张俭让， 刘睿卿， 李学文， 王智鹏， 史振东

(1.西安科技大学 安全科学与工程学院， 陕西 西安 710054；2.教育部西部矿井开采及灾害防治重点实验室， 陕西 西安 710054)

0 引言

随着煤矿智能化的发展，数据量的增长异常迅猛。采煤机是综采“三机”之一，其工作环境复杂，自身安装有多个传感器，采样频率高，数据量大[1-2]。采煤机运行状态数据属于动态的时间序列数据，可用于采煤机运行状态的实时分析判断及预测。对采煤机运行状态数据进行实时采集与分析处理，可一定程度上保障采煤机及人员安全，对采煤机智能化运行具有重要意义[3]。

目前机械设备的状态预测方法仍然大量使用传统机器学习方法，如自回归模型[4]、隐马尔科夫模型[5]、BP神经网络预测模型[6]等。这些模型在预测少量数据时取得了不错的效果，但面对大量数据应用时往往效果不理想。

Storm是一种开源的分布式实时大数据处理框架，具有适用场景广泛、可伸缩性高、无数据丢失的特点，适用于大量时间序列流数据的实时处理[7-8]。因此，本文在Storm框架基础上进行采煤机运行状态预测。循环神经网络在处理与时间序列相关的数据方面取得了良好效果，但在反向传播过程中，随着层数增多，会出现梯度消失或者爆炸现象，对模型的拟合程度有较大影响。门控循环单元(Gate Recurrent Unit，GRU)是循环神经网络的一种变体，其解决了长距离时序数据预测中容易出现的梯度爆炸和消失问题，应用于金融时间序列预测[9]、电力负荷预测[10]等领域时取得了良好效果。……