1.一种液压支架群组推移位姿的少传感估计系统，其特征在于：包括位姿感知装置、推移位姿重构装置以及上位机，所述位姿感知装置和推移位姿重构装置互相连接，所述推移位姿重构装置连接上位机，所述位姿感知装置包括姿态监测器(1)、液压支架(2)以及通信总线，所述液压支架(2)设置有N个，N个液压支架(2)形成液压支架群组，所述液压支架(2)安装在开设的中部槽(3)内，所述中部槽(3)姿态包括速度、位移以及位姿；所述姿态检测器分别连接液压支架(2)和通信总线，分别用于收集液压支架(2)推移的中部槽(3)的姿态信息，并通过所述通信总线将收集的信息传输到推移位姿重构装置中，所述推移位姿重构装置包括位姿演变预测模块、卡尔曼滤波感知模块、全局重构模块以及通信模块，所述通信总线连接通信模块，所述通信模块分别连接位姿演变预测模块和卡尔曼滤波感知模块，所述位姿演变预测模块和卡尔曼滤波感知模块分别连接全局重构模块，所述全局重构模块连接上位机；

所述位姿演变预测模块接收通信模块传输的中部槽(3)姿态信息，从变构态特性角度分析，将运动特征与约束特征结合，继而建立子群元素的运动子集g(T)＝{r,t，t′，dim}，其中，t为移动矢量，t′为转动矢量r的伴随衍生移动矢量，dim为子群维数，表达该子群元素的输出运动和自由度性质，将对应的液压支架群组的变胞约束状态划分为：正常状态：g(T1)＝{0，t，0，1}、限位状态：g(T2)＝{r，t，t′，1}和卡死状态：g(T3)＝{r，

0，t′，1}，在基本位移子群的运动子集基础上，再构建多维位移子状态约束子群通过邻接矩阵运算法则将发生变胞约束的液压支架群组模型转换统一抽象为构态重构模型，杆组邻接矩阵形式如下：对角线元素表示机构的组成元素，即机架、主动件、阿苏尔杆组，非对角线元素aij表示各元素间的连接关系和连接数，当aij＝0时，表示两个元素之间不相连，当aij＝2时，表示两个元素相连且连接数是2，通过邻接矩阵“并”运算法则进行矩阵变化，表达出当前液压支架群组多构态的变化过程模型；

选用四元数法对中部槽(3)姿态旋转矩阵进实时更新，四元数由4个元q0‑q3构成，其定义为Q＝q0+qv＝q0+q1i+q2j＋q3k，可看作是复数域的扩展，q0和qr分别为其实部和虚部，i，j，k为基向量，四元数微分方程的矩阵形式可表示为求解出四元数是实时数据，再通过李群与李代数的反对称矩阵对求解出液压支架群组的姿态角，并以此构建以推移夹角、推移速度、推移位姿曲线弯曲率为参数的推移曲线预测模型，分析不同推移位姿曲线下液压支架群组的推移能耗；

对推移夹角、推移速度、推移位姿曲线弯曲率进行标记和乱序操作，取80％的数据用于GWO‑SVM模型的训练，剩余20％的数据用于GWO‑SVM模型的验证，利用GWO优化过的支持向量机对数据进行回归训练，利用RBF高斯核函数作为SVM的核函数，RBF高斯核函数的表达式为：T

SVM的决策超平面方程为：WXi+b＝0；

利用GWO对SVM模型中的核参数g以及惩罚因子C寻优，在SVM中利用GWO对惩罚因子C和核参数g进行迭代寻优，将预处理后的推移夹角θ和推移速度μ数据作为输入，推移位姿曲线弯曲率 作为输出，在GWO‑SVM模型中进行回归训练，非线性函数表示为：并将GWO‑SVM非线性回归模型应用到最小型变势能下的推移曲线

