摘要
本文开发了长短期记忆网络（LSTM）与Transformer神经网络模型，用于对不同输送带工况（载荷与空载）进行分类。同时，还构建并总结了若干对比性浅层模型，包括逻辑回归、支持向量机（SVM）和随机森林。研究分析了六种不同长度的输送带压力信号，分别为0.2、0.4、0.8、1.6、3.2和5.0秒。实验结果表明，LSTM与Transformer模型在使用原始压力信号时均实现了100%的分类准确率。此外，LSTM模型在最短信号长度下达到了最优分类性能：仅使用0.8秒和1.6秒的信号，即可分别实现98%的准确率和100%的F1分数。同时，LSTM模型在训练与测试过程中的运行速度优于Transformer模型。随机森林模型在使用聚合信号数据时表现最佳，整体分类准确率为85%，对载荷与空载工况的F1分数分别为85%和69%。在所有模型中，载荷工况的分类难度显著低于空载工况。值得注意的是，仅LSTM模型在短信号条件下对空载工况表现出更高的分类召回率。本研究使用的实验数据集CORBEL（输送带压力信号数据集）及所构建的模型均已开源，可通过GitHub获取：https://github.com/TadasZvirblis/CORBEL。