En el campo del mantenimiento de robots mineros, para mejorar la investigación sobre modelado predictivo, presentamos el modelo LODS (red neuronal de fusión profunda optimizada de red neuronal de memoria a largo y corto plazo (LSTM) con red de atención espacio-temporal (STAN)). Los modelos tradicionales tienen deficiencias en el manejo de las dependencias a largo plazo de los datos de series temporales y en la extracción de la complejidad de la información espacio-temporal en el campo del mantenimiento minero. El modelo LODS integra las ventajas de LSTM, DFNN y STAN, proporcionando un método integral para la extracción y predicción efectiva de características. A través de la evaluación experimental en múltiples conjuntos de datos, los resultados experimentales muestran que el modelo LODS logra predicciones más precisas, en comparación con modelos tradicionales y estrategias de optimización, y logra reducciones significativas en MAE, MAPE, RMSE y MSE de 15,76, 5,59, 2,02 y 11,96, respectivamente, así como reducciones significativas en el número de parámetros y complejidad computacional. También logra una mayor eficiencia en términos de tiempo de inferencia y tiempo de entrenamiento. El modelo LODS se desempeña bien en todos los índices de evaluación y tiene ventajas significativas; por lo tanto, puede proporcionar un soporte confiable para la predicción de fallos del equipo del robot de mantenimiento minero.