煤炭学报

作者：张强, 刘伟, 王阳, 马寿祥, 苏金鹏, 张润鑫,

关键词：刮板输送机, 数字孪生, 聚类, 机器学习, 预测,

数字孪生技术作为推进工业4.0和新一轮科技革命不可或缺的智能化技术，在矿山智能化开采领域引起广泛关注。受限于数值模拟求解规模与计算性能的矛盾，当前综采装备结构力学响应状态难以实时同步映射到孪生模型中，以刮板输送机中部槽为例，提出基于机器学习的结构响应数字孪生建模方法，通过有限元分析获得中部槽不同载荷工况下的节点响应，利用层次聚类法对大量相似数值的节点进行聚类，通过深度神经网络(DNN)对不同载荷工况下节点的聚类结果和聚类中心值进行预测，并使用聚类中心预测值替代聚类域内所有节点值，根据节点坐标和节点预测值重构中部槽全局力学响应状态。基于Unity开发了刮板输送机数字孪生模型可视化界面，通过部署传感器采集刮板输送机载荷信息，利用传感器采集数据实时驱动DNN，预测中部槽不同载荷工况下的全局变形响应和应力响应，实现中部槽孪生模型与物理实体力学响应同步映射。结果表明：利用DNN预测所有节点到完成三维节点云图重构所用时间0.32 s，应力和位移最大预测误差分别为0.97 MPa和1.98×10−3 mm，构建的数字孪生模型能够根据传感器采集信号连续对中部槽应力分布情况开展预测，中部槽测试点处应力预测结果与试验测量值的最大相对误差33.31%。验证了基于机器学习的中部槽结构响应数字孪生模型具有可行性，为刮板输送机状态监测提供新方法。

来源：2025年第6期

《煤炭学报》期刊编辑部

查看煤炭学报杂志2025年第6期