预测中，最终输出预测结果到全局重构模块中；

所述GWO寻优包括有如下步骤：

步骤1：设置SVM参数c和g作为GWO的优化值；

步骤2：根据c和g初始化狼群的自适应度、位置；

步骤3：得到惩罚因子ci、核参数gi；

步骤4：将惩罚因子ci、核参数gi以及训练样本分别输入SVM模型；

步骤5：根据自适应函数，更新自适应度和位置；

步骤6：最判断是否达到最大迭代次数，若达到，则将其输入预测模型中，若未达到则，重复步骤3‑6；

所述卡尔曼滤波感知模块接收通信模块传输的中部槽(3)姿态信息，获取中部槽(3)的相对位姿状态及对应的变胞约束状态，利用RBF高斯核函数作为SVM的核函数，RBF高斯核函数的表达式为：T

SVM的决策超平面方程为：WXi+b＝0，进行变胞约束状态分类识，再通过DPMM‑HMM模型自适应学习各态惯性特征，其构造如下：πk|α0‑GEM(α0)， 在时间t＝1，....，T时，状态之间的转移和观测值的分布分别为：通过对DPMM‑HMM的采样处理，准确的

识别当前的推移状态模式；

将识别的分段数据构建状态空间转换模型，利用改进果蝇算法优化Kalman滤波的过程噪声协方差矩阵Q与观测噪声协方差矩阵R，最终输出感知结果到全局重构模块中；

所述全局重构模块通过变胞约束与推移状态模式识别、推移位姿局部分段感知，获取当前液压支架(2)的推移位姿局部感知结果 建分布式Kalman滤波的观测方程yk＝Hkxk＋vk；

同时通过GWO‑SVM非线性回归模型求解最小型变势能下的推移曲线预测结果，并基于Frenet公式构建推移位姿曲线预测值的微分几何位姿坐标构建分布式Kalman滤波的状态方程xk＝Akxk‑1＋BkUk+wk；通过推移位姿的先验状态估计值和历史观测数据构建分布式Kalman滤波的协方差矩阵，并通过算法优化的Kalman滤波算法，对过程噪声协方差矩阵Q与观测噪声协方差矩阵R进行自适应调参。

2.基于权利要求1所述的少传感估计系统的估计方法，其特征在于，包括如下步骤：

S1.在综采工作面的中部槽(3)上设置姿态监测器(1)，姿态监测器(1)实时采集中部槽(3)姿态信息，并通过通信总线将所采集到的液压支架群组姿态信息发送到推移位姿重构装置中；

S2.位姿演变预测模块接收来自于通信模块发送的中部槽(3)位姿信息，根据变胞约束理论构建多维子群构态约束矩阵，即正常状态：g(T)＝{0，t，0，1}，限位状态：g(T)＝{r，t，t′，1}和卡死状态：g(T)＝{r,0，t′，1}，借助矩阵变换，创建一个构态约束特征图，将集拓扑特征、功能特征和几何约束特征有机结合，从而表达机构多构态的变化过程模型；

再进行标记和乱序操作，取80％的数据用于GWO‑SVM模型训练，20％的数据用于GWO‑SVM模型验证，利用GWO优化过的支持向量机对数据进行回归训练，利用GWO对SVM模型中的核参数g以及惩罚因子C寻优，获得一个收敛速度更快，优化精度更高的GWO‑SVM模型，在GWO‑SVM模型中进行回归训练，实现液压支架群组的最优推移曲线预测；

S3.卡尔曼滤波感知模块根据接收来自于通信模块发送的中部槽(3)位姿信息，通过基于RBF‑SVM的算法对变胞约束状态进行分类识别，确定正常、限位和卡死三种推移状态模式下对应的惯性特征，再通过DPMM‑HMM模型自适应学习各态惯性特征，并准确识别推移状态模式，并利用改进果蝇算法(IFOA)优化Kalman滤波的协方差矩阵，实现基于变胞约束与推移状态模式识别的推移位姿局部分段感知；

S4.推移位姿全局重构模块根据位姿演变预测模块的预测结果构建状态转换空间矩阵，通过卡尔曼滤波感知模块的感知结果构建观测空间矩阵，并由推移位姿的先验状态估计值、部分测量单元历史值构建分布式Kalman滤波的状态误差协方差矩阵，完成推移位姿全局重构；

S5.将推移位姿全局重构模块重构的最小形变势能下的全局重构曲线上传到液压支架群组远程监控上位机，便于地面操作人掌控实时情况，进行下一步操作；

S6.重复上述步骤，从而达到液压支架群组在少传感条件下对中部槽(3)位姿的预测。