摘" 要： 為滿足礦用機(jī)電設(shè)備的智能化故障診斷需求，基于數(shù)字孿生模型提出了一種故障特征提取與識(shí)別技術(shù)方案。該方案主要包括機(jī)電設(shè)備的數(shù)字孿生建模和故障特征提取與識(shí)別兩方面。通過卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)的混合模型完成數(shù)字孿生的建模；使用數(shù)據(jù)可視化技術(shù)和Z?score標(biāo)準(zhǔn)化方法對(duì)數(shù)據(jù)進(jìn)行處理和篩選，利用小波變換方法進(jìn)行故障特征提取，并設(shè)計(jì)一種基于CNN的故障識(shí)別算法。相比于傳統(tǒng)方法，所提出的故障識(shí)別算法能夠有效提高故障識(shí)別的準(zhǔn)確率和實(shí)時(shí)性。實(shí)驗(yàn)測(cè)試結(jié)果表明：所構(gòu)建的數(shù)字孿生模型能夠準(zhǔn)確地模擬和表征設(shè)備運(yùn)行情況，驗(yàn)證了所提方法的正確性和有效性；而且故障識(shí)別準(zhǔn)確率高于同類技術(shù)模型，在提高故障診斷效率方面的工程應(yīng)用效果良好。

關(guān)鍵詞： 煤礦機(jī)電設(shè)備； 數(shù)字孿生模型； 故障特征提?。?故障識(shí)別算法； 卷積神經(jīng)網(wǎng)絡(luò)； 長(zhǎng)短期記憶網(wǎng)絡(luò)； 診斷精確度

中圖分類號(hào)： TN929?34； TP277" " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " " 文章編號(hào)： 1004?373X（2025）08?0173?06

Fault feature extraction and identification technology for digital twin model of mine electromechanical equipment

LI Dingmao1， 2， LUO Zhenping2

（1. School of Electrical Engineering and Automation， Henan Polytechnic University， Jiaozuo 454003， China;

2. Shanxi Luneng Hequ Electric Coal Development Co.， Ltd.， Xinzhou 036500， China）

Abstract： In allusion to the demand for intelligent fault diagnosis of mine electromechanical equipment， a fault feature extraction and recognition technology schemes based on digital twin models is proposed. This scheme mainly includes digital twin modeling of electromechanical equipment and fault feature extraction and recognition. The modeling of digital twins was completed by means of the hybrid model of convolutional neural network （CNN） and long?short term memory （LSTM） network. The data visualization techniques and Z?score standardization methods are used to process and filter the data， the wavelet transform method is used to extract fault features， and a CNN based fault recognition algorithm is designed. In comparison with traditional methods， the proposed algorithm can effectively improve the accuracy and real?time performance of fault recognition. The experimental testing results show that the constructed digital twin model can accurately simulate and characterize the operation of the equipment， which verifies the correctness and effectiveness of the proposed method. The average accuracy of fault identification is higher than that of similar technical models， and the engineering application effect in improving the efficiency of fault diagnosis is good.

Keywords： mine electromechanical equipment; digital twin model; fault feature extraction; fault identification algorithm; CNN; LSTM network; diagnostic accuracy

0" 引" 言

隨著人類對(duì)能源需求的不斷增長(zhǎng)，煤礦作為主要的能源供應(yīng)來源之一，在能源結(jié)構(gòu)中占據(jù)著重要地位。然而，由于煤礦生產(chǎn)環(huán)境的復(fù)雜性和機(jī)電設(shè)備長(zhǎng)期運(yùn)行的惡劣條件，其相關(guān)設(shè)備故障頻發(fā)，嚴(yán)重威脅著生產(chǎn)安全和效率[1?3]。據(jù)統(tǒng)計(jì)，煤礦機(jī)電設(shè)備故障所導(dǎo)致的生產(chǎn)停滯是煤礦事故的主要因素之一，給相關(guān)生產(chǎn)帶來了巨大的經(jīng)濟(jì)損失和人員傷亡。

