数字孪生驱动的煤矿机电设备状态监控和诊断

针对煤矿机电设备状态监控与维护的现实需求,深入研究了数字孪生技术的应用潜力。首先界定了煤矿机电设备数字孪生的内涵,进而构建了一个层次化的数字孪生架构,能够全面支持设备的全生命周期管理。在状态监控与诊断方面,提出了一种新颖的数字孪生系统架构设计,明确界定了架构的目标与功能,并详细规划了其核心组件。此外,采用了一种基于卷积神经网络(CNN)的设备故障诊断方法,提升诊断的精确性和效率。为煤矿机电设备的智能化管理和维护提供了新的理论框架和技术路径,对推动相关领域的技术进步具有重要的理论和实践意义。

基于深度生成模型的煤矿运输皮带异物检测

为了能够精准地对煤矿皮带运输机上的异物进行检出,提出了一种基于深度生成模型的皮带异物检测方法.首先,利用常规的变分自编码器(variational autoencoder,VAE)对图像进行重构,根据原始图像与重构图像之间的重构误差对图像中是否存在异物进行检出.然后,为了解决变分自编码器所生成的重构图像通常较为模糊的问题,引入了生成式对抗网络(generative adversarial network,GAN),对原始图像和重构图像进行判断,获取更加清晰的重构图像,以便提升异物检测精度.最后,将变分自编码器与生成式对抗网络进行结合,设计一种适用于皮带异物检测的深度学习算法.实验结果表明,与基线方法对比,本文方法在各评价指标上均有较好的效果.