面向礦用機電設備數字孿生模型的故障特征提取與識別技術

摘" 要： 為滿足礦用機電設備的智能化故障診斷需求，基于數字孿生模型提出了一種故障特征提取與識別技術方案。該方案主要包括機電設備的數字孿生建模和故障特征提取與識別兩方面。通過卷積神經網絡（CNN）和長短期記憶（LSTM）網絡的混合模型完成數字孿生的建模；使用數據可視化技術和Z?score標準化方法對數據進行處理和篩選，利用小波變換方法進行故障特征提取，并設計一種基于CNN的故障識別算法。相比于傳統方法，所提出的故障識別算法能夠有效提高故障識別的準確率和實時性。實驗測試結果表明：所構建的數字孿生模型能夠準確地模擬和表征設備運行情況，驗證了所提方法的正確性和有效性；而且故障識別準確率高于同類技術模型，在提高故障診斷效率方面的工程應用效果良好。

關鍵詞： 煤礦機電設備； 數字孿生模型； 故障特征提取； 故障識別算法； 卷積神經網絡； 長短期記憶網絡； 診斷精確度

中圖分類號： TN929?34； TP277" " " " " " " " " "文獻標識碼： A" " " " " " " " " " " 文章編號： 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

隨著人類對能源需求的不斷增長，煤礦作為主要的能源供應來源之一，在能源結構中占據著重要地位。然而，由于煤礦生產環境的復雜性和機電設備長期運行的惡劣條件，其相關設備故障頻發，嚴重威脅著生產安全和效率[1?3]。據統計，煤礦機電設備故障所導致的生產停滯是煤礦事故的主要因素之一，給相關生產帶來了巨大的經濟損失和人員傷亡。

傳統的機電設備故障診斷方法主要依賴于人工經驗和簡單的監測設備，存在診斷效率低、準確度差以及無法實現實時監測等問題[4?6]。針對上述問題，數字孿生技術應運而生。數字孿生模型是一種高級仿真工具，其通過創建一個實際物理對象的虛擬模型，用于模擬、監控、優化和預測其對應物理對象的行為及性能[7?9]。該模型還能夠實時接收和分析從物理對應體收集的數據，以實時更新狀態和性能。因此，該技術被廣泛應用于制造業、汽車、航空、醫療和能源等領域[10]。

本文針對煤礦機電設備故障診斷的需求，基于數字孿生模型提出了一種改進故障特征提取與識別技術。研究重點在于建立高效的數字孿生模型，完成故障特征的提取與識別，并以此提高故障診斷的準確性、實時性與穩定性。首先，將深度學習算法應用于機電設備數字孿生建模中，通過對設備運行狀態數據進行分析和學習，實現了精確、高效的數字孿生模型虛擬物理映射技術；其次，應用卷積神經網絡進行故障識別，提升了系統的穩定性及可靠性；最后，通過數值實驗測試驗證了所提方法的正確性和有效性，為煤礦機電設備的智能化故障診斷提供了一種新的解決方案。

本文的創新之處主要體現在利用高效的神經網絡算法對系統進行數字孿生建模并識別故障。與傳統方法相比，所提出的故障診斷技術具有更高的診斷準確率和更快的實時響應能力，可以有效提高煤礦機電設備的故障診斷效率，且降低了事故風險，保障了煤礦生產的安全和穩定。

1" 故障特征提取與識別方案設計

本文提出的技術方案主要包含數字孿生建模和故障特征提取與識別兩部分，其結構框架如圖1所示。

1.1" 數字孿生建模

對于煤礦機電設備，其檢測目標通常為實時監控設備狀態、預測維護需求及故障診斷。本文針對煤礦機電的常見設備，如輸送帶、提升機和切割機進行了數字孿生建模。

1.1.1" 輸送帶系統的數字孿生建模

建模目標：監控輸送帶的速度v、負載L、帶面磨損狀態W等參數。

1） 數據采集

首先需要在輸送帶處安裝速度、負載、振動和溫度傳感器來收集關鍵運行數據，其中傳感器選取與設備監測匹配的型號。

2） 模型建立

物理模型：建立基于力學和磨損理論的模型，用于描述帶速、負載與磨損的關系。假設輸送帶的磨損主要由帶速、負載以及傳輸帶材質決定。當輸送帶平穩運行時，其帶速和負載呈均勻分布，由此可得磨粒磨損模型為：

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

應用皮帶傳動理論構建張力模型，公式如下：

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

式中[α]為反映張力對磨損影響程度的系數。

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

3） 數據驅動模型

在數字孿生模型中，數據驅動模型對于實時監測和預測機電設備的狀態至關重要。本文結合卷積神經網絡（Convolutional Neural Network， CNN）[11]和長短期記憶（Long Short?Term Memory， LSTM）[12]網絡的混合模型，通過大量實時數據進行訓練和驗證。數據驅動模型的建立步驟如下。

