(1.中國(guó)礦業(yè)大學(xué) 礦山互聯(lián)網(wǎng)應(yīng)用技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，江蘇 徐州 221008; 2.中國(guó)礦業(yè)大學(xué) 物聯(lián)網(wǎng)(感知礦山)研究中心，江蘇 徐州 221008; 3.淄博礦業(yè)集團(tuán)有限責(zé)任公司 裝備環(huán)保部，山東 淄博 255000; 4.中國(guó)礦業(yè)大學(xué) 信息與控制工程學(xué)院，江蘇 徐州 221008; 5.University of Bremen,Institute of Electrodynamics and Microelectronics,Bremen 28359)

摘 要:礦山生產(chǎn)機(jī)電設(shè)備是機(jī)械、電氣、液壓、控制等多形式系統(tǒng)的復(fù)雜耦合結(jié)構(gòu)，工作過程中環(huán)境和工況條件變化多樣，缺乏有效的技術(shù)手段解決礦山設(shè)備運(yùn)行健康狀態(tài)的實(shí)時(shí)感知問題。借助物聯(lián)網(wǎng)、工業(yè)互聯(lián)網(wǎng)、人工智能和大數(shù)據(jù)挖掘技術(shù)，研究礦山設(shè)備狀態(tài)知識(shí)建模與在線診斷方法，將傳統(tǒng)的“人-機(jī)”交互監(jiān)控模式提升為“傳感—機(jī)器認(rèn)知—機(jī)器決策”的智能化監(jiān)控模式。分析了基于物聯(lián)網(wǎng)的礦山設(shè)備狀態(tài)感知系統(tǒng)架構(gòu)，定義了多源信息感知層、邊緣智能層、大數(shù)據(jù)分析層和數(shù)據(jù)與知識(shí)共享遷移層的4個(gè)層次的作用，提出了設(shè)備狀態(tài)知識(shí)共享與遷移模式;結(jié)合本體語義、置信規(guī)則庫和數(shù)字孿生技術(shù)，設(shè)計(jì)了面向礦山機(jī)械設(shè)備系統(tǒng)狀態(tài)知識(shí)建模的信息描述、知識(shí)表示、決策融合方法，提出了面向礦山設(shè)備運(yùn)行全過程的實(shí)時(shí)感知、演化分析與智能交互的“虛實(shí)融合”感知模型，實(shí)現(xiàn)虛、實(shí)系統(tǒng)運(yùn)行過程的“精準(zhǔn)映射、信息對(duì)偶、融合交互、協(xié)同演進(jìn)”。分析了數(shù)據(jù)驅(qū)動(dòng)的礦山機(jī)械設(shè)備狀態(tài)診斷方法研究現(xiàn)狀、技術(shù)架構(gòu)、存在問題和研究趨勢(shì)，提出結(jié)合數(shù)字孿生、深度學(xué)習(xí)、遷移學(xué)習(xí)等方法，構(gòu)建機(jī)理模型、經(jīng)驗(yàn)知識(shí)與數(shù)據(jù)深層特征相融合的礦山設(shè)備狀態(tài)診斷模式，研究礦山設(shè)備狀態(tài)大數(shù)據(jù)分析與應(yīng)用技術(shù)，研發(fā)礦山設(shè)備狀態(tài)診斷與全生命周期管理等智能化應(yīng)用服務(wù)系統(tǒng)。形成了礦山設(shè)備運(yùn)行信息感知、知識(shí)建模與狀態(tài)在線判識(shí)方法體系，以實(shí)現(xiàn)礦山機(jī)械設(shè)備故障狀態(tài)自診斷、早期隱患預(yù)知維護(hù)、智能調(diào)度與協(xié)同管控，為礦山生產(chǎn)智能化、無人化提供技術(shù)支撐。

在物聯(lián)網(wǎng)、大數(shù)據(jù)、工業(yè)互聯(lián)網(wǎng)、人工智能、云計(jì)算等新興信息化技術(shù)的推動(dòng)下，礦山安全生產(chǎn)管理也不斷向智能化、智慧化的方向發(fā)展[1-2]。國(guó)內(nèi)各大礦業(yè)集團(tuán)和研究機(jī)構(gòu)圍繞“智慧礦山”開展了大量理論研究、關(guān)鍵技術(shù)研發(fā)和示范工程建設(shè)工作，希望能夠依靠智能化、信息化、自動(dòng)化技術(shù)的有機(jī)融合實(shí)現(xiàn)礦山各生產(chǎn)環(huán)節(jié)的少人化、無人化，以提升煤礦安全生產(chǎn)水平和效率[3-4]。機(jī)械設(shè)備是礦山生產(chǎn)運(yùn)行的基礎(chǔ)，其結(jié)構(gòu)復(fù)雜，占據(jù)空間狹長(zhǎng)且布設(shè)分散，工況環(huán)境多變，相互之間過程關(guān)聯(lián)性強(qiáng)，單一設(shè)備的異常會(huì)打斷整個(gè)生產(chǎn)鏈條，狀態(tài)實(shí)時(shí)感知、泛在數(shù)據(jù)分析、智能協(xié)同控制、網(wǎng)絡(luò)化機(jī)器人化是礦山機(jī)械設(shè)備智慧化的發(fā)展趨勢(shì)。

