双流液压支架异常检测模型

时空特征双路捕获

引入门控残差与自注意力机制的双流架构，同时捕获压力数据的时序与局部模式，异常识别更可靠。

Wei, Xin · Longhe, Liu · Wang, Jiyu · 郑西贵

Scientific Reports 2025

参数信息

消融-移除CNN后测试损失增幅

472 %

消融-移除门控残差后测试损失增幅

352 %

技术优势

时空特征同时捕获

双向LSTM捕获时序特征，CNN捕获局部模式，两者融合使模型更全面地理解压力数据，减少漏检。

关键组件贡献大

消融实验显示CNN层和门控残差机制对性能影响最大，移除后测试损失分别增加472%和352%，证明这两部分不可或缺。

应用场景

• 采矿设备异常预警：实时分析液压支架压力数据，自动预警异常，减少人工巡检。
• 液压系统状态监测：无需设定阈值，自动捕获压力正常波动与异常模式差异。
• 工业时序数据分析：双向LSTM与CNN架构专为时序数据中的局部与全局模式设计。
• 综采设备智能维护：通过异常检测提前发现设备状态偏移，支撑预防性维护。