① 數據預處理

數據清洗指對采集到的原始數據進行清洗，去除其中的異常值、噪聲和缺失值等不規則數據。文中采用統計方法和數據可視化技術對數據進行分析與篩選，以保證數據的準確性和完整性。數據歸一化是對清洗后的數據進行歸一化處理，消除不同數據之間的量綱差異，使得數據具有相同的尺度和范圍。本文采用Z?score標準化方法[13]將數據轉換成均值為0、標準差為1的正態分布，以便后續的特征提取和模型訓練。

② 特征工程

將時間序列數據切分為較短的時間窗口，例如1 min或5 min，以捕捉故障發生前后的數據變化，并從每個時間窗口中提取均值、標準差、最大值、最小值等統計特征以及峰值頻率、頻譜能量分布等頻域特征。

③ 模型建立

設計CNN模型來處理輸入的特征矩陣，通過該網絡能夠有效地捕捉局部特征之間的空間關系，進而可以較為精準地識別復雜的模式和趨勢，如設備的周期性和非周期性振動模式。在CNN之后接入LSTM層，用于處理時間序列數據的時間依賴問題。LSTM特別適用于處理時間序列預測問題，能夠長期記憶序列之間的依賴關系。將CNN和LSTM的輸出進行融合，通過添加全連接層或使用投票機制來整合兩個模型的學習成果，從而完成最終的故障診斷。

④ 模型訓練與驗證

將預處理后的數據集劃分為訓練集、驗證集和測試集，比例為70%、15%和15%。

此次首先使用RMSprop來優化算法[14]，并在訓練集的基礎上采用交叉熵損失函數來優化模型參數，以此對模型進行訓練；其次，還通過驗證集調整模型的超參數，以提高模型在未知數據上的泛化能力；最后，使用測試集評估模型的性能。評估指標包括準確率、召回率、F1分數和接收者操作特征曲線（ROC）下的面積（AUC）。

1.1.2" 提升機的數字孿生建模

建模目標：監控提升機的電機狀態、齒輪減速比RG、載荷以及扭矩常數[Ktorque]等參數。

1） 數據采集

在提升機處安裝扭矩、張力、負載和位置傳感器來收集提升機的關鍵運行數據。

2） 模型建立

物理模型：根據提升機的機械傳動和動力學原理，建立描述其動態行為的數學模型。假設電動機和齒輪箱的動力輸出是恒定的，繩索滑輪處于理想環境且負載在運行過程中均勻分布。

式中：[Fnet]為凈力；[mtotal]為總質量；a為提升機的加速度；[Ffriction]為滑輪系統的摩擦力；[v（t）]為t時的速度；[s（t）]為t時的位移；[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，需要先通過實際數據來校正模型參數，如[RG]、[Ktorque]等電動機參數；然后，利用傳感器采集數據，收集在不同載荷和速度下的響應來調整模型參數，進而優化物理模型；最后采用與第1.1.1節相同的步驟來構建數據驅動模型。

1.1.3" 切割機的數字孿生建模

建模目標：監控切割機的刀具磨損參數C、切割力FQ、切割速度Vd。

1） 數據采集

在切割機處安裝力和速度的傳感器來監測切割過程中的關鍵參數，并利用激光掃描系統監測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]是關鍵指標，表達如下：

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

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

式中[Fc]是單位切割力。

3） 數據驅動模型

使用回歸分析預測刀具壽命和優化切割參數，主要步驟如下。

步驟1：數據收集。收集不同切割參數下的切割力數據、刀具磨損率和刀具壽命數據，并記錄切割速度、切深、切寬以及對應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系，從而建立如下模型：

步驟3：模型的訓練與驗證。利用歷史數據訓練回歸模型來確定模型參數，通過計算預測誤差、R2值等統計指標來評估模型性能。最后，使用回歸模型結果來找到最優切割參數。

1.2" 故障特征提取與識別

綜上可知，建立的礦用機電設備數字孿生模型能夠實時接收和分析從物理對應體收集到的數據，并及時更新狀態和性能。接下來，本文將結合深度學習技術實現高效的故障識別。

1） 數據采集。從數字孿生模型中收集足夠的設備狀態信息。

2） 標記數據。對所收集的數據進行標記，區分正常運行狀態與各種故障狀態。

3） 使用數字孿生模型的實時數據流，通過小波變換處理數據，并從中提取關鍵的時頻特征。小波變換能夠在不同的頻率級別上提供時間和頻率信息，因此可用于捕捉故障特征。

4） 構建CNN模型。首先設計一個包含多個卷積層、池化層和至少一個全連接層的CNN。其中，卷積層用于提取輸入數據的特征，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頻特征圖作為輸入。最后設置輸出節點，輸出層的節點數對應于故障類型的數量，且每個節點代表一種故障狀態。

