煤礦機(jī)電設(shè)備智能化維護(hù)研究現(xiàn)狀與發(fā)展趨勢(shì)

劉媛媛

(煤炭科學(xué)技術(shù)研究院有限公司， 北京 100013)

0 引言

礦山建設(shè)經(jīng)歷了人力礦山、機(jī)械礦山、數(shù)字礦山等階段，正逐步向智慧礦山邁進(jìn)。智慧礦山將工業(yè)物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能、5G等技術(shù)與煤炭開(kāi)發(fā)利用深度融合，從而實(shí)現(xiàn)煤礦采掘、運(yùn)輸、洗選、通風(fēng)、設(shè)備安全管理等全過(guò)程智能化運(yùn)行[1]。

煤礦機(jī)電設(shè)備包括綜采設(shè)備、洗選設(shè)備、提升設(shè)備、通風(fēng)設(shè)備、供排水設(shè)備等，這些設(shè)備長(zhǎng)時(shí)間在惡劣的煤礦生產(chǎn)環(huán)境下運(yùn)轉(zhuǎn)，易出現(xiàn)不同程度的磨損或故障，不僅影響煤礦開(kāi)采工作的正常開(kāi)展，降低企業(yè)經(jīng)濟(jì)效益，且故障如不能及時(shí)處理，還會(huì)降低設(shè)備的使用壽命，提高企業(yè)運(yùn)行成本。因此，及時(shí)準(zhǔn)確掌握煤礦機(jī)電設(shè)備當(dāng)前的運(yùn)行狀態(tài)，判斷當(dāng)前故障并對(duì)故障發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)，對(duì)于保障煤礦安全生產(chǎn)具有重要意義。

煤礦機(jī)電設(shè)備大數(shù)據(jù)具有大容量、多樣性和實(shí)時(shí)性的特點(diǎn)，從煤礦機(jī)電設(shè)備大數(shù)據(jù)中挖掘信息，高效、準(zhǔn)確地識(shí)別設(shè)備故障，成為煤礦機(jī)電設(shè)備維護(hù)管理面臨的新問(wèn)題。傳統(tǒng)的診斷識(shí)別方法無(wú)法滿足大量監(jiān)測(cè)數(shù)據(jù)的分析處理要求，智能故障診斷與預(yù)測(cè)方法通過(guò)深層挖掘監(jiān)測(cè)數(shù)據(jù)中所包含的多傳感器故障信息，利用專家系統(tǒng)及各類智能算法識(shí)別出設(shè)備當(dāng)前存在的故障隱患，并對(duì)其發(fā)展趨勢(shì)進(jìn)行評(píng)判，從而智能化地提出維護(hù)管理意見(jiàn)，大大提高了設(shè)備維護(hù)管理的可靠性和效率。筆者對(duì)煤礦機(jī)電設(shè)備的智能故障診斷與預(yù)測(cè)性維護(hù)研究現(xiàn)狀進(jìn)行了總結(jié)，對(duì)煤礦機(jī)電設(shè)備智能化維護(hù)研究存在的問(wèn)題進(jìn)行了分析，展望了煤礦機(jī)電設(shè)備智能化維護(hù)研究的發(fā)展趨勢(shì)。

