随着工业系统智能化进程的加快，地面电气设备在生产运行中的状态监测与故障预测愈发重要。传统依赖经验与规则的监测方法在复杂工况下难以保证准确性与实时性。本文基于深度学习理论，构建融合全连接神经网络（Fully Connected Neural Network，FCNN）与门控循环单元（Gated Recurrent Unit，GRU）的综合模型，对地面电气设备运行数据进行特征提取、状态评估与故障预测。研究结果表明，该模型在预测精度、召回率及稳定性方面均优于单一模型结构，可有效实现设备状态的动态感知与风险预警。研究为工业电气设备智能运维与预测性维护提供了可行技术路径与实践参考。

深度学习；地面电气设备；状态监测；故障预测；神经网络

[1]贾兴磊,王俊峰,满娟娟,等.基于深度学习的煤矿地面电气设备状态监测与预测[J].电气技术与经济,2024(7):326-328.

[2]成思远,管志波,宫辉力,等.近场动力学与深度学习相结合的地面沉降建模和模拟方法[J].地球信息科学学报,2025,27(1):181-192.

[3]农钧麟.基于深度学习的机器人电气故障检测与诊断研究[J].今日自动化,2024(3):142-144.

[4]张翠翠,刘竹.基于深度学习的电气控制系统故障诊断与容错技术[J].自动化应用,2024,65(8):35-37.

[5]魏鹏飞.基于深度学习的电气综采设备故障诊断与预测系统研究[J].电气技术与经济,2024(7):329-331.

[6]张岷涛,廖文豪,卿朝进.在单片机中应用卷积神经网络实现故障诊断[J].机械科学与技术,2024,43(2):282-290.

[7]张云武.基于深度学习算法的电厂输煤系统电气故障诊断[J].中国科技纵横,2024(24):98-100.

[8]黄志鸿,刘宇,张辉,等.基于自注意力感知的配电网杆塔点云语义分割[J].湖南电力,2024,44(6):76-82.