5） 將數據集劃分為訓練集、驗證集和測試集。使用訓練集先對CNN進行訓練，再采用交叉熵損失函數優化分類性能，例如Adam或SGD等優化器。最后，通過驗證集調整學習率、批大小以及卷積核大小等網絡參數。

通過這種方式可以有效地提高故障診斷的準確率和實時性，為礦用機電設備的維護及運營提供有力的技術支持。

2" 實驗仿真驗證

為驗證所提基于數字孿生模型的新型故障特征提取與識別技術方案，文中設計了相關實驗以驗證其性能。實驗硬件環境如表1所示。

將各傳感器安裝至上述所提設備中，利用物聯網進行數據通信傳輸。

1） 使用Simulink進行電機電氣和機械系統的建模，并利用Matlab處理與分析生成的數據，繼而進行系統仿真以驗證模型的準確性，同時還仿真了不同故障場景來觀察模型的反應。另外，通過ANSYS對機電設備進行結構和熱力學分析，以預測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實時收集到的海量運行數據，對其進行排序與初步分析，并基于此運用AWS IoT Core或Microsoft Azure IoT遠程管理和配置設備。

3） 利用Python的信號處理庫對預處理的數據進行進一步的特征提取，包括時域和頻域特征，并采用Scikit?learn進行初步的機器學習模型訓練。

4） 利用TensorFlow建立CNN+LSTM的深度學習模型，以提高故障識別的準確度和效率。

此次采用1 000個樣本來驗證3種設備的數字孿生模型，并按照上文所述的比例劃分成訓練集、驗證集和測試集。通過驗證集確定模型的學習率為0.001，測試樣本為150個，批大小為64，LSTM單元數為75，以模型準確率、召回率、F1分數和AUC作為性能指標。

本文模型與文獻[2]模型進行對比，具體結果如圖2、圖3所示。

由圖2和圖3可知，本文模型的各項性能指標均優于文獻[2]。經過對比計算，3種設備的準確率、召回率、F1分數和AUC指標均顯著提升。由數據對比可以看出，所提數字孿生模型能夠更為準確地模擬和表征設備的運行情況。

結合傳感器位置，劃分輸送帶磨損、提升機電機和切割機刀具3類故障模式，并對故障識別模型進行測試。選用同類技術文獻[3]、文獻[10]和文獻[15]進行對比，結果如圖4～圖6所示。

由圖4～圖6可知，經過不斷調優參數后的新型故障識別模型在不同故障下的識別準確度均能達到較優水平。輸送帶磨損故障、提升機電機故障、切割機刀具故障的識別準確率如表2～表4所示。

相較于文獻[3]，本文模型對輸送帶磨損、提升機電機和切割機刀具這3類故障的識別準確率分別提升了1.99%、1.19%和3.07%；相較于文獻[10]，其分別提升了4.68%、2.10%和5.26%；相較于文獻[15]，其分別提升了4.79%、3.04%和3.48%。

3" 結" 語

本文提出的基于數字孿生模型的故障特征提取與識別技術在煤礦機電設備故障診斷中取得了理想的效果。實驗結果表明，所提方法的故障識別準確率優于其他方法，在同類對比模型中性能最優，證明該技術的實時性和穩定性良好，在實際煤礦生產中具有一定的工程價值。

參考文獻

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

[2] 葛驪超.基于數字孿生的立磨減速機故障預測模型研究[D].鎮江：江蘇科技大學，2023.

[3] 王正英.面向設備管理的機電設備狀態監測與故障診斷技術研究[D].天津：天津大學，2007.

[4] 趙耀斌.基于MSP430的煤礦機電設備健康診斷系統設計[J].煤礦機械，2024，45（2）：161?164.

[5] 陶濤.機電設備電氣故障檢測方法分析[J].電氣傳動自動化，2023，45（6）：58?61.

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

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

[8] 張琛，黑晨菲，李晶.自動上下料系統的數字孿生模型構建與虛擬仿真調試方法[J].制造業自動化，2024，46（1）：45?50.

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

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

[11] 魏冬梅.基于卷積神經網絡的移動網絡目標跟蹤與控制[J].沈陽工業大學學報，2023，45（3）：342?347.

[12] 余瓊芳，牛冬陽.基于LSTM網絡的礦山壓力時空混合預測[J].電子科技，2023，36（2）：67?72.

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

[14] 高哲，剪靜.基于Borges差分的RMSprop算法及在卷積神經網絡參數訓練中的應用[J].遼寧大學學報（自然科學版），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.

作者簡介：李丁卯（1987—），男，河南方城人，碩士研究生，工程師，研究方向為電氣自動化。

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

基金項目：國源電力科信2023年度科技項目及技術標準項目（GSKJ?23?65）