綜采設備健康狀態評估研究綜述

曹現剛， 段雍， 趙江濱， 楊鑫， 趙福媛， 樊紅衛

（1. 西安科技大學 機械工程學院，陜西 西安 710054；2. 陜西省礦山機電裝備智能檢測與控制重點實驗室，陜西 西安 710054）

0 引言

煤炭是我國的重要工業原料，在未來長時間內，仍將是我國主要能源[1]。隨著“十四五”碳達峰、碳中和戰略的持續推進，煤礦智能化轉型已成為煤炭高質量發展的重要支撐[2-3]。加快智能化煤礦建設，推進智能無人綜采工作面進程是我國煤炭工業科技創新及“十四五”發展方向的重要任務[4-5]。《能源技術革命創新行動計劃（2016-2030年）》指出，我國在2030年基本實現煤炭開采智能化，基本實現重點煤礦綜采工作面無人化。綜采工作面[6-7]是煤炭開采的前沿陣地，其主要設備包括采煤機、液壓支架、刮板輸送機、轉載機、乳化液泵等。綜采設備作為典型的復雜分布式機電系統，具有結構層次復雜，分系統、零部件眾多，設備間相互關聯復雜等特點。綜采設備是典型的低速重載設備，工作環境復雜多變、可操作空間狹窄、易遭受煤巖沖擊，設備“帶病”工作現象普遍，如不進行及時有效地監測與處置，將造成人員傷亡。

綜采設備作為煤礦開采系統的關鍵執行子系統，其故障狀態監測已成為制約煤炭智能開采的關鍵因素，如何及時、準確、智能地評估設備的運行故障并可靠地預測其發展趨勢成為煤礦智能化進程中亟待解決的問題之一。隨著綜采設備的大型化、復雜化、智能化發展，傳統的定期維護、事后維修的設備管理方式，已難以滿足煤礦智能化建設對設備運行的高可靠性需求。故障預測與健康管理（Prognostics Health Management，PHM）[8-9]是實現設備預測性維護、保證設備安全可靠性、降低設備維護周期及維護費用的關鍵手段：從被動維護到定期檢查再到事先預測；從診斷轉變為智能預測；從靜態任務規劃轉變為動態任務規劃；從被動保障轉變為自主保障。健康狀態評估[10-11]是設備故障預測及健康管理的前提，利用信號處理、人工智能、機器學習等新技術評估設備整機、子系統及零部件的健康狀態，可為后期協調控制、任務規劃提供參數，為關鍵設備維護決策提供依據信息。因此，研究綜采設備健康狀態評估相關理論及技術對于煤礦智能開采具有較大的現實意義。

本文梳理、總結了近年來國內外綜采設備健康狀態評估研究現狀及最新研究成果，重點討論了綜采設備健康狀態評估過程中設備關鍵監測信號獲取、信號特征提取及融合、設備健康狀態等級劃分、綜采設備評估模型構建等4大關鍵技術，分析了綜采設備健康狀態評估目前存在的主要挑戰，對未來綜采設備健康狀態評估主要的發展趨勢進行了展望。

1 綜采設備健康狀態評估研究現狀

1.1 綜采設備健康狀態評估范疇界定

1） 綜采設備故障診斷。現代故障診斷技術[12-13]是指通過現代診斷技術對設備及關鍵部件有無故障、出現部位和嚴重程度等進行判別，是一項涉及傳感器技術、故障機理分析、信號處理、數據分析、數據挖掘、機器學習、人工智能等多領域交叉融合的綜合性技術。綜采設備故障診斷的研究主要包括信號感知及傳感監測、故障機理與征兆聯系、信號分析及信號特征提取、故障診斷與智能決策等。目前大多專家學者對于綜采設備故障診斷主要針對設備機械部分的故障，主要技術為基于振動理論、信號分析的經典診斷技術和基于大數據處理及融合的智能診斷技術，對于液壓、電氣電子及系統故障研究較少。因井下工況惡劣，受診斷對象復雜、算法研究難以驗證、成果難以投入等因素影響，我國在煤礦機械故障診斷技術的研究相對滯后[14]。隨著綜采裝備智能化發展，專家學者試圖從多模態、多源信號、多特征領域進行設備的故障定位及診斷[15-16]，包括電流、溫度、聲音、油液、紅外熱成像、視頻等。因此，深入研究故障機理、緊密結合先進診斷技術、將大數據、深度學習、云計算等新方法引入該領域，研究多模態、大數據驅動的綜采關鍵設備故障診斷及超前預測技術已成為發展的重點。