設(shè)備運(yùn)行狀態(tài)實(shí)時(shí)精準(zhǔn)感知是智能化遠(yuǎn)程/自動(dòng)控制的前提，是實(shí)現(xiàn)礦山生產(chǎn)智能化、無人化的基礎(chǔ)?，F(xiàn)有的礦山機(jī)械設(shè)備監(jiān)測(cè)監(jiān)控系統(tǒng)停留在傳感數(shù)據(jù)可視化顯示和簡(jiǎn)單閾值分析(信號(hào)值超標(biāo)、超限)層面，設(shè)備的維護(hù)主要采用點(diǎn)檢巡檢方式，設(shè)備的維修保養(yǎng)采用定期和事后處置的方式。以現(xiàn)有礦用提升機(jī)監(jiān)控系統(tǒng)為例，系統(tǒng)可以通過采集PLC控制系統(tǒng)的數(shù)據(jù)監(jiān)控提升機(jī)的運(yùn)行過程信息，包括提升速度、行程、斗深度、提升勾數(shù)、油壓等，但無法識(shí)別主軸、電機(jī)、液壓站、鋼絲繩、天輪等關(guān)鍵部件的早期故障隱患。

近年來，相關(guān)研究機(jī)構(gòu)開展了大量針對(duì)設(shè)備故障診斷理論和技術(shù)研究工作，大多數(shù)研究是針對(duì)軸承、電機(jī)、齒輪箱試驗(yàn)臺(tái)或單一子系統(tǒng)的，而對(duì)復(fù)雜設(shè)備系統(tǒng)的研究偏少。礦山機(jī)械設(shè)備系統(tǒng)存在故障樣本缺失、數(shù)據(jù)采集不完整、噪聲干擾大、工況條件多樣化等問題，給狀態(tài)診斷帶來了更大的困難。隨著“智慧礦山”建設(shè)的推進(jìn)，礦山機(jī)械設(shè)備運(yùn)行數(shù)據(jù)監(jiān)測(cè)能力也得到了較大的提升，傳感器測(cè)點(diǎn)、采樣頻次的增加，數(shù)據(jù)管理模式的升級(jí)，促進(jìn)了礦山運(yùn)行過程數(shù)據(jù)的積累，而圍繞數(shù)據(jù)的深度應(yīng)用研究工作還在探索當(dāng)中，工業(yè)互聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)的發(fā)展給礦山機(jī)械設(shè)備狀態(tài)診斷帶來了新的機(jī)遇和挑戰(zhàn)。① 針對(duì)數(shù)據(jù)的多源異構(gòu)、噪聲污染、缺少有效標(biāo)記導(dǎo)致數(shù)據(jù)價(jià)值密度低的問題，一方面需要研究設(shè)備狀態(tài)知識(shí)建模方法，提升現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)的知識(shí)表達(dá)能力，另一方面研究深度學(xué)習(xí)等技術(shù)，從海量數(shù)據(jù)中挖掘出狀態(tài)特征信息;② 針對(duì)積累了大量正常運(yùn)轉(zhuǎn)重復(fù)數(shù)據(jù)而設(shè)備故障樣本缺失的問題，一方面利用工業(yè)互聯(lián)網(wǎng)模式，促進(jìn)不同集團(tuán)、不同煤礦樣本數(shù)據(jù)和狀態(tài)知識(shí)的共享，另一方面在現(xiàn)有各種軸承、電機(jī)、齒輪箱等子系統(tǒng)及各類試驗(yàn)臺(tái)的故障樣本數(shù)據(jù)，研究遷移學(xué)習(xí)等技術(shù)手段實(shí)現(xiàn)單一子系統(tǒng)到復(fù)雜系統(tǒng)的知識(shí)泛化學(xué)習(xí);③ 針對(duì)礦山設(shè)備系統(tǒng)的復(fù)雜耦合與運(yùn)轉(zhuǎn)工況多樣化的問題，研究數(shù)字孿生等技術(shù)手段，加強(qiáng)設(shè)備系統(tǒng)運(yùn)行狀態(tài)特性與故障機(jī)理的研究，結(jié)合數(shù)據(jù)驅(qū)動(dòng)方法，建立機(jī)理和數(shù)據(jù)混合驅(qū)動(dòng)設(shè)備狀態(tài)診斷模型。