傳統(tǒng)的機(jī)電設(shè)備故障診斷方法主要依賴于人工經(jīng)驗(yàn)和簡(jiǎn)單的監(jiān)測(cè)設(shè)備，存在診斷效率低、準(zhǔn)確度差以及無法實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)等問題[4?6]。針對(duì)上述問題，數(shù)字孿生技術(shù)應(yīng)運(yùn)而生。數(shù)字孿生模型是一種高級(jí)仿真工具，其通過創(chuàng)建一個(gè)實(shí)際物理對(duì)象的虛擬模型，用于模擬、監(jiān)控、優(yōu)化和預(yù)測(cè)其對(duì)應(yīng)物理對(duì)象的行為及性能[7?9]。該模型還能夠?qū)崟r(shí)接收和分析從物理對(duì)應(yīng)體收集的數(shù)據(jù)，以實(shí)時(shí)更新狀態(tài)和性能。因此，該技術(shù)被廣泛應(yīng)用于制造業(yè)、汽車、航空、醫(yī)療和能源等領(lǐng)域[10]。

本文針對(duì)煤礦機(jī)電設(shè)備故障診斷的需求，基于數(shù)字孿生模型提出了一種改進(jìn)故障特征提取與識(shí)別技術(shù)。研究重點(diǎn)在于建立高效的數(shù)字孿生模型，完成故障特征的提取與識(shí)別，并以此提高故障診斷的準(zhǔn)確性、實(shí)時(shí)性與穩(wěn)定性。首先，將深度學(xué)習(xí)算法應(yīng)用于機(jī)電設(shè)備數(shù)字孿生建模中，通過對(duì)設(shè)備運(yùn)行狀態(tài)數(shù)據(jù)進(jìn)行分析和學(xué)習(xí)，實(shí)現(xiàn)了精確、高效的數(shù)字孿生模型虛擬物理映射技術(shù)；其次，應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別，提升了系統(tǒng)的穩(wěn)定性及可靠性；最后，通過數(shù)值實(shí)驗(yàn)測(cè)試驗(yàn)證了所提方法的正確性和有效性，為煤礦機(jī)電設(shè)備的智能化故障診斷提供了一種新的解決方案。

本文的創(chuàng)新之處主要體現(xiàn)在利用高效的神經(jīng)網(wǎng)絡(luò)算法對(duì)系統(tǒng)進(jìn)行數(shù)字孿生建模并識(shí)別故障。與傳統(tǒng)方法相比，所提出的故障診斷技術(shù)具有更高的診斷準(zhǔn)確率和更快的實(shí)時(shí)響應(yīng)能力，可以有效提高煤礦機(jī)電設(shè)備的故障診斷效率，且降低了事故風(fēng)險(xiǎn)，保障了煤礦生產(chǎn)的安全和穩(wěn)定。

1" 故障特征提取與識(shí)別方案設(shè)計(jì)

本文提出的技術(shù)方案主要包含數(shù)字孿生建模和故障特征提取與識(shí)別兩部分，其結(jié)構(gòu)框架如圖1所示。

1.1" 數(shù)字孿生建模

對(duì)于煤礦機(jī)電設(shè)備，其檢測(cè)目標(biāo)通常為實(shí)時(shí)監(jiān)控設(shè)備狀態(tài)、預(yù)測(cè)維護(hù)需求及故障診斷。本文針對(duì)煤礦機(jī)電的常見設(shè)備，如輸送帶、提升機(jī)和切割機(jī)進(jìn)行了數(shù)字孿生建模。

1.1.1" 輸送帶系統(tǒng)的數(shù)字孿生建模

建模目標(biāo)：監(jiān)控輸送帶的速度v、負(fù)載L、帶面磨損狀態(tài)W等參數(shù)。

1） 數(shù)據(jù)采集

首先需要在輸送帶處安裝速度、負(fù)載、振動(dòng)和溫度傳感器來收集關(guān)鍵運(yùn)行數(shù)據(jù)，其中傳感器選取與設(shè)備監(jiān)測(cè)匹配的型號(hào)。