2） 綜采設備健康狀態評估。綜采設備健康狀態評估是指通過不同煤礦傳感器采集反映綜采設備健康狀態的信息，利用信號分析及處理、人工智能、機器學習、大數據、云計算等新興技術評估綜采關鍵設備整機、子系統及零部件的健康狀態，實現綜采運行狀態的主動感知，進而為綜采設備的主動式預測預防管理提供決策支撐。與故障診斷相比，綜采設備健康狀態評估可估計出當前裝備的健康狀態（圖1），健康狀態值是及時調整控制器參數的依據，同時又是制定短期、中期、遠期維護方案的主要參數，為維護計劃制定、保障備件的調度調配提供了充足的時間，減少停機損失。

圖1 綜采設備故障診斷與健康狀態比較Fig. 1 Comparison of fault diagnosis and health status of fully mechanized mining equipment

綜采設備故障診斷與健康狀態評估的邏輯關系如圖2所示。綜采設備故障診斷更多是對綜采設備失效后的補救，健康狀態評估則偏向于設備狀態的識別及故障預防。隨著綜采設備系統集成化、信息化程度的提高，復雜工況條件下綜采設備的故障診斷與后勤保障難度不斷增大，傳統維修方式如事后維修、定時維修等存在諸多弊端，難以滿足煤礦智能開采發展需求。

圖2 綜采設備故障診斷與健康狀態評估的邏輯關系Fig. 2 Logical relationship between fault diagnosis and health status assessment of fully mechanized mining equipment

目前，健康狀態識別相關技術已廣泛應用于各行各業，主要包括軸承、風電動機組、航空發動機、刀具、燃氣渦輪發動機、在軌衛星健康狀態識別等[17-18]。煤礦智能化發展過程中，綜采設備健康狀態評估主要包括信號獲取、特征提取及融合、健康等級劃分、評估模型建立等4大關鍵技術，綜采設備健康狀態評估流程如圖3所示。

圖3 綜采設備健康狀態評估流程Fig. 3 Health status assessment process of fully mechanized mining equipment

1.2 信號獲取

通過先進傳感與監測技術獲取反映綜采設備運行狀態的感知信號是實現綜采設備健康狀態評估的首要任務。開采工作環境惡劣，采煤機、刮板輸送機等綜采設備工作狀態復雜多變，導致健康評估困難。不同綜采設備存在結構繁雜、功能差異、工作環境差異，用于表征設備狀態的物理信息也具有差異。因此，專家學者試圖從多角度、多層次、多傳感信號對設備進行監測，確保更全面、準確感知設備健康狀態，綜采關鍵設備及主要監測信號見表1。

表1 綜采關鍵設備及主要監測信號Table 1 Key equipment of fully mechanized mining and main monitoring signals

針對綜采設備感知難題，越來越多的新型傳感器被研究[29-31]，聲發射、巨磁阻、“振+溫+油”一體傳感器，紅外熱像儀、油液、視覺相機等感知方式從不同角度提升了綜采設備安全性能。針對井下傳感器供電問題，自俘能傳感器、低功耗傳感器得到了研究[32-33]；針對傳感器使用安裝及信號傳輸問題，非接觸測量、體積小、支持無線傳輸的傳感器及采集終端逐步取得發展，同時，大數據、5G網絡等新通信技術為井下信號傳輸提供了解決方案[34-35]。但目前對傳感器優化配置及采集數據穩定性的研究不多，現有煤礦信號采集技術未對數據的不均衡性和不完整性進行深入研究，導致部分煤礦傳感器數據量過多或過少時無法及時、準確捕獲設備實時運行狀態等問題。