筆者介紹了基于物聯(lián)網(wǎng)的礦山設(shè)備運(yùn)行狀態(tài)智能診斷技術(shù)方向與發(fā)展趨勢(shì)，對(duì)礦山設(shè)備系統(tǒng)狀態(tài)感知體系，運(yùn)行狀態(tài)知識(shí)建模方法，數(shù)據(jù)驅(qū)動(dòng)的狀態(tài)智能診斷技術(shù)和大數(shù)據(jù)分析應(yīng)用系統(tǒng)等幾個(gè)方面的關(guān)鍵技術(shù)開展研究工作，為礦山設(shè)備系統(tǒng)的智能化、無人化管控提供理論和技術(shù)支撐。

1 基于物聯(lián)網(wǎng)的礦山設(shè)備狀態(tài)感知系統(tǒng)框架

礦山設(shè)備狀態(tài)感知與分析技術(shù)的滯后制約了設(shè)備智能化管理、預(yù)知性維護(hù)和自動(dòng)化機(jī)器人化控制技術(shù)的發(fā)展，礦山設(shè)備系統(tǒng)狀態(tài)精準(zhǔn)感知與預(yù)測(cè)分析需要解決3方面的問題，如圖1所示。

圖1 礦山設(shè)備狀態(tài)感知研究問題與建設(shè)目標(biāo)
Fig.1 Research problems and objectives of mine equipment state perception

(1)設(shè)備運(yùn)行狀態(tài)信息精準(zhǔn)感知與知識(shí)表達(dá)問題。提高現(xiàn)有傳感器系統(tǒng)的感知數(shù)據(jù)的準(zhǔn)確性、穩(wěn)定性，拓寬感知邊界，以獲得長(zhǎng)期準(zhǔn)確全面的傳感數(shù)據(jù);在此基礎(chǔ)上，研究傳感知識(shí)的表達(dá)、抽取和推理技術(shù)，為設(shè)備自動(dòng)化機(jī)器人化控制和設(shè)備之間的智能協(xié)同控制提供依據(jù)[5]。

(2)工作狀態(tài)的合理性評(píng)估與異常狀態(tài)實(shí)時(shí)診斷問題(顯性異常工況感知)。分析不同運(yùn)行環(huán)境、工作階段、負(fù)載條件下，設(shè)備各傳感器數(shù)據(jù)的合理范圍工作區(qū)間。通過多傳感器數(shù)據(jù)的融合在線分析，實(shí)時(shí)感知設(shè)備系統(tǒng)的顯性異常工作狀態(tài)[6]。

(3)設(shè)備主要部件早期故障診斷與退化分析問題(隱性早期損傷感知)。分析設(shè)備系統(tǒng)電機(jī)、軸承、齒輪箱等關(guān)鍵部件的損傷和退化機(jī)理，研究傳感信號(hào)分析、人工智能、數(shù)據(jù)挖掘和數(shù)字孿生建模方法，實(shí)時(shí)分析設(shè)備系統(tǒng)關(guān)鍵部件內(nèi)部損傷狀態(tài)，實(shí)現(xiàn)設(shè)備系統(tǒng)的預(yù)知性維護(hù)。

物聯(lián)網(wǎng)模式下的礦山設(shè)備狀態(tài)感知與在線診斷系統(tǒng)框架如圖2所示，可以劃分為礦山設(shè)備系統(tǒng)多源信息感知、物聯(lián)網(wǎng)邊緣計(jì)算與在線診斷、礦山級(jí)大數(shù)據(jù)智能分析和集團(tuán)級(jí)(區(qū)域級(jí))大數(shù)據(jù)融合分析與知識(shí)共享幾個(gè)層次。

1.1 設(shè)備系統(tǒng)多源信息感知層

感知信息接入層包括兩個(gè)部分內(nèi)容：一部分是前端的多源異構(gòu)傳感器及傳感網(wǎng)，隨著MEMs、光學(xué)傳感、電磁傳感、分布式光纖、智能傳感器網(wǎng)等技術(shù)的發(fā)展，傳感層在超低功耗、寬量程、高可靠、長(zhǎng)壽命、能量自動(dòng)捕獲等方面不斷取得突破，煤礦井下設(shè)備狀態(tài)信息的可感知邊界得到了進(jìn)一步的拓寬；另一部分是傳感信息統(tǒng)一接入層，這一部分主要包含硬件和軟件兩個(gè)層面的內(nèi)容，硬件層面是對(duì)各種硬件接口與協(xié)議的統(tǒng)一接入，包括對(duì)以太網(wǎng),RS485，CAN，WiFi，Zigbee，Lora等有線/無線通信網(wǎng)絡(luò)的支持，軟件層面是感知信息的統(tǒng)一編碼與信息交互管理，一方面實(shí)現(xiàn)多源傳感數(shù)據(jù)的格式規(guī)范化和編碼標(biāo)準(zhǔn)化管理，另一方面完成分散系統(tǒng)(監(jiān)測(cè)監(jiān)控、點(diǎn)檢巡檢、維護(hù)保養(yǎng)、經(jīng)驗(yàn)知識(shí))數(shù)據(jù)的集成。