2） 模型建立

物理模型：建立基于力學(xué)和磨損理論的模型，用于描述帶速、負(fù)載與磨損的關(guān)系。假設(shè)輸送帶的磨損主要由帶速、負(fù)載以及傳輸帶材質(zhì)決定。當(dāng)輸送帶平穩(wěn)運(yùn)行時(shí)，其帶速和負(fù)載呈均勻分布，由此可得磨粒磨損模型為：

式中：W是磨損量；K是磨損系數(shù)；s是每單位面積的磨損指數(shù)；v是輸送帶速度；L是負(fù)載。

應(yīng)用皮帶傳動(dòng)理論構(gòu)建張力模型，公式如下：

式中：T為輸送帶的張力；T0為無負(fù)載時(shí)的張力；[μ]為與帶速平方成比例的系數(shù)，反映帶速對(duì)張力的影響；[f（L）]為負(fù)載函數(shù)，描述負(fù)載對(duì)張力的影響。

式中[α]為反映張力對(duì)磨損影響程度的系數(shù)。

模型建立后，需要通過實(shí)際數(shù)據(jù)來校正模型參數(shù)，如磨損系數(shù)K、帶速影響系數(shù)[μ]以及張力系數(shù)[α]。接著，利用傳感器收集不同帶速與負(fù)載條件下的磨損數(shù)據(jù)，并使用梯度下降法來擬合模型參數(shù)，優(yōu)化物理模型。

3） 數(shù)據(jù)驅(qū)動(dòng)模型

在數(shù)字孿生模型中，數(shù)據(jù)驅(qū)動(dòng)模型對(duì)于實(shí)時(shí)監(jiān)測(cè)和預(yù)測(cè)機(jī)電設(shè)備的狀態(tài)至關(guān)重要。本文結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）[11]和長(zhǎng)短期記憶（Long Short?Term Memory， LSTM）[12]網(wǎng)絡(luò)的混合模型，通過大量實(shí)時(shí)數(shù)據(jù)進(jìn)行訓(xùn)練和驗(yàn)證。數(shù)據(jù)驅(qū)動(dòng)模型的建立步驟如下。

① 數(shù)據(jù)預(yù)處理

數(shù)據(jù)清洗指對(duì)采集到的原始數(shù)據(jù)進(jìn)行清洗，去除其中的異常值、噪聲和缺失值等不規(guī)則數(shù)據(jù)。文中采用統(tǒng)計(jì)方法和數(shù)據(jù)可視化技術(shù)對(duì)數(shù)據(jù)進(jìn)行分析與篩選，以保證數(shù)據(jù)的準(zhǔn)確性和完整性。數(shù)據(jù)歸一化是對(duì)清洗后的數(shù)據(jù)進(jìn)行歸一化處理，消除不同數(shù)據(jù)之間的量綱差異，使得數(shù)據(jù)具有相同的尺度和范圍。本文采用Z?score標(biāo)準(zhǔn)化方法[13]將數(shù)據(jù)轉(zhuǎn)換成均值為0、標(biāo)準(zhǔn)差為1的正態(tài)分布，以便后續(xù)的特征提取和模型訓(xùn)練。

② 特征工程

將時(shí)間序列數(shù)據(jù)切分為較短的時(shí)間窗口，例如1 min或5 min，以捕捉故障發(fā)生前后的數(shù)據(jù)變化，并從每個(gè)時(shí)間窗口中提取均值、標(biāo)準(zhǔn)差、最大值、最小值等統(tǒng)計(jì)特征以及峰值頻率、頻譜能量分布等頻域特征。