1.3 特征提取、選擇及融合

1） 數據級特征提取。數據級特征通常包括時域、頻域和時頻域特征等。時域特征主要包括均方根、均值、峭度、標準差、裕度指標、關聯維數、信息維數等。頻域特征主要包括頻譜、功率譜、希爾伯特邊際譜等。針對強噪聲非平穩信號，常用希爾伯特黃變換、小波分解、小波包分解、經驗模態分解、局部特征尺度分解、變分模態分解等時頻域分析方法分析信號。

在綜采設備信號特征提取研究中，郁杰等[36]采用經驗模態分解和獨立分量分析方法實現了輸送機振動信號特征提取。張睿等[37]對齒輪箱體振動信號進行了時域、頻域分析，研究了截齒深度、煤層硬度及采煤機牽引速度等參數對截割齒輪箱振動特性的影響。段蛟龍等[38]通過頻譜分析成功定位了采煤機搖臂齒輪局部故障。毛清華等[39]采用Morlet小波包絡解調完成了對采煤機搖臂齒輪的故障特征識別。冷軍發等[40]通過最優濾波器對帶式輸送機滾筒軸承的微弱信號進行濾波，并通過包絡解調分析信號。朱兆霞等[41]基于小波聯合倒譜分析完成了采煤機故障診斷。李力等[42]基于改進小波去噪與集成經驗模態分解完成了采煤機齒輪箱振動信號特征提取。郝尚清等[43]基于盲源分離的方法，成功診斷了采煤機截割搖臂軸承故障。劉旭南等[44]基于Coif4小波完成數據小波包分解，建立了采煤機截割煤巖時的故障特征集。葛世榮等[45]利用小波閾值及果蠅算法對截割聲波進行自適應去噪，并通過深度學習提取了聲波中能表征煤巖不同截割模式的最優特征；為解決截割環境干擾振動信號的問題，利用3次三角Hermite插值的局部均值分解算法，求解了截割振動信號時頻分布規律。郝志勇等[46]通過實時采集銷軸和壓力環的三向應變，利用小波分解、分形關聯維數等方法對滾筒截割載荷分布規律進行研究。Li Changpeng等[47]提出了一種基于改進的自適應噪聲全集成經驗模態分解的采煤機截割聲信號特征提取方法。Xu Jing等[48]基于改進集成經驗模態分解對切割聲音信號特征進行提取，完成截割模式的識別。Si Lei等[49]采用復合多尺度排列提取了采煤機搖臂振動信號中隱含的狀態特征。Si Lei等[50]提出了一種基于改進局部均值分解和多尺度模糊熵的特征提取方法，利用3次三角Hermite插值計算局部均值和包絡估計函數來改進局域均值分解結果。Si Lei等[51]針對采煤機切割狀態識別方法難題，提出了一種集成局部均值分解、時頻統計分析、改進拉普拉斯分數和模糊C均值聚類算法的識別方法，有效提升了特征表達能力及識別準確度。

2） 特征級特征提取。特征級特征提取是指對原始特征進行特征變換，從而得到能更好表征原始特征的特征映射子集。該類方法根據映射函數是否線性可分，又分為線性特征提取方法和非線性特征提取方法[17]。獨立成分分析法作為線性特征提取方法的代表方法，只能學習線性流行結構。部分非線性特征提取主要方法見表2。