圖2 基于物聯(lián)網(wǎng)的礦山設(shè)備狀態(tài)感知體系
Fig.2 State awareness system of mining equipment based on IOT

1.2 物聯(lián)網(wǎng)邊緣計(jì)算與在線診斷分析層

隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展，邊緣終端的智能化程度也在不斷提高，礦山設(shè)備系統(tǒng)側(cè)具備一定計(jì)算能力的邊緣終端都可以作為邊緣計(jì)算網(wǎng)關(guān)，如井上提升機(jī)房的小型工作站、井下工作面的智能接入分站等，相比于平臺(tái)服務(wù)器，邊緣計(jì)算網(wǎng)關(guān)具備更高的實(shí)時(shí)服務(wù)能力，可以對(duì)礦山機(jī)械設(shè)備運(yùn)行過程的傳感數(shù)據(jù)進(jìn)行實(shí)時(shí)處理并能夠及時(shí)做出反饋控制。邊緣計(jì)算網(wǎng)關(guān)主要完成感知信息預(yù)處理、在線診斷分析和實(shí)時(shí)反饋控制3個(gè)方面的工作：① 實(shí)現(xiàn)對(duì)多源感知信息的集成、清洗、去噪、轉(zhuǎn)換等預(yù)處理操作，檢查數(shù)據(jù)的一致性、有效性和完整性，利用一定的規(guī)則剔除錯(cuò)誤和無效數(shù)據(jù)，為設(shè)備狀態(tài)數(shù)據(jù)分析和挖掘提供數(shù)據(jù)基礎(chǔ)；② 在集成設(shè)備狀態(tài)識(shí)別知識(shí)庫基礎(chǔ)上，利用輕量級(jí)的信號(hào)處理、特征分析、機(jī)器學(xué)習(xí)、關(guān)聯(lián)分析算法與模型，完成對(duì)設(shè)備運(yùn)行數(shù)據(jù)的實(shí)時(shí)分析和狀態(tài)的在線識(shí)別；③ 邊緣計(jì)算網(wǎng)關(guān)中通過內(nèi)置語義表達(dá)知識(shí)庫，對(duì)原有工作人員的判斷邏輯和經(jīng)驗(yàn)知識(shí)進(jìn)行機(jī)器化表達(dá)，可以根據(jù)狀態(tài)判識(shí)結(jié)果，生成自動(dòng)化響應(yīng)邏輯，最終轉(zhuǎn)換為控制命令，控制PLC或控制器在第一時(shí)間完成響應(yīng)動(dòng)作。促進(jìn)傳統(tǒng)的“人-機(jī)”交互監(jiān)控模式向“傳感-機(jī)器認(rèn)知-機(jī)器控制”的智能化控制模式的轉(zhuǎn)變。

1.3 礦山級(jí)數(shù)據(jù)智能分析與挖掘?qū)?/h3>

礦山級(jí)數(shù)據(jù)中心擔(dān)負(fù)礦山級(jí)數(shù)據(jù)智能分析和深度挖掘的任務(wù)，是設(shè)備狀態(tài)診斷分析的核心層，礦山設(shè)備運(yùn)行過程數(shù)據(jù)分散于各設(shè)備監(jiān)測(cè)監(jiān)控子系統(tǒng)，礦山企業(yè)前期已經(jīng)開展了礦山大數(shù)據(jù)的統(tǒng)一存儲(chǔ)工作，但也僅完成了大數(shù)據(jù)的匯聚工作，數(shù)據(jù)的高效管理、大數(shù)據(jù)分析和深度挖掘應(yīng)用是下一步工作的重點(diǎn)。