③ 模型建立

設(shè)計(jì)CNN模型來處理輸入的特征矩陣，通過該網(wǎng)絡(luò)能夠有效地捕捉局部特征之間的空間關(guān)系，進(jìn)而可以較為精準(zhǔn)地識(shí)別復(fù)雜的模式和趨勢(shì)，如設(shè)備的周期性和非周期性振動(dòng)模式。在CNN之后接入LSTM層，用于處理時(shí)間序列數(shù)據(jù)的時(shí)間依賴問題。LSTM特別適用于處理時(shí)間序列預(yù)測(cè)問題，能夠長(zhǎng)期記憶序列之間的依賴關(guān)系。將CNN和LSTM的輸出進(jìn)行融合，通過添加全連接層或使用投票機(jī)制來整合兩個(gè)模型的學(xué)習(xí)成果，從而完成最終的故障診斷。

④ 模型訓(xùn)練與驗(yàn)證

將預(yù)處理后的數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，比例為70%、15%和15%。

此次首先使用RMSprop來優(yōu)化算法[14]，并在訓(xùn)練集的基礎(chǔ)上采用交叉熵?fù)p失函數(shù)來優(yōu)化模型參數(shù)，以此對(duì)模型進(jìn)行訓(xùn)練；其次，還通過驗(yàn)證集調(diào)整模型的超參數(shù)，以提高模型在未知數(shù)據(jù)上的泛化能力；最后，使用測(cè)試集評(píng)估模型的性能。評(píng)估指標(biāo)包括準(zhǔn)確率、召回率、F1分?jǐn)?shù)和接收者操作特征曲線（ROC）下的面積（AUC）。

1.1.2" 提升機(jī)的數(shù)字孿生建模

建模目標(biāo)：監(jiān)控提升機(jī)的電機(jī)狀態(tài)、齒輪減速比RG、載荷以及扭矩常數(shù)[Ktorque]等參數(shù)。

1） 數(shù)據(jù)采集

在提升機(jī)處安裝扭矩、張力、負(fù)載和位置傳感器來收集提升機(jī)的關(guān)鍵運(yùn)行數(shù)據(jù)。

2） 模型建立

物理模型：根據(jù)提升機(jī)的機(jī)械傳動(dòng)和動(dòng)力學(xué)原理，建立描述其動(dòng)態(tài)行為的數(shù)學(xué)模型。假設(shè)電動(dòng)機(jī)和齒輪箱的動(dòng)力輸出是恒定的，繩索滑輪處于理想環(huán)境且負(fù)載在運(yùn)行過程中均勻分布。

式中：[Fnet]為凈力；[mtotal]為總質(zhì)量；a為提升機(jī)的加速度；[Ffriction]為滑輪系統(tǒng)的摩擦力；[v（t）]為t時(shí)的速度；[s（t）]為t時(shí)的位移；[v0]和[s0]分別為初始速度及初始位移。

使用歐拉方法求解式（4）～式（10）的非線性微分方程。在建立模型后，需要先通過實(shí)際數(shù)據(jù)來校正模型參數(shù)，如[RG]、[Ktorque]等電動(dòng)機(jī)參數(shù)；然后，利用傳感器采集數(shù)據(jù)，收集在不同載荷和速度下的響應(yīng)來調(diào)整模型參數(shù)，進(jìn)而優(yōu)化物理模型；最后采用與第1.1.1節(jié)相同的步驟來構(gòu)建數(shù)據(jù)驅(qū)動(dòng)模型。

1.1.3" 切割機(jī)的數(shù)字孿生建模

建模目標(biāo)：監(jiān)控切割機(jī)的刀具磨損參數(shù)C、切割力FQ、切割速度Vd。

1） 數(shù)據(jù)采集

在切割機(jī)處安裝力和速度的傳感器來監(jiān)測(cè)切割過程中的關(guān)鍵參數(shù)，并利用激光掃描系統(tǒng)監(jiān)測(cè)刀具磨損及工件尺寸。

