设备压力数据强相关的数据，减少不相关数据的干扰。利用LSTNet模型寻找液压爬模设备压力数据的长期和短期依赖，并引入线性的自适应回归层，结合神经网络的非线性部分，提高网络模型的预测精度。最后使用常泰长江大桥液压爬模项目采集的压力数据进行模型的训练，并与LSTM模型、LSTM-Attention模型和CNN-BiLSTM-Attention模型进行对比。结果表明：在液压爬模的压力预测实验中，LSTNet模型展示了良好的拟合性和预测性能，相较其他3个模型的准确率更高。 此外，LSTNet模型结合了线性与非线性特征提取能力，增强了时间序列数据的建模灵活性和准确性，提升了模型的预测性能。

来源：2024年第22期

《机床与液压》期刊编辑部

查看机床与液压杂志2024年第22期