礦山大數(shù)據(jù)分析層采用與多源傳感數(shù)據(jù)的類型和應(yīng)用場(chǎng)景相適應(yīng)的分布式存儲(chǔ)技術(shù)架構(gòu)，滿足礦山設(shè)備監(jiān)測(cè)數(shù)據(jù)結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)等類型相結(jié)合的數(shù)據(jù)特點(diǎn)和GB級(jí)增量快速增長(zhǎng)的數(shù)據(jù)規(guī)模，從而為數(shù)據(jù)驅(qū)動(dòng)的礦山設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)和故障診斷提供數(shù)據(jù)支撐。針對(duì)異構(gòu)分散的多源化的監(jiān)控系統(tǒng)，建立高效數(shù)據(jù)存取、標(biāo)記與管理機(jī)制，解決礦山綜合監(jiān)測(cè)與控制的實(shí)時(shí)異構(gòu)數(shù)據(jù)快速可靠交換、多源/多層次數(shù)據(jù)的分布式協(xié)同處理等難題，為大數(shù)據(jù)知識(shí)發(fā)現(xiàn)服務(wù)奠定基礎(chǔ)。在數(shù)據(jù)在線分析方面，利用礦山設(shè)備傳感信息和運(yùn)行狀態(tài)參數(shù)，融合生產(chǎn)過程信息以及實(shí)際設(shè)備狀態(tài)分析的經(jīng)驗(yàn)知識(shí)，構(gòu)建礦山設(shè)備系統(tǒng)狀態(tài)感知模型和健康狀態(tài)知識(shí)庫。集成信號(hào)分析、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能方法，結(jié)合流式計(jì)算引擎、離線計(jì)算引擎和分布式數(shù)據(jù)庫引擎混合的計(jì)算框架，實(shí)現(xiàn)各類設(shè)備系統(tǒng)運(yùn)行大數(shù)據(jù)的分析與狀態(tài)識(shí)別。

在海量數(shù)據(jù)深度挖掘應(yīng)用方面，構(gòu)建運(yùn)行機(jī)理與數(shù)據(jù)挖掘相結(jié)合的礦山設(shè)備系統(tǒng)狀態(tài)演化規(guī)律分析架構(gòu)。利用設(shè)備長(zhǎng)期運(yùn)行過程中積累的海量多源傳感數(shù)據(jù)和人工智能算法模型實(shí)現(xiàn)設(shè)備運(yùn)行狀態(tài)變化與數(shù)據(jù)之間的關(guān)聯(lián)分析。建立礦山設(shè)備系統(tǒng)大數(shù)據(jù)的深度解析和挖掘應(yīng)用模型，挖掘長(zhǎng)時(shí)間積累的礦山設(shè)備系統(tǒng)狀態(tài)演化規(guī)律和隱性知識(shí)，實(shí)現(xiàn)礦山設(shè)備系統(tǒng)運(yùn)行狀態(tài)演化跟蹤和預(yù)測(cè)預(yù)警。

1.4 基于物聯(lián)網(wǎng)的知識(shí)共享層

各礦山數(shù)據(jù)中心大量設(shè)備運(yùn)行過程數(shù)據(jù)向集團(tuán)/區(qū)域大數(shù)據(jù)平臺(tái)匯聚的過程中，重復(fù)性低價(jià)值數(shù)據(jù)的傳輸和存儲(chǔ)會(huì)造成大量的資源浪費(fèi)，大數(shù)據(jù)平臺(tái)更應(yīng)該重視知識(shí)的匯聚?；诒倔w建模、語義網(wǎng)絡(luò)、知識(shí)抽取等技術(shù)，建立礦山設(shè)備系統(tǒng)狀態(tài)知識(shí)表達(dá)模型、描述體系和交互協(xié)議，實(shí)現(xiàn)各礦山數(shù)據(jù)中心設(shè)備運(yùn)行過程的海量數(shù)據(jù)的結(jié)構(gòu)化表達(dá)和知識(shí)聚合，大數(shù)據(jù)平臺(tái)通過高信息密度的數(shù)據(jù)挖掘分析，促進(jìn)礦山與礦山之間的設(shè)備狀態(tài)知識(shí)的共享。

在數(shù)據(jù)共享的基礎(chǔ)上，實(shí)現(xiàn)礦山設(shè)備運(yùn)行狀態(tài)知識(shí)遷移模式，結(jié)合狀態(tài)知識(shí)規(guī)則，一個(gè)方面是從各類試驗(yàn)臺(tái)零部件樣本數(shù)據(jù)到真實(shí)場(chǎng)景下礦山設(shè)備系統(tǒng)零部件運(yùn)行狀態(tài)知識(shí)的遷移;另一方面，不同零部件型號(hào)、不同使用年限、不同工況條件的礦山設(shè)備之間的運(yùn)行狀態(tài)知識(shí)的遷移。分析兩種模式下的狀態(tài)遷移學(xué)習(xí)診斷目標(biāo)，構(gòu)建相應(yīng)的源域和目標(biāo)域的數(shù)據(jù)結(jié)構(gòu)、狀態(tài)結(jié)構(gòu)和深度遷移學(xué)習(xí)狀態(tài)診斷模型。利用深度學(xué)習(xí)特征提取機(jī)制，實(shí)現(xiàn)深度遷移狀態(tài)特征的邊緣概率分布適配以及條件概率分布適配，縮小提取的源域與目標(biāo)域傳感數(shù)據(jù)中遷移狀態(tài)特征間的分布差異，提升狀態(tài)診斷模型的場(chǎng)景自適應(yīng)能力[7]。