2） 模型建立

物理模型：利用材料去除率和刀具磨損理論，建立切割過程的物理模型。在切削加工中，材料去除率[RMR]是關(guān)鍵指標(biāo)，表達(dá)如下：

式中：[RMR]為材料去除率；[wwide]為切寬；[ddeep]為切深；[vd]為進(jìn)給速率。

刀具在切割過程中的磨損會(huì)影響切割效果和刀具壽命。根據(jù)刀具磨損理論，可得刀具壽命方程：

式中[Fc]是單位切割力。

3） 數(shù)據(jù)驅(qū)動(dòng)模型

使用回歸分析預(yù)測(cè)刀具壽命和優(yōu)化切割參數(shù)，主要步驟如下。

步驟1：數(shù)據(jù)收集。收集不同切割參數(shù)下的切割力數(shù)據(jù)、刀具磨損率和刀具壽命數(shù)據(jù)，并記錄切割速度、切深、切寬以及對(duì)應(yīng)的材料去除率和切割力。

步驟2：建立回歸模型。使用多元非線性回歸模型分析切割力、刀具磨損率與材料去除率之間的關(guān)系，從而建立如下模型：

步驟3：模型的訓(xùn)練與驗(yàn)證。利用歷史數(shù)據(jù)訓(xùn)練回歸模型來確定模型參數(shù)，通過計(jì)算預(yù)測(cè)誤差、R2值等統(tǒng)計(jì)指標(biāo)來評(píng)估模型性能。最后，使用回歸模型結(jié)果來找到最優(yōu)切割參數(shù)。

1.2" 故障特征提取與識(shí)別

綜上可知，建立的礦用機(jī)電設(shè)備數(shù)字孿生模型能夠?qū)崟r(shí)接收和分析從物理對(duì)應(yīng)體收集到的數(shù)據(jù)，并及時(shí)更新狀態(tài)和性能。接下來，本文將結(jié)合深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)高效的故障識(shí)別。

1） 數(shù)據(jù)采集。從數(shù)字孿生模型中收集足夠的設(shè)備狀態(tài)信息。

2） 標(biāo)記數(shù)據(jù)。對(duì)所收集的數(shù)據(jù)進(jìn)行標(biāo)記，區(qū)分正常運(yùn)行狀態(tài)與各種故障狀態(tài)。

3） 使用數(shù)字孿生模型的實(shí)時(shí)數(shù)據(jù)流，通過小波變換處理數(shù)據(jù)，并從中提取關(guān)鍵的時(shí)頻特征。小波變換能夠在不同的頻率級(jí)別上提供時(shí)間和頻率信息，因此可用于捕捉故障特征。

4） 構(gòu)建CNN模型。首先設(shè)計(jì)一個(gè)包含多個(gè)卷積層、池化層和至少一個(gè)全連接層的CNN。其中，卷積層用于提取輸入數(shù)據(jù)的特征，池化層用于降低特征的維度，全連接層用于最終的分類。其次，在輸入層將小波變換后的時(shí)頻特征圖作為輸入。最后設(shè)置輸出節(jié)點(diǎn)，輸出層的節(jié)點(diǎn)數(shù)對(duì)應(yīng)于故障類型的數(shù)量，且每個(gè)節(jié)點(diǎn)代表一種故障狀態(tài)。

5） 將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。使用訓(xùn)練集先對(duì)CNN進(jìn)行訓(xùn)練，再采用交叉熵?fù)p失函數(shù)優(yōu)化分類性能，例如Adam或SGD等優(yōu)化器。最后，通過驗(yàn)證集調(diào)整學(xué)習(xí)率、批大小以及卷積核大小等網(wǎng)絡(luò)參數(shù)。

通過這種方式可以有效地提高故障診斷的準(zhǔn)確率和實(shí)時(shí)性，為礦用機(jī)電設(shè)備的維護(hù)及運(yùn)營提供有力的技術(shù)支持。

2" 實(shí)驗(yàn)仿真驗(yàn)證

為驗(yàn)證所提基于數(shù)字孿生模型的新型故障特征提取與識(shí)別技術(shù)方案，文中設(shè)計(jì)了相關(guān)實(shí)驗(yàn)以驗(yàn)證其性能。實(shí)驗(yàn)硬件環(huán)境如表1所示。