表2 非線性特征提取主要方法Table 2 Main methods of nonlinear feature extraction

在特征級特征提取的研究中，曹現剛等[52]運用主成分分析（Principal Component Analysis，PCA）算法完成了采煤機評估特征的轉換，減少數據維度，去除數據冗余。田立勇[53]研究了基于獨立成分和小波分析的滾筒特征數據提取方法，并基于改進的深度置信網絡完成多傳感器信息融合，進而實現滾筒載荷智能識別。葛世榮等[45]利用Kullback-Leibler散度和改進的拉普拉斯分值，提取截割振動信號多尺度特征信息。于寧等[54]基于深度置信網絡，通過引入貝葉斯正則化和粒子群優化算法，實現了特征的有效利用。Si Lei等[49,55]利用拉普拉斯得分（Laplacian Score，LS）對提取的特征按照重要性在不同尺度上進行排序，生成了敏感特征組合，同時提出了改進的LS算法保證了特征的準確估計。樊鑫等[56]基于小波散射分解變換提取了煤礦微震事件和噪聲信號特征，并構成了特征矩陣。

3） 特征選擇及融合。特征選擇及融合是降低維數災難、降低學習任務難度、提升模型效率的有效手段，大多數特征級特征提取方法已經具備特征選擇及融合的功能，但特征選擇及融合涉及的范圍更廣，有必要單獨提出。目前特征選擇及融合方法包括相關系數、選擇指標（相關性、模糊性、單調性）、模糊聚類、距離度量、加權平均、PCA、極限梯度提升算法等。隨著深度學習的發展，卷積自編碼器、卷積神經網絡、深度置信網絡等深度學習網絡在特征提取、選擇及融合等應用中表現優異，有效避免了人工特征提取存在的弊端，且深度學習網絡可直接對特征進行分類及預測，實現評估過程的完全自適應。Ding Hua等[57]采用自編碼器網絡完成特征融合，并基于此實現采煤機健康預測。曹現剛等[58]提出了一種基于降噪自編碼器網絡的特征融合方法，完成了采煤機健康指標的構建。Si Lei等[59]采用多尺度模糊熵完成了采煤機搖臂振動信號的提取，通過嵌入維數、相似公差、指數函數梯度和數據長度等特征信息，采用Fisher得分方法，得到特征重要度排序，選取前5個最重要的特征信息作為特征向量，合理體現了信號時間序列的復雜性。Si Lei等[60]提出了一種基于并行準牛頓神經網絡和證據理論的智能多傳感器數據融合識別方法，基于搖臂振動信號和截割電動機的電流信號，為采煤機提供了一種截割狀態識別方案。彭強[61]通過嵌入學習模型學習煤礦機械軸承高維數據的流形結構，在回歸模型中引入具有組稀疏性的L2,1范數，有效剔除冗余特征，然后聯合嵌入學習和稀疏回歸構造特征選擇框架，選擇出能準確表征原始高維數據的本質特征。

綜采設備健康評估特征提取、選擇及融合的研究取得了很大的發展，但現有方法大多僅適用于平穩條件下特征的提取及處理，無法準確提取復雜工況下綜采設備早期微弱狀態的退化特征，因此，特征的適用性及有效性受到限制。針對綜采設備運行數據高維、海量、非線性、高度耦合性、多時空時間序列性等特點的智能特征提取方法研究不足，難以對綜采設備數據進行有效處理及利用。