2 礦山設(shè)備狀態(tài)知識(shí)建模方法

近年來，隨著數(shù)字化、智能化礦山建設(shè)的推進(jìn)，各大煤炭企業(yè)基本完成了礦山信息化系統(tǒng)的統(tǒng)一接入，單一煤礦的年積累數(shù)據(jù)量已經(jīng)達(dá)到100 TB級(jí)。而對(duì)于多場(chǎng)景、多維度、多層次、多模態(tài)的運(yùn)行過程數(shù)據(jù)，缺少有效的信息組織、表示和描述方法，相關(guān)數(shù)據(jù)挖掘技術(shù)在礦山安全生產(chǎn)管理中的具體應(yīng)用研究較少，數(shù)據(jù)的知識(shí)價(jià)值沒有得到有效的利用，“富數(shù)據(jù)、貧知識(shí)”是目前礦山數(shù)字化建設(shè)過程中的突出問題，如何從海量、多源、異構(gòu)的運(yùn)行數(shù)據(jù)中挖掘出指導(dǎo)礦山安全生產(chǎn)的知識(shí)是下一步智慧礦山建設(shè)的重點(diǎn)研究?jī)?nèi)容。

礦山設(shè)備系統(tǒng)涉及采掘、提升、運(yùn)輸、通風(fēng)、排水等生產(chǎn)過程，設(shè)備系統(tǒng)自身的組成和結(jié)構(gòu)復(fù)雜，工作鏈條冗長(zhǎng)，工作過程中環(huán)境和工況條件變化多樣，設(shè)備信息的描述和狀態(tài)知識(shí)的建模面臨諸多挑戰(zhàn)，主要表現(xiàn)在設(shè)備信息的多源化、設(shè)備狀態(tài)知識(shí)來源的多源化、狀態(tài)知識(shí)的結(jié)構(gòu)復(fù)雜多樣、以及如何與在線診斷方法的集成幾個(gè)方面。

有效的信息描述和知識(shí)建模方法是從礦山設(shè)備運(yùn)行過程海量數(shù)據(jù)中分析和挖掘設(shè)備狀態(tài)知識(shí)的基礎(chǔ)，可以推進(jìn)物聯(lián)網(wǎng)模式下集團(tuán)/區(qū)域內(nèi)各礦山之間設(shè)備數(shù)據(jù)知識(shí)的共享和遷移，有助于發(fā)揮礦山大數(shù)據(jù)的優(yōu)勢(shì)和價(jià)值。知識(shí)表示方法通過數(shù)據(jù)和知識(shí)的形式化表達(dá)、結(jié)構(gòu)化管理以及邏輯關(guān)聯(lián)，增強(qiáng)知識(shí)的表達(dá)和推理能力，為礦山設(shè)備數(shù)據(jù)的信息描述和知識(shí)建模提供了有力的技術(shù)支持。

2.1 基于本體語義的礦山設(shè)備信息描述與知識(shí)建模

基于人工智能的知識(shí)表示方法經(jīng)過不斷的發(fā)展和累積，已經(jīng)形成包括框架、謂詞邏輯、產(chǎn)生式規(guī)則、Petri網(wǎng)絡(luò)、面向?qū)ο?、本體、語義網(wǎng)絡(luò)和知識(shí)圖譜等多種技術(shù)體系[8-9],能夠?yàn)榈V山設(shè)備領(lǐng)域知識(shí)的表示、推理、遷移和共享提供有力支撐。

根據(jù)礦山設(shè)備數(shù)據(jù)特點(diǎn)，結(jié)合本體語義的信息描述和知識(shí)表示能力，參考?xì)W盟提出的oneM2M Base Ontology規(guī)范，建立礦山設(shè)備數(shù)據(jù)本體語義模型、統(tǒng)一描述方法與知識(shí)表示結(jié)構(gòu)。對(duì)礦山設(shè)備狀態(tài)知識(shí)中的要素進(jìn)行梳理，建立設(shè)備部件、狀態(tài)信息、狀態(tài)表象、關(guān)聯(lián)參數(shù)、傳感數(shù)據(jù)、維護(hù)信息等信息的基礎(chǔ)本體，完成故障要素的類、對(duì)象屬性和關(guān)系等知識(shí)結(jié)構(gòu)的設(shè)計(jì)，形成面向多種來源和不同形式的狀態(tài)知識(shí)的抽取、表示和結(jié)構(gòu)化存儲(chǔ)方法。研究基于語義網(wǎng)絡(luò)的礦山設(shè)備狀態(tài)關(guān)系表示方法，實(shí)現(xiàn)組成關(guān)系、層級(jí)關(guān)系、協(xié)作關(guān)系、推理關(guān)系、關(guān)聯(lián)關(guān)系、因果關(guān)系等關(guān)系表達(dá)，建立靈活的關(guān)系知識(shí)結(jié)構(gòu)，能夠適應(yīng)不同設(shè)備類型、應(yīng)用場(chǎng)景、管理模式和知識(shí)來源下的關(guān)系知識(shí)維護(hù)與動(dòng)態(tài)擴(kuò)展需求。借助OWL(Web Ontology Language)、圖數(shù)據(jù)庫等知識(shí)建模方法和工具，完成礦山設(shè)備狀態(tài)知識(shí)庫的建立，實(shí)現(xiàn)礦山設(shè)備信息的統(tǒng)一描述和知識(shí)的表達(dá)、共享和重用。