將各傳感器安裝至上述所提設(shè)備中，利用物聯(lián)網(wǎng)進(jìn)行數(shù)據(jù)通信傳輸。

1） 使用Simulink進(jìn)行電機(jī)電氣和機(jī)械系統(tǒng)的建模，并利用Matlab處理與分析生成的數(shù)據(jù)，繼而進(jìn)行系統(tǒng)仿真以驗(yàn)證模型的準(zhǔn)確性，同時(shí)還仿真了不同故障場(chǎng)景來觀察模型的反應(yīng)。另外，通過ANSYS對(duì)機(jī)電設(shè)備進(jìn)行結(jié)構(gòu)和熱力學(xué)分析，以預(yù)測(cè)在不同操作條件下的性能和故障模式。

2） 利用NI DIAdem管理和分析LabVIEW實(shí)時(shí)收集到的海量運(yùn)行數(shù)據(jù)，對(duì)其進(jìn)行排序與初步分析，并基于此運(yùn)用AWS IoT Core或Microsoft Azure IoT遠(yuǎn)程管理和配置設(shè)備。

3） 利用Python的信號(hào)處理庫對(duì)預(yù)處理的數(shù)據(jù)進(jìn)行進(jìn)一步的特征提取，包括時(shí)域和頻域特征，并采用Scikit?learn進(jìn)行初步的機(jī)器學(xué)習(xí)模型訓(xùn)練。

4） 利用TensorFlow建立CNN+LSTM的深度學(xué)習(xí)模型，以提高故障識(shí)別的準(zhǔn)確度和效率。

此次采用1 000個(gè)樣本來驗(yàn)證3種設(shè)備的數(shù)字孿生模型，并按照上文所述的比例劃分成訓(xùn)練集、驗(yàn)證集和測(cè)試集。通過驗(yàn)證集確定模型的學(xué)習(xí)率為0.001，測(cè)試樣本為150個(gè)，批大小為64，LSTM單元數(shù)為75，以模型準(zhǔn)確率、召回率、F1分?jǐn)?shù)和AUC作為性能指標(biāo)。

本文模型與文獻(xiàn)[2]模型進(jìn)行對(duì)比，具體結(jié)果如圖2、圖3所示。

由圖2和圖3可知，本文模型的各項(xiàng)性能指標(biāo)均優(yōu)于文獻(xiàn)[2]。經(jīng)過對(duì)比計(jì)算，3種設(shè)備的準(zhǔn)確率、召回率、F1分?jǐn)?shù)和AUC指標(biāo)均顯著提升。由數(shù)據(jù)對(duì)比可以看出，所提數(shù)字孿生模型能夠更為準(zhǔn)確地模擬和表征設(shè)備的運(yùn)行情況。

結(jié)合傳感器位置，劃分輸送帶磨損、提升機(jī)電機(jī)和切割機(jī)刀具3類故障模式，并對(duì)故障識(shí)別模型進(jìn)行測(cè)試。選用同類技術(shù)文獻(xiàn)[3]、文獻(xiàn)[10]和文獻(xiàn)[15]進(jìn)行對(duì)比，結(jié)果如圖4～圖6所示。

由圖4～圖6可知，經(jīng)過不斷調(diào)優(yōu)參數(shù)后的新型故障識(shí)別模型在不同故障下的識(shí)別準(zhǔn)確度均能達(dá)到較優(yōu)水平。輸送帶磨損故障、提升機(jī)電機(jī)故障、切割機(jī)刀具故障的識(shí)別準(zhǔn)確率如表2～表4所示。

相較于文獻(xiàn)[3]，本文模型對(duì)輸送帶磨損、提升機(jī)電機(jī)和切割機(jī)刀具這3類故障的識(shí)別準(zhǔn)確率分別提升了1.99%、1.19%和3.07%；相較于文獻(xiàn)[10]，其分別提升了4.68%、2.10%和5.26%；相較于文獻(xiàn)[15]，其分別提升了4.79%、3.04%和3.48%。