1 研究現(xiàn)狀

1.1 故障機(jī)理研究

故障機(jī)理研究本質(zhì)上是通過(guò)理論或大量的試驗(yàn)方法，得到能夠反映設(shè)備故障狀態(tài)下信號(hào)特征與設(shè)備自身系統(tǒng)參數(shù)之間規(guī)律的過(guò)程[2]。李占芳[3]建立了礦井提升機(jī)剛性罐道故障激勵(lì)下提升容器的水平、垂直振動(dòng)模型，并進(jìn)行了仿真分析，得到了不同罐道故障大小、提升速度和提升載荷對(duì)提升容器振動(dòng)影響的關(guān)系曲線，為罐道故障的振動(dòng)法檢測(cè)提供了理論依據(jù)。崔國(guó)梁等[4]建立了煤礦主要通風(fēng)機(jī)轉(zhuǎn)子不平衡故障下的動(dòng)力學(xué)模型，并在頻譜圖顯示基頻處較大的頻譜峰值，以此作為主要通風(fēng)機(jī)故障診斷的依據(jù)。Liu Yue等[5]建立了彈簧故障下選煤廠振動(dòng)篩的動(dòng)力學(xué)模型，通過(guò)數(shù)值模擬得到不同彈簧故障下系統(tǒng)振幅與頻率的相關(guān)關(guān)系，可用于振動(dòng)篩的彈簧故障診斷。張延超等[6]對(duì)煤礦井下采煤機(jī)搖臂傳動(dòng)系統(tǒng)中齒輪斷齒和點(diǎn)蝕、軸承磨損等問(wèn)題進(jìn)行了失效分析，對(duì)潤(rùn)滑油的物理特性進(jìn)行了試驗(yàn)和測(cè)試分析，揭示其故障機(jī)理，為傳動(dòng)系統(tǒng)設(shè)計(jì)、使用和維護(hù)提供了十分有價(jià)值的參考。李偉[7]采用集中參數(shù)法建立了較全面的礦用重載帶式輸送機(jī)減速器斜齒輪動(dòng)力學(xué)模型，并采用虛擬樣機(jī)方法模擬得到不同類型、不同程度故障下的齒輪動(dòng)力學(xué)特征，可用于齒輪故障的快速識(shí)別。趙軍[8]根據(jù)煤礦通風(fēng)機(jī)的運(yùn)行特點(diǎn)，建立了喘振邊界線的數(shù)學(xué)模型，以此為基礎(chǔ)揭示了通風(fēng)機(jī)喘振發(fā)生時(shí)入口風(fēng)壓和流量的變化，從而作為診斷故障發(fā)生的依據(jù)。

從以上研究可看出，對(duì)于故障機(jī)理的研究主要是針對(duì)不同設(shè)備，采用不同方法(如動(dòng)力學(xué)方法、有限元方法等)建立設(shè)備故障的分析模型，并對(duì)模型施加激勵(lì)以獲得設(shè)備故障動(dòng)態(tài)響應(yīng)，從而為后續(xù)的故障診斷提供評(píng)判依據(jù)。

1.2 設(shè)備狀態(tài)監(jiān)測(cè)研究

及時(shí)準(zhǔn)確地獲取設(shè)備當(dāng)前運(yùn)行狀態(tài)的數(shù)據(jù)是對(duì)設(shè)備進(jìn)行故障診斷和預(yù)測(cè)性維護(hù)的基礎(chǔ)。完整的設(shè)備狀態(tài)監(jiān)測(cè)系統(tǒng)一般包括傳感器、數(shù)據(jù)采集裝置、數(shù)據(jù)傳輸網(wǎng)絡(luò)、數(shù)據(jù)存儲(chǔ)顯示等部分。張旭等[9]設(shè)計(jì)了雙滾筒采煤機(jī)實(shí)時(shí)監(jiān)測(cè)系統(tǒng)，對(duì)采煤機(jī)采高狀態(tài)、牽引速度、工作面傾角及運(yùn)行位置進(jìn)行實(shí)時(shí)監(jiān)測(cè)，并將相關(guān)信息通過(guò)CAN總線傳輸至井下分站，再通過(guò)工業(yè)以太網(wǎng)將數(shù)據(jù)傳輸?shù)骄媳O(jiān)控室，在可視化平臺(tái)模擬井下采煤機(jī)工作的動(dòng)態(tài)畫(huà)面并顯示監(jiān)測(cè)數(shù)據(jù)。趙端等[10]針對(duì)井下工作面的環(huán)境及液壓支架分布特點(diǎn)，設(shè)計(jì)了基于ZigBee技術(shù)的井下液壓支架壓力監(jiān)測(cè)系統(tǒng)，實(shí)現(xiàn)了液壓支架前柱、后柱和前伸梁壓力值的實(shí)時(shí)監(jiān)測(cè)與周期性監(jiān)測(cè)，為井上人員分析煤層初次來(lái)壓和周期來(lái)壓提供了數(shù)據(jù)。黃丹群[11]采用WaveMesh無(wú)線自組網(wǎng)技術(shù)設(shè)計(jì)了井下液壓支架壓力在線監(jiān)測(cè)系統(tǒng)，可實(shí)時(shí)精確地監(jiān)測(cè)井下液壓支架的壓力變化。毛清華等[12]針對(duì)煤礦懸臂式掘進(jìn)機(jī)空間位姿的監(jiān)測(cè)需求，提出了一種多傳感器信息的煤礦懸臂式掘進(jìn)機(jī)空間位姿監(jiān)測(cè)系統(tǒng)方案，該方案利用油缸行程傳感器檢測(cè)截割臂姿態(tài)角，利用超聲、激光和慣導(dǎo)與地磁融合的組合慣導(dǎo)檢測(cè)掘進(jìn)機(jī)機(jī)身空間位姿，實(shí)現(xiàn)了煤礦懸臂式掘進(jìn)機(jī)位姿實(shí)時(shí)精確監(jiān)測(cè)。李宏偉等[13]基于RS485和CAN總線，設(shè)計(jì)了一套煤礦帶式輸送機(jī)監(jiān)控系統(tǒng)，該系統(tǒng)具有監(jiān)控功能完備、故障定位準(zhǔn)確、通信實(shí)時(shí)可靠等優(yōu)點(diǎn)。周李兵[14]設(shè)計(jì)了一種基于STM32F4主控芯片的煤礦機(jī)電設(shè)備預(yù)測(cè)性維護(hù)用采集計(jì)算平臺(tái)，該平臺(tái)可并行高速采集煤礦機(jī)電設(shè)備振動(dòng)、溫度、壓力等數(shù)據(jù)并實(shí)時(shí)進(jìn)行快速傅里葉變換、包絡(luò)譜分析等處理，準(zhǔn)確判斷機(jī)電設(shè)備不同部件的運(yùn)行狀況和故障，滿足現(xiàn)場(chǎng)實(shí)時(shí)計(jì)算、就地分析、靈活布置的需求。