2.2 基于置信規(guī)則庫的礦山設(shè)備知識(shí)決策方法

置信規(guī)則庫(Belief Rule Base,BRB)建模方法集成了DS(Dempster/Shafer)證據(jù)理論、多屬性決策等方法，可以用于復(fù)雜系統(tǒng)中不確定條件下的狀態(tài)決策支持，針對(duì)礦山設(shè)備狀態(tài)知識(shí)多源化問題和結(jié)構(gòu)多樣化問題，建立基于BRB的礦山設(shè)備狀態(tài)判識(shí)規(guī)則模型，提升礦山設(shè)備狀態(tài)知識(shí)模型的多源知識(shí)融合能力[10-11]。根據(jù)目前礦山設(shè)備狀態(tài)判識(shí)規(guī)則分散、不統(tǒng)一的現(xiàn)狀，以專家知識(shí)和經(jīng)驗(yàn)知識(shí)基礎(chǔ)，建立礦山設(shè)備狀態(tài)判識(shí)基礎(chǔ)置信規(guī)則庫的實(shí)現(xiàn)模型，結(jié)合數(shù)據(jù)驅(qū)動(dòng)的方法，在規(guī)則庫中不斷融合狀態(tài)機(jī)理知識(shí)與數(shù)據(jù)知識(shí)，形成規(guī)則庫模型與數(shù)據(jù)驅(qū)動(dòng)方法相融合的狀態(tài)判識(shí)規(guī)則建模體系。研究多目標(biāo)優(yōu)化方法，對(duì)規(guī)則庫中的屬性權(quán)重、規(guī)則權(quán)重、候選值和置信度進(jìn)行優(yōu)化，對(duì)于海量多維度的礦山設(shè)備信息和狀態(tài)知識(shí)，引入規(guī)則關(guān)聯(lián)敏感度評(píng)價(jià)體系，解決置信規(guī)則庫組合爆炸問題[12-13]。針對(duì)礦山設(shè)備狀態(tài)多源知識(shí)的信息關(guān)聯(lián)、沖突、缺失、表達(dá)不一致等問題，研究自組織映射方法，結(jié)合DS證據(jù)理論、決策理論、模糊理論等方法對(duì)模糊不確定性、概率不確定性以及非線性特征數(shù)據(jù)建模能力，實(shí)現(xiàn)礦山設(shè)備不完備信息和知識(shí)的定性和定量規(guī)則重構(gòu)。

2.3 基于數(shù)字孿生的礦山設(shè)備感知信息“虛實(shí)融合”知識(shí)建模方法

數(shù)字孿生(Digital Twin)技術(shù)是以虛擬化和數(shù)字化的建模方法，可以為物理實(shí)體建立多維度、多時(shí)空、多狀態(tài)的虛擬化仿真模型，通過實(shí)時(shí)信息的加載，實(shí)現(xiàn)物理實(shí)體的狀態(tài)、行為、屬性等內(nèi)容的變化過程的跟蹤，DT技術(shù)最早被應(yīng)用于軍方和航空航天領(lǐng)域裝備的數(shù)字化建模、狀態(tài)診斷和全生命周期管理[14-15]。

