自移机尾状态预测新突破：MTL-TCN模型的创新与实践

自移机尾作为煤矿综采工作面的关键设备，承担着自动调整输送带尾部位置、保障煤炭连续输送的重要职责。然而，其工作环境复杂，设备运动频繁，故障率较高，一旦发生故障可能导致停机甚至引发安全事故。因此，精准预测自移机尾运行状态，对提升煤矿开采效率、保障作业安全具有重要现实意义。AIMC LAB实验室研究生章恒提出的基于多任务学习-时间卷积网络（MTL-TCN）的预测方法，为解决这一问题提供了新方案，相关成果发表于《煤矿机械》期刊。

传统预测方法的局限与研究切入点

在自移机尾状态预测这类时序数据预测任务中，传统方法存在明显不足。多数时间卷积预测模型依赖单一任务训练和线性假设，难以捕捉设备运行过程中复杂的非线性关系，同时忽视了多源传感器数据间的关联性，导致特征提取不全面，预测精度受限。

此外，传统时间卷积网络（TCN）采用固定膨胀率的膨胀因果卷积，虽能扩大感受野且避免未来信息干扰，但易忽略局部关键信息，降低模型性能。针对这些问题，研究团队将多任务学习（MTL）与TCN结合，设计了MTL-TCN模型，通过多任务协同学习和可调膨胀卷积优化，提升状态预测的准确性和效率。

核心技术基础：MTL与TCN的优势解析

1. 多任务学习（MTL）：挖掘数据关联提升特征利用率

多任务学习的核心是通过训练共享模型同时学习多个相关任务，实现任务间特征共享与信息传递。在模型训练中，先将多个任务的底层特征在共享表示层统一表达，捕捉任务间的相似性与关联性；再针对不同任务的差异性，设计独立的任务头部完成特定预测输出。

模型总损失函数由各任务损失加权求和得到，其中任务权重采用动态调整策略，根据各任务损失大小分配权重，损失较大的任务获得更高权重，促进模型针对性学习。梯度共享机制确保各任务梯度通过共享表示层传播，为特征传递提供基础，同时可通过梯度裁剪技术减轻任务间的梯度干扰，提升训练稳定性。

2. 时间卷积网络（TCN）：保障时序预测的合理性与有效性

TCN模型采用因果卷积设计，确保预测过程中不依赖未来数据，符合时序预测的逻辑要求。为解决传统卷积层感受野有限的问题，TCN引入膨胀卷积技术，在不增加计算量的前提下扩大感受野，捕捉更长时间序列的特征。

不过，传统TCN采用固定膨胀率，可能导致局部信息丢失。基于此，研究团队对膨胀卷积进行优化，为后续模型性能提升奠定基础。因果卷积与膨胀卷积原理如图1所示。

图1 因果卷积与膨胀卷积原理

MTL-TCN模型设计：融合创新破解预测难题

MTL-TCN模型充分结合MTL的特征共享优势与TCN的时序建模能力，通过三步实现自移机尾状态预测：首先利用特征融合技术将压力、体积流量、效率系数等多维传感器数据统一到共享输入空间；随后通过MTL-TCN提取时序特征，在共享表示基础上完成任务特定特征解耦与预测；最后由TCN多分类器将预测数据分类至不同量化状态，实现智能状态感知。模型原理如图2所示。

图2 MTL-TCN原理图

模型的核心创新点在于可调膨胀卷积的设计。传统固定膨胀率易导致特征丢失，而可调膨胀率允许模型在训练过程中，根据梯度或损失函数自动调整膨胀率。每次前向传播时，模型依据当前膨胀率进行卷积操作，通过反向传播更新参数，使感受野更灵活，既减少计算量，又提升模型泛化能力和训练速度。

实验验证：数据支撑模型有效性

1. 实验设计与数据集

实验以液压试验台循环恒定负载下采集的压力（PS）、体积流量（FS）、效率系数（SE）传感器数据为研究对象，按7:3比例划分训练集与测试集，通过数据融合对齐不同采样率导致的长度差异。实验设置三组对比：可变膨胀率MTL-TCN、固定膨胀率MTL-TCN、单任务TCN（Single-TCN），以平均动态时间规整（DTW）距离、均方误差（MSE）和训练用时为评价指标。

自移机尾状态通过冷却器、阀门、泵、液压蓄能器四大组件的量化状态体现，各组件状态量化标准如表1所示。

表1 各组件状态量化表

2. 实验结果与分析

对比实验结果显示，可变膨胀率MTL-TCN在各项指标上均表现更优。在预测精度方面，其对PS、FS、SE数据的平均DTW距离和MSE均低于固定膨胀率MTL-TCN和Single-TCN；在训练效率上，可变膨胀率MTL-TCN训练用时131.93秒，远低于Single-TCN的282.82秒，与固定膨胀率MTL-TCN基本持平。具体数据如表2所示。

表2 对比实验结果

可变膨胀率MTL-TCN的预测结果散点图显示，PS、FS、SE的预测值与真实值均密集分布在y=x直线附近，进一步验证了预测精度。将预测数据输入TCN多分类器后，模型能准确将数据分类至对应量化状态，部分周期的分类结果与真实标签高度一致，仅个别周期存在细微偏差，证明模型可有效实现自移机尾状态感知。

图3 可变膨胀率MTL-TCN预测结果散点图

研究意义与未来展望

该研究提出的MTL-TCN模型，通过多任务学习共享多源数据特征、可调膨胀卷积优化时序建模，有效解决了传统方法预测精度低、效率不高的问题。实验证明，该模型能更准确、快速地完成自移机尾数据预测及状态分类，为煤矿井下设备状态监测提供了可靠技术支撑。

未来，研究团队可进一步拓展模型应用场景，探索将其应用于其他煤矿设备的状态预测；同时，可结合更先进的特征提取技术和优化算法，进一步提升模型在复杂工况下的适应性和预测精度，为煤矿智能化开采提供更有力的保障。