從以上文獻(xiàn)可看出，設(shè)備狀態(tài)監(jiān)測(cè)的相關(guān)研究取得了豐碩成果，針對(duì)煤礦機(jī)電設(shè)備建立了較為完備的狀態(tài)監(jiān)測(cè)系統(tǒng)，能夠準(zhǔn)確及時(shí)地獲取設(shè)備參數(shù)(如振動(dòng)、溫度、壓力、電參數(shù)、位置、速度等)，并實(shí)現(xiàn)了數(shù)據(jù)顯示、存儲(chǔ)、傳輸?shù)裙δ埽瑸樵O(shè)備的故障診斷提供了數(shù)據(jù)支持。

1.3 信號(hào)分析與處理研究

對(duì)采集得到的信號(hào)進(jìn)行分析和處理是獲取設(shè)備故障特征的重要一環(huán)，將直接決定診斷的準(zhǔn)確性和可靠性。段蛟龍等[15]建立了采煤機(jī)搖臂直齒輪局部故障振動(dòng)信號(hào)模型，在此基礎(chǔ)上，分析了行星齒輪結(jié)構(gòu)特征及振動(dòng)信號(hào)產(chǎn)生和變化規(guī)律，并進(jìn)行了試驗(yàn)，對(duì)采集的試驗(yàn)振動(dòng)信號(hào)進(jìn)行了頻譜分析，應(yīng)用頻譜分析法實(shí)現(xiàn)了搖臂齒輪局部故障診斷。楊祥等[16]針對(duì)振動(dòng)信號(hào)降噪方法中經(jīng)驗(yàn)?zāi)B(tài)分解存在模態(tài)混疊等問(wèn)題，提出了一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解 (EEMD) 和快速獨(dú)立分量分析 (FastICA) 的礦用帶式輸送機(jī)驅(qū)動(dòng)滾筒軸承振動(dòng)信號(hào)降噪方法，該方法有效濾除了原始振動(dòng)信號(hào)中包含的噪聲，使得驅(qū)動(dòng)滾筒軸承運(yùn)行狀態(tài)特征信息更加明顯，提高了故障診斷的準(zhǔn)確性。朱敏等[17]為解決在復(fù)雜信號(hào)中提取有用故障信號(hào)的問(wèn)題，提出了一種基于EEMD和小波包的優(yōu)良降噪算法，用該算法處理振動(dòng)篩軸承仿真信號(hào)，可保留故障信號(hào)，濾除其他信號(hào)；用該算法分析實(shí)測(cè)振動(dòng)篩軸承信號(hào)，降噪效果良好。郭文琪等[18]對(duì)礦井離心泵振動(dòng)信號(hào)進(jìn)行小波包分解，提取特征頻段，比較各頻段能量值，縮小頻率分析范圍，并在此基礎(chǔ)上對(duì)原動(dòng)機(jī)接線端的電信號(hào)進(jìn)行頻譜分析，將故障特征頻率與3次諧波頻率分離，從而精確提取到故障特征頻率。華偉等[19]針對(duì)礦用機(jī)電設(shè)備齒輪箱故障特征難以提取的問(wèn)題，提出采用平移不變多小波相鄰系數(shù)的降噪方法，提取出齒輪箱的故障特征頻率，為故障診斷提供了準(zhǔn)確依據(jù)。