1.4 健康狀態等級劃分

合理劃分綜采設備健康狀態等級，有利于更好地描述綜采設備從健康、退化到故障的緩慢劣化過程，得到設備健康狀態實時、直觀的定性描述，進而制定對應的維修策略。在綜采設備健康評估中，Wang Zhongbin等[62]利用人工免疫算法對采煤機的動態健康狀態進行分類，將采煤機劃分為普通模式、過渡模式、異常模式、退化模式4種健康狀態。曹現剛等[19]根據采煤機實際工作情況及專家經驗，將采煤機狀態分為健康、良好、一般、劣化、故障5種狀態。馬旭東等[23]根據液壓支架的健康指數建立了液壓支架分級，將液壓支架狀態分為健康、亞健康、不健康、病態、嚴重病態5個等級。鄭云龍[63]從刮板輸送機基本情況、歷史運行參數、歷史維護記錄3個方面出發，將刮板輸送機健康模式分為健康模式、亞健康模式、不健康模式和危險模式4類。目前，綜采設備健康狀態等級的劃分可主要分為3類方法：根據綜采設備全壽命周期的實際工作壽命及專家經驗劃分；根據設備全壽命周期運行數據和無監督聚類算法劃分；根據等級標度法及性能指標偏離標準程度劃分。前2種方法要求人們對于設備具有較深的認識，且劃分結果依賴于設備退化數據，但這類數據難以獲取；第3種方法適用于退化規律未知、全壽命周期監測數據難以獲取的設備，因此，研究該類狀態劃分方法對于退化規律復雜的綜采設備來說至關重要。

1.5 健康狀態評估模型建立

目前，綜采設備健康狀態評估方法主要分為模型驅動、知識驅動和數據驅動3種類型。模型驅動法通常根據失效機理來建立數學解析模型，以評估設備健康狀態，如馬氏距離法[64]、歐氏距離法[65]、卡爾曼濾波法[66]等。知識驅動法以專家知識為出發點，通過推理得到設備退化特征與設備健康狀態間映射關系，如證據理論[67]、模糊綜合評判[68]、置信規則庫等[69]。數據驅動法是基于設備運行數據，構建設備退化特征和其健康狀態間的非線性映射關系，如線性回歸、支持向量機、貝葉斯網絡、隱馬爾可夫、集成學習、神經網絡及深度學習等[70-72]。

近年來，專家學者對綜采設備健康狀態評估進行了大量研究。丁飛等[73]建立了基于應力-強度干涉理論的液壓支架結構疲勞動態可靠性分析模型，可有效評估液壓支架的工作可靠性。宋宇寧等[74]利用正交試驗法分析了液壓支架頂梁不同外載位置情況下的最大應力，并利用應力-強度干涉模型完成其可靠性評價。Lin Lingyan等[75]利用由等溫松弛電流得到的老化因子對乙丙橡膠電纜的絕緣狀態進行了評價，得到了煤礦用乙丙橡膠軟電纜絕緣的使用壽命。Xing Zhizhong等[76]運用離散元法，確定了研究因素對評價指標的影響規律，完成了采煤機性能分析。馬旭東等[23]通過三標度法改進的模糊層次分析法得到液壓支架監測參量的權重，引入變異系數和梯形模糊數提高評價準確度。賴明榮[77]利用液壓支架監測數據及歷史數據獲得支架劣化指數，采用最大隸屬度原則分析支架狀態，借助模糊理論評估支架剩余壽命。于健浩等[78]采用層次分析法及模糊綜合評價法開發了智能綜采適應性評價模型，完成了工作面開采效能、開采安全性的智能評價。閆向彤等[79]提出了一種基于PCA和云模型的采煤機健康狀態評估方法。曹現剛等[19,52]基于組合賦權法及模糊綜合評判完成了采煤機部件及整機的識別，同時提出了遺傳算法優化反向傳播（Back Propagation，BP）神經網絡的采煤機健康狀態識別方法，基于上述相關成果，完成綜采裝備故障監測與智能診斷系統開發，實現遠程控制及結果可視化，如圖4所示。Wang Zhongbin等[62]利用人工免疫算法對采煤機健康狀況進行了評估，給出了采煤機動態健康評估的系統框架、指標選擇、健康評估模型等關鍵技術。Si Lei等[80]提出了一種改進粒子群優化模糊神經網絡方法，用于預測采煤機健康狀態，利用改進粒子群算法對模糊神經網絡進行參數優化，并利用過早判斷和突變機制提高模型收斂速度及泛化能力。趙麗娟等[81]利用遺傳算法-反傳遞網絡對螺旋滾筒截割性能及裝煤效果進行了預測。劉曉波等[82]提出了一種基于隱半馬爾可夫模型的采煤機調高泵故障預測方法。Si Lei等[83]基于粗糙集算法和改進小波神經網絡來識別采煤機運行狀態，通過遺傳算法及基于互信息的知識相對約簡算法實現樣本約簡，并通過粒子群優化算法來優化小波神經網絡參數。鄭云龍[63]結合多種影響因素構建了刮板輸送機評估體系，基于鏈速、機頭和機尾電動機電流、電動機轉矩等監測參數，建立了基于BP神經網絡的刮板輸送機實時健康狀態評估模型。曹現剛等[58]通過降噪自編碼器和一種改進的卷積神經網絡解決了采煤機健康狀態評估強噪聲干擾、權重分配問題。為解決采煤機數據類別不平衡等問題，曹現剛[84]通過卷積神經網絡來提取各監測參量間的關系，然后通過極端梯度提升算法識別采煤機健康狀態，提高了評估的準確性[84。陳相丞[85]對采煤機健康評估系統架構及指標選擇等關鍵技術進行了研究。翟文睿等[20]對采煤機性能退化方法進行了研究。Ding Hua等[57]結合自動編碼器與深度雙向門控循環構建了預測模型，對采煤機搖臂進行了預測定量分析，有效提高了預測準確度。丁華等[86]通過融合數字孿生與深度技術，實現了采煤機健康狀態預測，完成了采煤機在線高逼真度行為仿真及實時狀態可視化。曹懷建等[87]基于深度學習與自組織映射神經網絡研究了采煤機截齒壽命預測方法。

