基于时频域特征融合与深度学习的液压支架压力信号预测模型

来源：振动与冲击杂志2026年第3期北京时间：

作者：余琼芳,,，孙成成0970，杨艺，杨鹏飞，王珂一

单位：1.河南理工大学电气工程与自动化学院， 河南 焦作454003；2.河南省煤矿装备智能检测与控制重点实验室， 河南 焦作454003；3.大连理工大学北京研究院 博士后科研工作站， 北京100000

摘要：液压支架压力信号的准确预测对于提升煤矿安全生产水平具有重要的理论意义与应用价值。然而，现有方法在处理压力信号中复杂的时频特性时仍存在一定局限。为此，提出了一种融合时频域分析与深度学习的压力信号预测框架(time-frequency transformer network, TF-TransNet)。首先，采用高斯移动均值滤波对原始压力信号进行去噪处理，并利用格兰杰因果分析筛选出最具预测价值的特征变量。在特征表示阶段，引入通道注意力机制以动态调整特征权重，并设计特征融合模块以增强变量间的交互建模能力。模型核心为创新性的时频融合编解码结构，结合快速傅里叶变换(fast Fourier transform，FFT)、长短期记忆网络(long short-term memory，LSTM)与概率稀疏注意力(<span>probability sparse attention,PSA</span>)机制，实现对压力信号多维度时频特征的深度挖掘。FFT提供频域全局信息，揭示信号隐含的周期性模式；LSTM有效捕捉长时序依赖关系；<span>PSA</span>机制则引导模型关注关键的时频特征信息。以山东枣庄福村煤矿实际液压支架压力数据为基础，分别与传统LSTM及Transformer模型进行了对比，并通过消融试验验证了各模块对模型性能的贡献。试验结果表明，在12步长预测任务中，TF-TransNet在均方根误差上较LSTM和Transformer分别降低约2810%和2048%，平均绝对误差分别降低约3362%和24.00%，R2指标分别提升0482 6和0301 0。<br>

关键词：液压支架压力信号； 深度学习； 时频域分析； 快速傅里叶变换（FFT）； 特征融合； 概率稀疏注意力(PSA)机制