從以上文獻(xiàn)可看出，在信號(hào)分析與處理研究方面，除了采用傳統(tǒng)的時(shí)域、頻域和時(shí)頻域分析方法外，還將多種方法結(jié)合的手段用于信號(hào)處理與特征提取，提高了信號(hào)處理效率和處理結(jié)果的可靠性。

1.4 診斷與預(yù)測(cè)算法研究

掌握設(shè)備運(yùn)行狀態(tài)后，判定設(shè)備當(dāng)前是否存在故障，并對(duì)設(shè)備未來(lái)的發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)。王浩宇等[20]基于極限學(xué)習(xí)機(jī)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)搭建了主要通風(fēng)機(jī)故障診斷模型，設(shè)計(jì)了一種礦井主要通風(fēng)機(jī)的故障診斷系統(tǒng)，該系統(tǒng)中極限學(xué)習(xí)機(jī)算法運(yùn)行時(shí)間短、故障診斷準(zhǔn)確率高，能夠?qū)崿F(xiàn)主要通風(fēng)機(jī)故障的實(shí)時(shí)、準(zhǔn)確診斷。張梅等[21]基于模糊故障樹(shù)和貝葉斯網(wǎng)絡(luò)，提出了一種礦井提升機(jī)快速故障診斷方法，以礦井提升機(jī)液壓制動(dòng)部分故障為例進(jìn)行分析，該方法可快速、準(zhǔn)確診斷提升機(jī)故障類型和故障點(diǎn)。孟憲剛等[22]提出了一種基于模糊Petri網(wǎng)的礦井提升機(jī)減速系統(tǒng)故障診斷方法，通過(guò)建立提升機(jī)故障的模糊Petri網(wǎng)模型，利用與其對(duì)應(yīng)的遞推狀態(tài)方程，結(jié)合矩陣運(yùn)算，找出系統(tǒng)中的故障可能性模糊值排序，并依次進(jìn)行故障排查，還可同時(shí)兼顧故障的傳遞性和模糊性，且模型清晰，結(jié)構(gòu)直觀，可以有效提高礦井提升機(jī)減速系統(tǒng)故障診斷的效率。曹現(xiàn)剛等[23]提出了基于振動(dòng)圖像和動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)(DCNN)的采煤機(jī)滾動(dòng)軸承故障診斷模型，該方法不但識(shí)別準(zhǔn)確率高且診斷時(shí)間短，對(duì)復(fù)雜高噪聲工況下的滾動(dòng)軸承故障診斷具有較好的診斷性能。楊健健等[24]提出了變異自適應(yīng)粒子群優(yōu)化(VSAPSO)算法，構(gòu)建VSAPSO-BP神經(jīng)網(wǎng)絡(luò)對(duì)掘進(jìn)機(jī)回轉(zhuǎn)臺(tái)不同故障進(jìn)行監(jiān)測(cè)，可準(zhǔn)確有效地監(jiān)測(cè)掘進(jìn)機(jī)回轉(zhuǎn)臺(tái)的異常情況。林廣旭[25]提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的帶式輸送機(jī)張緊力預(yù)測(cè)方法，該方法根據(jù)負(fù)載與張緊力的函數(shù)關(guān)系，通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)帶式輸送機(jī)的負(fù)載進(jìn)行預(yù)測(cè)，根據(jù)負(fù)載實(shí)時(shí)預(yù)測(cè)張緊力，再根據(jù)預(yù)測(cè)的張緊力對(duì)帶式輸送機(jī)進(jìn)行自適應(yīng)調(diào)控，該方法的預(yù)測(cè)精度較高，滿足帶式輸送機(jī)張緊力預(yù)測(cè)的需求。高正中等[26]將Petri網(wǎng)理論應(yīng)用于井下水泵的故障診斷中，建立了基于模糊Petri網(wǎng)和狀態(tài)監(jiān)測(cè)的井下水泵故障診斷模型，該模型以處理后的振動(dòng)信號(hào)作為模糊化的特征向量輸入，并引入神經(jīng)網(wǎng)絡(luò)中的BP算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化訓(xùn)練，能較準(zhǔn)確地找到水泵故障原因，具有較好的準(zhǔn)確性和自適應(yīng)性。