模型驅動、知識驅動、數據驅動3類綜采設備健康狀態評估方法的對比見表3。在具體評估過程中，還應注意不同層級、系統帶來的不同評判效果，針對復雜的綜采系統可先評估子系統、系統，然后再進行整機評估，一定程度上避免不同層級、系統間的影響，使得評估結果更加可靠。

表3 綜采設備健康狀態評估方法對比Table 3 Comparison of health status assessment of fully mechanized equipment methods

2 綜采設備健康狀態評估面臨的挑戰

1） 綜采設備信號獲取技術及傳感器數據穩定性研究具有挑戰。煤炭開采中，受井下開采條件約束，傳感器安裝位置及數目難以準確確定，從而影響設備綜合效率，導致綜采設備感知信號對空間結構信息的表征能力不足，對空間結構狀態變化的靈敏度降低，因此，提出針對綜采環境、綜采設備的傳感器優化布置方案為首要任務。受傳感器工作性能、井下環境和綜采裝備結構等因素影響，設備數據不可避免地包含冗余、錯誤、缺失、異常等數據；受井下人員操作失誤等因素影響，造成傳感器數據可靠性、穩定性差，降低了健康狀態評估準確性。因此，研究有效的數據清洗技術，構建數據可靠性評價體系，評估數據的完整性、可靠性、準確性、可信性、時效性和可解釋性意義重大。

2） 數據預處理困難，特征提取難度大、評估指標體系難以建立。煤礦生產中，各種礦用傳感器遍布于綜采設備，在不同層面反映了設備在不同時刻、不同工況下的健康狀態信息，蘊含了設備運行狀態的內在演化規律與本質。綜采設備運行數據具有高維低特征性、海量性、非線性、高度耦合性、不真實數據混雜性、多時空時間序列性等特點，因此，對其進行有效地處理和利用及其困難。綜采設備工作環境復雜多變，對煤礦機械非線性系統的非平穩信號（如變速信號、沖擊信號等）進行分析，提取可表征健康狀態的評估特征難度大。同時，設備運行時各部件、零件之間聯系緊密，監測參數關聯關系復雜，如何根據采煤機自身結構及工作特點，對現有信號特征進行選擇、組合及利用，并在遵循獨立性、可測性、客觀性和代表性原則下，構建綜采設備健康評價體系是一大難題。

