1.一種基于煤礦垂直領域大模型的設備性能預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述一種基于煤礦垂直領域大模型的設備性能預測方法，其特征在于，所述煤礦設備的歷史運行數據通過從設備監(jiān)控系統(tǒng)進行獲取，所述礦用機電設備的歷史運行數據包括可靠性數據、維護記錄、故障類型及頻率或其他能夠表征礦用機電設備歷史運行狀態(tài)的數據。
3.根據權利要求1所述一種基于煤礦垂直領域大模型的設備性能預測方法，其特征在于，所述煤礦垂直領域的知識采用網絡爬蟲技術、數據api接口或者數據集等方式進行獲取，包括但不限于設備制造商的技術文檔、操作手冊、歷史故障報告、維護記錄以及通過專家訪談和培訓材料獲取的信息。
4.根據權利要求1所述一種基于煤礦垂直領域大模型的設備性能預測方法，其特征在于，所述煤礦設備的實時運行數據通過傳感器和信號采集器進行獲取，包括礦用設備的振動、溫度、壓力或其他能夠表征礦用設備運行狀態(tài)的模擬信號，所述傳感器和信號采集器內置有模數轉化器。
5.根據權利要求1所述一種基于煤礦垂直領域大模型的設備性能預測方法，其特征在于，對采集到的煤礦設備歷史運行數據和實時運行數據的預處理包括但不限于去除異常值、缺失值處理、標椎化處理以及歸一化處理；具體通過以下方法實現：所述異常值的處理使用箱型圖、z-score或其他統(tǒng)計方法來識別并決定刪除或修正數據；所述缺失值處理使用均值法、中值法或插值法對數據進行處理；所述數據的標準化處理通過以下公式(1)表示；所述數據的歸一化處理通過以下公式(2)表示：
6.根據權利要求1所述一種基于煤礦垂直領域大模型的設備性能預測方法，其特征在于，所述領域知識圖譜的構建具體通過以下步驟實現：
7.根據權利要求1所述一種基于煤礦垂直領域大模型的設備性能預測方法，其特征在于，所述步驟s3中，所述深度學習方法采用基于transformer的大模型進行微調，包括但不限于：
8.根據權利要求1所述一種基于煤礦垂直領域大模型的設備性能預測方法，其特征在于，所述設備性能預測大模型預測到潛在故障時，觸發(fā)告警并提供維護建議的決策支持邏輯通過以下公式(5)表示：
9.根據權利要求8所述一種基于煤礦垂直領域大模型的設備性能預測方法，其特征在于，所述故障風險評分通過以下公式(6)進行計算：