基于CNN-LSTM-SAtt的液压支架销轴传感器负载误差预测
姜伟1
张硕2
陈井龙1
肖永惠2
王书文3
梅鑫2
王俊卓1
1.中煤北京煤矿机械有限责任公司,北京 1024002.辽宁大学物理学院,辽宁沈阳 1100363.中国中煤能源集团有限公司,北京 100120
摘要：液压支架销轴传感器在剧烈岩层压力下输出信号表现出强非平稳性与时变特征,单一神经网络结构难以同时兼顾多尺度空间特征挖掘与长时序依赖捕捉,且在多尺度特征融合时缺乏自适应权重分配机制,导致误差预测模型的泛化性能受限.针对上述问题,提出了一种融合卷积神经网络(CNN)、长短期记忆网络(LSTM)与自注意力机制(SAtt)的混合神经网络CNN-LSTM-SAtt,并将其用于液压支架销轴传感器负载误差预测.首先,采用变分模态分解(VMD)、快速傅里叶变换(FFT)与希尔伯特变换(HT)组合的方法(VMD-FFT-HT)构建多域特征;然后利用CNN提取频域与时频域的深层空间形态特征,通过LSTM捕获时域信号的长期演变规律;最后引入SAtt根据信号波动特性对多域特征进行动态赋权,进而建立传感器负载响应信号与激励信号的高精度非线性映射.采用力标准机开展的销轴传感器5种典型加载实验结果表明,CNN-LSTM-SAtt模型预测值能够有效修正销轴传感器负载响应信号中的误差分量;相较于传统模型及单一神经网络模型,该模型在预测精度与泛化能力上均表现出显著优势,可实现对复杂工况下液压支架销轴传感器负载误差的有效预测.
关键词：液压支架销轴传感器误差预测CNNLSTM自注意力机制特征提取特征融合
分类号：TD67(矿山电工)
资助基金：国家重点研发计划(2022YFC3004605)国家自然科学基金(U1908222)中煤集团重大科技专项项目(20211BY001)
论文发表日期：2025-12-31
在线出版日期：2026-01-27（本平台首次上网日期，不代表文献的发表时间）
页数：9( 36-44 )
英文信息