3） 綜采設備健康狀態評估模型的研究尚處于初級階段，建立準確度高、泛化能力強的健康狀態評估模型具有挑戰。基于模型的評估方法因綜采設備失效類型復雜、模型難以建立而研究較少；基于知識的評估方法易受采煤機自身結構及工況條件影響，評估過程人為干預較多。目前的綜采設備健康狀態評估模型大多使用有監督的機器學習算法，但模型過度依賴龐大訓練樣本，樣本標簽制作費時費力；自學習能力弱，同時特征提取過程與健康狀態評估過程相互孤立；結構復雜，大量超參數調節困難，訓練難度大；模型泛化能力低、可解釋性差。綜采設備服役環境復雜，不同工況條件導致不同設備甚至同型號設備退化過程與失效閾值具有差異。但現有模型的訓練樣本多是單一服役環境和平穩工況下的運行數據，當對不同工況環境下的綜采設備進行健康狀態評估時，評估模型難以發揮作用。

4） 針對綜采設備群的多模型混合健康狀態評估模型難以建立。當前綜采設備健康狀態評估的研究大多面向單一設備或系統組件的單一失效模式，因設備工作環境等因素影響，針對分系統、零部件眾多且結構層次繁雜的復雜分布式機電系統的研究工作難以展開，因此如何基于多源大數據信息，獲取設備健康狀態演化機理數據表征，揭示綜采設備群內部各設備、部件間的相互耦合關系及相互作用機理，研究多模型混合策略，實現綜采設備群在線狀態評估及預測，是煤礦智能化進程的重要技術難題。

5） 將健康狀態評估、預測結果引入綜采設備智能維護策略，完成開采系統的預測性維護亟待解決。健康狀態評估作為PHM首要環節，如何將健康評估、預測結果與智能維護策略相結合，實現綜采裝備預測性維護，降低裝備維護費用，提高裝備使用可靠性是煤礦智能開采面臨的最終問題。

3 綜采設備健康狀態評估展望

1） 針對綜采設備特殊性，其故障機理的研究仍十分必要，需考慮綜采設備關鍵部件結構的非線性、載荷的時變性、故障的多元化及耦合性等，搭建適用于精確故障診斷的綜采設備零部件和整機動力學模型，最終為傳感器的有效布置和信號的高效分析提供更可靠的理論依據，提升綜采環境、綜采設備傳感器優化布置方案。增強傳感器可靠性及穩定性，完善數據質量和風險管理系統，構建數據可靠性評價體系，奠定數據基礎。

2） 完善基礎數據存儲和高性能計算平臺，建立面向綜采設備大數據的統一數據描述模型和接口標準，基于Hadoop、Apache Flink等框架，研究數據在線高效清洗、重構、快速查詢及檢索方法，提高數據的實用性及有效性；研究適用于非線性綜采設備系統的非平穩信號分析新方法，如分數階快速傅里葉變換和分數階小波分析、正交小波分析、經驗模態分解、自適應噪聲完備集合經驗模態分解、互補集合經驗模態分解、變分模態分解、偽Wigner-Ville分布、平滑偽Wigner-Ville分布、角域階次跟蹤分析、多尺度熵等，提高特征提取精度；研究特征選擇、降維及融合新方法，如t-分布隨機鄰域嵌入、核主成分分析、等度量映射、統一流形近似投影、局部線性嵌入、卷積神經網絡、卷積自編碼器、預測及加性集成學習等，完成特征有效提取及融合，為健康狀態評估提供具有表征意義的數據特征，構建評估指標集，提高健康狀態評估準確度。

