在推进煤矿行业高质量发展的征途上，智能化技术已经转变为驱动其发展的核心动力，并确定成为煤矿工业发展的未来趋势。数字孪生是一种先进的技术，它结合了物联网、大数据技术与数字可视化仿真技术，创建出一个实体的数字副本，即数字化“克隆体”。通过数字孪生技术，能够构建出一个与物理实体完全对应的数字模型，这个模型可以实时监测和分析实体对象的状态，提供有效的监控与分析服务。鉴于数字孪生技术的实时性高、可扩展性强等多种特点，可对煤矿开采过程中的采煤机进行构建，从而得到相应的数字化孪生实体模型。然而，数据采集的精确性直接影响煤矿采煤机数字孪生体构建的准确性和有效性。

李文杰等 [1] 提出了一种名为KANN-DBSCAN的聚类算法，这种算法可以自适应地选择参数，从而实现高准确度的聚类结果，但其时间复杂度相对较高。另一方面，周治平等 [2] 提出了一种自适应参数选取的AF-DBSCAN算法，该算法利用数学统计原理来识别曲线的拐点，以自适应地计算出最佳的全局参数Eps和MinPts，但该算法固定选取K = 4可能会限制参数的选取，同时自适应选取的参数不一定能够随着不同数据集的自身分布特性的变化而具备相应的变化趋势。陈文龙等 [3] 利用KD树对数据集进行了分割，以便构建邻近对象数据集。这一过程可以在聚类前识别并分离噪声点和核心点，从而在聚类过程中减少了噪声数据的处理，提高了聚类效率，但在数据量增大时内存占用过大。

综上，现有技术基于自适应选取聚类算法中DBSCAN算法参数方面的研究较少，且相关方面的研究大多采用固定曲线进行分析，在数据集上选取的参数不能适应数据集的自身分布特性，致使聚类效果不理想。从而使煤矿采煤机数字信息采集过程中异常噪声数据信息识别不明显，进而导致煤矿采煤机数字李生体构建的准确性和有效性不足 [4] [5] 。

针对目前采煤机异常噪声数据识别困难的问题，本文提出了一种结合数字孪生技术和聚类算法的新方法，用于采煤机数据异常的识别研究，搭建了采煤机数字孪生模型，并以其为基础建立了采煤机的异常数据识别模型，采用改进的R-DBSCAN算法进行异常数据识别，从而提高数字孪生体构建的准确性和有效性。

在采煤机执行煤炭开采任务时，其切割煤岩的过程中会产生多种具有不同特征的噪声。这些噪声源的复合效应决定了采煤机整体噪声的水平和特性，这种影响是各个噪声成分相互作用的结果。如 图4 所示。

依据田震等研究者 [7] [8] 对采煤机振动噪声源所进行的分析，可以构建一个数学模型来描述采煤机工作面噪声与采煤机及其相关参数之间的关系。

${\text{L}}_{\text{p}1}=\text{l}0\lg \left[\frac{60{\text{BHv}}_{\text{q}}{\text{Pn}}_1^2}{{\text{r}}^2}\frac{\text{A}\left(0.3+0.35b_p\right)}{{\text{b}}_{\text{p}}+{\text{B}}_{\text{c}}{\left(2{\text{h}}_{\max }/\text{π}\right)}^{0.5}}\right]+{\text{k}}_{\text{c}}$

齿轮加速度噪声的计算公式为：

${\text{L}}_{\text{p}2}=\frac{20\left[1-\tan \left(\text{β}/2\right)\right]\sqrt[8]{\text{u}}}{{\text{f}}_{\text{v}}\sqrt[4]{{\text{ε}}_{\text{a}}}}+20\log \frac{\text{W}}{\text{kW}}$

本研究在DBSCAN算法的基础上，提出了一种新的R-DBSCAN算法，该算法利用K-dist图来自动确定算法的参数。它根据数据集的分布特性，通过K-dist曲线生成Eps参数序列表和对应的MinPts参数列表。在确定聚类结果的稳定簇数区间时，可以通过选择对应最大簇数的Eps和MinPts值来确定算法的最佳参数，实现参数的自适应确定。采用本算法进行数据集的聚类，可以提高聚类结果的准确性，进而增强采煤机异常数据筛选的准确性。这种方法的运用，有助于提高采煤机数字孪生模型构建的准确性和有效性。