從智能算法的研究現(xiàn)狀來(lái)看，主要采用人工神經(jīng)網(wǎng)絡(luò)及機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等智能算法建立設(shè)備故障診斷與預(yù)測(cè)模型，從而實(shí)現(xiàn)故障的智能診斷和預(yù)測(cè)。

2 存在的問(wèn)題

(1) 設(shè)備的故障機(jī)理研究不足。煤礦機(jī)電設(shè)備往往體積龐大，結(jié)構(gòu)復(fù)雜，對(duì)于該類型設(shè)備進(jìn)行故障機(jī)理研究時(shí)，往往需要對(duì)研究對(duì)象進(jìn)行一定程度的簡(jiǎn)化，才可以建立相應(yīng)的數(shù)學(xué)和力學(xué)模型，通過(guò)仿真等手段驗(yàn)證模型是否有效，再結(jié)合試驗(yàn)修正模型。過(guò)度簡(jiǎn)化的數(shù)學(xué)模型不能完整反映設(shè)備本身全部的狀態(tài)信息，甚至可能會(huì)丟失反映設(shè)備故障狀態(tài)的重要特征，這會(huì)給診斷工作增加難度。因此，在機(jī)理研究方面需要進(jìn)一步深入研究，建立能夠盡可能反映設(shè)備狀態(tài)的簡(jiǎn)化模型(包括數(shù)學(xué)模型和試驗(yàn)?zāi)Ｐ?，合理地添加典型故障。目前對(duì)于設(shè)備故障機(jī)理的研究多集中于設(shè)備某種單一故障的機(jī)理研究，缺少多故障復(fù)合狀態(tài)下的故障機(jī)理研究，今后需要更多地對(duì)設(shè)備某部分故障帶來(lái)的連鎖反應(yīng)進(jìn)行研究。

(2) 煤礦現(xiàn)場(chǎng)的故障數(shù)據(jù)不足。隨著煤礦信息化程度的不斷提高，獲取設(shè)備實(shí)時(shí)運(yùn)行狀態(tài)的數(shù)據(jù)已不再困難。但由于監(jiān)測(cè)時(shí)間有限，目前獲取的設(shè)備運(yùn)行過(guò)程中含有故障的數(shù)據(jù)較少，而故障數(shù)據(jù)是對(duì)設(shè)備故障診斷與預(yù)測(cè)性維護(hù)具有重要意義的數(shù)據(jù)。目前諸多研究中普遍采用搭建試驗(yàn)臺(tái)或計(jì)算機(jī)仿真的方法來(lái)模擬故障，但是模擬環(huán)境下所獲得的故障數(shù)據(jù)往往比較理想，不能完全真實(shí)反映設(shè)備實(shí)際的運(yùn)行狀況。因此，仍需長(zhǎng)時(shí)間不斷采集現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)，最好是設(shè)備全生命周期數(shù)據(jù)，這對(duì)于設(shè)備的診斷和預(yù)測(cè)具有重要意義。