3） 合理加大深度學習在健康狀態評估方面的研究力度。深度學習是一種基于數據的表征學習方法，可以處理復雜的機器感知問題，實現模型自適應學習。針對綜采設備監測數據特點，構建基于深度學習的評估模型，研究振動、速度、電流等信號圖像轉換方法（時頻圖、極坐標圖、灰度圖、格拉姆角場、遞歸圖、馬爾可夫變遷場），進而采用主流二維深度學習模型進行智能健康狀態識別；在卷積神經網絡中融入支持向量機、極限梯度提升等算法加強模型的可解釋性及分類能力；基于數據樣本不充分或不平衡問題，加強遷移學習、生成式對抗網絡、Wasserstein生成式對抗網絡、深度卷積生成式對抗網絡、合成少數類過采樣技術等算法的應用；應對評估過程中非線性、高噪聲、時效性差等問題，利用深度卷積神經網絡、深度信念網絡、降噪自編碼器、殘差收縮網絡、基于核函數的深度學習模型、深度時空推理網絡等完成健康狀態實時評估；在故障預測方面，以循環神經網絡、門控循環單元、長短期記憶網絡、Transformer模型為代表，可解決預測算法的長依賴問題，針對傳統方法無法捕獲長期和短期序列混合傳遞的信息問題，研究有效的深度學習框架，如DeepGI框架、LSTNet框架、Informer框架等，掌握數據的跨時非線性依賴。

4） 研究具有非線性、泛化能力強的動態綜采設備健康狀態評估模型。現有模型研究多為靜態模型，不能有效表征綜采設備動態非線性的性能退化過程。提取零部件間的復雜關聯關系，研究時變工況等動態因素對健康狀態評估模型的影響，研究綜采設備群內部各設備、部件間的相互耦合關系，采用動態貝葉斯網絡和Petri網等反映系統中不同零部件、不同設備間的耦合關系及其動態退化過程，利用丟棄法、正則化等方法增強模型的泛化能力。研究設備壽命預測方法，揭示設備群的剩余壽命退化規律，針對煤炭開采過程特點，構建具有多健康狀態的設備群的預知維護決策模型，綜合考慮維護決策對煤炭生產和安全的影響，研究生產調度計劃與維護聯合決策優化方法，研究不同維修方式對維護決策結果的影響，為開采系統的智能化控制提供依據，為綜采設備的智能維護提供新的思路。

5） 建立基于大數據、物聯網、云存儲、移動端應用等技術的綜采設備健康狀態評估系統，實現本地與遠程、B/S與C/S模式切換，基于數字孿生和VR/AR/MR完成可視化監控。通過交互式可視化應用展示綜采設備健康狀態評估模型結構、模型參數及評估結果。利用性能退化圖、故障映射圖、性能雷達圖等可視化工具完成人機交互。開發綜采設備健康狀態評估算法庫，建立面向對象的綜采裝備健康狀態評估標準架構、開發綜采裝備智能運維、健康狀態評估軟件。

4 結語

總結了國內外綜采設備健康狀態評估最新研究成果，從綜采設備信號獲取、特征提取及融合、健康狀態等級劃分、健康狀態評估模型建立4個方面出發，討論了綜采設備健康狀態評估研究現狀，分析了綜采設備健康狀態評估存在的主要挑戰，探討了未來綜采設備健康狀態評估主要的發展趨勢。綜采設備健康狀態評估與預測性維護技術在煤炭領域備受關注，但仍然存在巨大挑戰。后續應加大綜采設備故障機理研究，優化數據獲取方式，構建數據評估體系；推進煤礦大數據平臺建設，深入研究數據處理、特征提取算法；重視深度學習在綜采設備評估上的應用；進一步開發具有優良泛化能力和非線性動態健康狀態評估模型，進一步研究具有多健康狀態的設備群的預知維護決策模型與方法；同時注重理論成果轉化，實現現場應用，確保綜采設備健康狀態評估理論研究、算法開發和工程應用三線齊頭并進。