孟 巍 王智强 叶 茂 郑丽岩 任世杰

（1.鞍钢集团矿业有限公司信息中心；2.沈阳中科奥维科技股份有限公司；3.东北大学资源与土木工程学院）

电铲、球磨机、旋流器等大型矿业设备作为矿山运行的核心一直是企业重点关注的对象［1］，这些设备出现故障，势必导致生产停滞，甚至造成安全问题［2］。为了减少设备故障带来的损失，企业通常会对这些设备进行监控［3］。对设备的运行监控通常是按照时间序列进行的，然而在数据采集的同时，仍然难以避免出现数据缺失的现象，而数据的丢失往往会造成预警信息的错误，因此通常需要对缺失的数据进行适当的处理，从而完成对设备运行状态的正确评估［4］。

缺失数据的处理方法包括删除法、插补法、加权法和参数似然法等，而在各种处理缺失数据的方法中，插补方法由于简单且效果好被普遍使用［5］。随着机器学习和深度学习的快速发展，神经网络技术被广泛应用于数据缺失值的处理并取得了较好的结果［6］。缺失数据的插补在一定程度上可以看成是对一些未知数据的预测［7］，而利用BP神经网络等模型对已有数据进行训练学习，然后利用训练好的模型输入参数获得预测值即可很好地解决数据缺失的插补问题。除了传统的BP神经网络外，循环神经网络（简称RNN）将时序的概念引入到网络结构设计中，使其在数据的分析预测中取得了更好的结果。长短期记忆（简称LSTM）模型作为RNN的优秀变体也被应用于各种数据的预测中［8］。……