来源：期刊VIP网 时间：
作者：姜伟;张硕;陈井龙;肖永惠;王书文;梅鑫;王俊卓;
单位：中煤北京煤矿机械有限责任公司;辽宁大学物理学院;中国中煤能源集团有限公司;
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;;CNN;;LSTM;;自注意力机制;;特征提取;;特征融合
基金资助：国家重点研发计划资助项目（2022YFC3004605）;; 国家自然科学基金区域创新发展联合基金（辽宁）项目（U1908222）;; 中煤集团重大科技专项项目（20211BY001）