(3) 診斷和預(yù)測(cè)的智能化程度不高。在目前的診斷與預(yù)測(cè)算法研究中，往往是人為設(shè)定或修改相應(yīng)參數(shù)以實(shí)現(xiàn)設(shè)備正常工作或故障狀態(tài)的切換，算法的推廣程度和普適性有待進(jìn)一步驗(yàn)證。因此，需進(jìn)一步研究基于人工智能算法的智能診斷與預(yù)測(cè)方法。目前研究中的診斷與預(yù)測(cè)算法大多采用某種單一算法，采用組合式的算法研究較少，同時(shí)研究對(duì)象更多局限在設(shè)備某個(gè)部分或零部件，借助海量數(shù)據(jù)對(duì)整個(gè)大型設(shè)備進(jìn)行診斷和預(yù)測(cè)算法的研究較少。因此若能采用多種有效算法組合對(duì)設(shè)備整體進(jìn)行診斷與預(yù)測(cè)，將對(duì)設(shè)備的智能化維護(hù)具有更重要的意義。

3 發(fā)展趨勢(shì)

(1) 設(shè)備早期故障的識(shí)別。對(duì)煤礦機(jī)電設(shè)備未來(lái)運(yùn)行狀態(tài)進(jìn)行預(yù)判，是設(shè)備故障診斷與預(yù)知性維護(hù)研究的終極目標(biāo)。要實(shí)現(xiàn)該目標(biāo)，就需要在設(shè)備出現(xiàn)故障的早期及時(shí)發(fā)現(xiàn)故障并采取相應(yīng)的維護(hù)手段。研究應(yīng)用靈敏度更高的智能傳感器來(lái)監(jiān)測(cè)設(shè)備，結(jié)合隨機(jī)共振、盲源分離等方法從強(qiáng)噪聲中提取微弱的特征信號(hào)，使得設(shè)備早期故障被及時(shí)地識(shí)別出，從而實(shí)現(xiàn)預(yù)測(cè)性維護(hù)。

(2) 復(fù)雜機(jī)電設(shè)備的多故障耦合的診斷與預(yù)測(cè)。在實(shí)際工況環(huán)境下，設(shè)備故障復(fù)雜多變，一個(gè)故障源可能引起鏈?zhǔn)椒磻?yīng)，導(dǎo)致更大故障發(fā)生。采用獨(dú)立的診斷方法，已經(jīng)不能適應(yīng)實(shí)際設(shè)備的診斷需求。基于多傳感器信息融合技術(shù)的診斷和預(yù)測(cè)可準(zhǔn)確有效地識(shí)別出設(shè)備存在的所有故障，這對(duì)故障診斷與預(yù)測(cè)性維護(hù)的研究具有重要意義。

(3) 仿真與試驗(yàn)數(shù)據(jù)對(duì)現(xiàn)場(chǎng)設(shè)備診斷與預(yù)測(cè)的指導(dǎo)。仿真與試驗(yàn)手段仍是獲取典型故障特征的重要手段。深度學(xué)習(xí)中遷移學(xué)習(xí)的應(yīng)用，可有效解決不同數(shù)據(jù)集之間數(shù)據(jù)分布差異性的問(wèn)題，將遷移學(xué)習(xí)算法作為“橋梁”，建立仿真、試驗(yàn)數(shù)據(jù)與現(xiàn)場(chǎng)數(shù)據(jù)的相關(guān)性，為解決仿真與試驗(yàn)條件和現(xiàn)場(chǎng)條件差異的問(wèn)題提供數(shù)據(jù)支持和保障。

4 結(jié)語(yǔ)

在智慧礦山建設(shè)的背景下，煤礦機(jī)電設(shè)備的故障診斷與預(yù)測(cè)性維護(hù)必將邁入新階段。隨著人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)等技術(shù)的飛速發(fā)展，智能傳感技術(shù)結(jié)合隨機(jī)共振、盲源分離等方法，可及時(shí)識(shí)別設(shè)備早期故障；借助多傳感器信息融合技術(shù)可準(zhǔn)確有效地識(shí)別出設(shè)備存在的耦合故障；利用遷移學(xué)習(xí)算法可以建立仿真、試驗(yàn)數(shù)據(jù)與現(xiàn)場(chǎng)數(shù)據(jù)的相關(guān)性，對(duì)現(xiàn)場(chǎng)設(shè)備進(jìn)行診斷與預(yù)測(cè)。今后應(yīng)從這3個(gè)方面展開(kāi)深入研究，將智能化故障診斷與預(yù)測(cè)更好地應(yīng)用于煤礦機(jī)電設(shè)備的維護(hù)管理中，保障設(shè)備安全可靠運(yùn)行。