3" 結(jié)" 語

本文提出的基于數(shù)字孿生模型的故障特征提取與識(shí)別技術(shù)在煤礦機(jī)電設(shè)備故障診斷中取得了理想的效果。實(shí)驗(yàn)結(jié)果表明，所提方法的故障識(shí)別準(zhǔn)確率優(yōu)于其他方法，在同類對(duì)比模型中性能最優(yōu)，證明該技術(shù)的實(shí)時(shí)性和穩(wěn)定性良好，在實(shí)際煤礦生產(chǎn)中具有一定的工程價(jià)值。

參考文獻(xiàn)

[1] 梁光清.故障自診斷技術(shù)在煤礦傳感設(shè)備中的應(yīng)用研究[J].自動(dòng)化與儀表，2024，39（2）：123?125.

[2] 葛驪超.基于數(shù)字孿生的立磨減速機(jī)故障預(yù)測(cè)模型研究[D].鎮(zhèn)江：江蘇科技大學(xué)，2023.

[3] 王正英.面向設(shè)備管理的機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)研究[D].天津：天津大學(xué)，2007.

[4] 趙耀斌.基于MSP430的煤礦機(jī)電設(shè)備健康診斷系統(tǒng)設(shè)計(jì)[J].煤礦機(jī)械，2024，45（2）：161?164.

[5] 陶濤.機(jī)電設(shè)備電氣故障檢測(cè)方法分析[J].電氣傳動(dòng)自動(dòng)化，2023，45（6）：58?61.

[6] 林光宗，蔣銀蘭.煤礦機(jī)電設(shè)備維護(hù)與管理的方法探究[J].能源技術(shù)與管理，2022，47（5）：139?141.

[7] 孫楊，李懷東.基于數(shù)字孿生技術(shù)的變電全要素信息融合方法[J].信息技術(shù)，2023，47（3）：144?149.

[8] 張琛，黑晨菲，李晶.自動(dòng)上下料系統(tǒng)的數(shù)字孿生模型構(gòu)建與虛擬仿真調(diào)試方法[J].制造業(yè)自動(dòng)化，2024，46（1）：45?50.

[9] 韓偉，段文巖，杜興偉，等.基于數(shù)字孿生的在運(yùn)安控系統(tǒng)故障診斷方法[J].中國電力，2023，56（11）：121?127.

[10] 張南，張順，劉利勛，等.基于數(shù)字孿生的車間生產(chǎn)過程監(jiān)控方法[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2022（7）：156?159.

[11] 魏冬梅.基于卷積神經(jīng)網(wǎng)絡(luò)的移動(dòng)網(wǎng)絡(luò)目標(biāo)跟蹤與控制[J].沈陽工業(yè)大學(xué)學(xué)報(bào)，2023，45（3）：342?347.

[12] 余瓊芳，牛冬陽.基于LSTM網(wǎng)絡(luò)的礦山壓力時(shí)空混合預(yù)測(cè)[J].電子科技，2023，36（2）：67?72.

[13] 楊小軍，馮斌，柏志堯，等.基于Z?score模型的學(xué)員分組答辯成績(jī)組間差消除辦法[J].計(jì)算機(jī)與數(shù)字工程，2022，50（3）：471?475.

[14] 高哲，剪靜.基于Borges差分的RMSprop算法及在卷積神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練中的應(yīng)用[J].遼寧大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，50（1）：1?9.

[15] BHOWMIK S. Digital twin for offshore pipeline corrosion monitoring： a deep learning approach [C]// Offshore Technology Conference. Houston： IEEE， 2021： 1172?1183.

作者簡(jiǎn)介：李丁卯（1987—），男，河南方城人，碩士研究生，工程師，研究方向?yàn)殡姎庾詣?dòng)化。

收稿日期：2024?05?01" " " " " "修回日期：2024?07?01

基金項(xiàng)目：國源電力科信2023年度科技項(xiàng)目及技術(shù)標(biāo)準(zhǔn)項(xiàng)目（GSKJ?23?65）