借助于DT技術(shù)，可以實(shí)現(xiàn)礦山設(shè)備狀態(tài)知識(shí)庫、運(yùn)行過程在線感知信息和狀態(tài)診斷方法的融合，實(shí)現(xiàn)面向設(shè)備運(yùn)行全過程的知識(shí)建模。分析礦山設(shè)備運(yùn)行過程狀態(tài)機(jī)理和演化規(guī)律，結(jié)合設(shè)備狀態(tài)知識(shí)庫，建立“采、掘、機(jī)、運(yùn)、通、排水”等設(shè)備系統(tǒng)及部件在多種工況條件下的運(yùn)行機(jī)理模型。結(jié)合礦山設(shè)備狀態(tài)知識(shí)庫，建立基于DT的設(shè)備狀態(tài)“虛實(shí)融合”感知模型，分析設(shè)備運(yùn)行過程的多源感知信息特點(diǎn)，研究針對(duì)數(shù)字化模型的信息加載機(jī)制方法和動(dòng)態(tài)響應(yīng)過程，完成生產(chǎn)設(shè)計(jì)、運(yùn)行保養(yǎng)和維護(hù)檢修設(shè)備全周期感知信息(振動(dòng)、溫度、壓力、電信號(hào)、工況環(huán)境信息等)到設(shè)備數(shù)字孿生模型的加載與交互，實(shí)現(xiàn)虛擬化孿生模型對(duì)物理系統(tǒng)的數(shù)字化呈現(xiàn)?；谖锢矸抡妗⑷S重構(gòu)或虛擬知識(shí)結(jié)構(gòu)建模等方法，設(shè)計(jì)礦山設(shè)備系統(tǒng)的虛擬智能體，在物理模型的基礎(chǔ)上增加了屬性、約束、狀態(tài)、行為、特征等信息，建立虛擬化知識(shí)表達(dá)結(jié)構(gòu)，研究虛擬模型信息空間與物理感知信號(hào)空間的實(shí)時(shí)交互方法，結(jié)合信號(hào)分析、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能在線診斷方法，實(shí)現(xiàn)虛擬數(shù)字模型對(duì)物理實(shí)體模型的演化模擬、狀態(tài)判識(shí)和趨勢(shì)分析。建立面向礦山設(shè)備運(yùn)行全過程的實(shí)時(shí)感知、演化分析與智能交互的“虛實(shí)融合”感知體系，實(shí)現(xiàn)狀態(tài)機(jī)理分析與感知數(shù)據(jù)挖掘的融合、物理設(shè)備運(yùn)轉(zhuǎn)分析與虛擬仿真建模的融合、設(shè)備狀態(tài)領(lǐng)域?qū)＜抑R(shí)與設(shè)備運(yùn)轉(zhuǎn)感知大數(shù)據(jù)深度知識(shí)的融合。

以采煤機(jī)為例，在采煤機(jī)系統(tǒng)動(dòng)力學(xué)仿真建模的基礎(chǔ)上，分析仿真模型、截割環(huán)境條件、截割系統(tǒng)運(yùn)行參數(shù)、行為邏輯以及規(guī)則約束的耦合作用機(jī)制，利用ANSYS Twin Builder、Direct3D等工具，圍繞煤巖截割運(yùn)行過程創(chuàng)建組件級(jí)虛擬原型，基于多域系統(tǒng)建模器建立虛擬仿真系統(tǒng)，結(jié)合3D物理求解器和降階模型，實(shí)現(xiàn)虛擬系統(tǒng)運(yùn)行過程中各類傳感器信號(hào)的模擬生成與分析。采集工作面運(yùn)行過程中采煤機(jī)的振動(dòng)、截割電流、牽引電流、調(diào)高油壓、位姿等傳感器信號(hào)。基于本體語義網(wǎng)絡(luò)技術(shù)，實(shí)現(xiàn)對(duì)物理試驗(yàn)系統(tǒng)和虛擬仿真系統(tǒng)多源感知信息及其響應(yīng)特性的統(tǒng)一語義描述。利用一致性約束分析方法，分析虛、實(shí)系統(tǒng)之間各類傳感信息的經(jīng)驗(yàn)指標(biāo)、統(tǒng)計(jì)參數(shù)、數(shù)據(jù)特征、關(guān)聯(lián)關(guān)系的一致性，對(duì)虛擬仿真系統(tǒng)進(jìn)行迭代優(yōu)化?！疤搶?shí)融合”模型框架如圖3所示。對(duì)虛、實(shí)系統(tǒng)的各類數(shù)據(jù)結(jié)構(gòu)、運(yùn)行規(guī)則、模型算法、輸出結(jié)果等進(jìn)行服務(wù)化接口封裝，設(shè)計(jì)虛、實(shí)系統(tǒng)各組件的信息動(dòng)態(tài)加載交互與狀態(tài)協(xié)同演進(jìn)方法，設(shè)計(jì)虛、實(shí)系統(tǒng)信號(hào)響應(yīng)、關(guān)聯(lián)關(guān)系及數(shù)據(jù)特征的融合分析機(jī)制，實(shí)現(xiàn)虛、實(shí)系統(tǒng)運(yùn)行過程的“精準(zhǔn)映射、信息對(duì)偶、智能交互、協(xié)同演進(jìn)”。

3 數(shù)據(jù)驅(qū)動(dòng)的礦山設(shè)備狀態(tài)智能診斷方法

在多數(shù)的工業(yè)場(chǎng)景的故障診斷研究中，建立復(fù)雜部件與系統(tǒng)的數(shù)學(xué)或物理模型十分困難，基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法逐漸獲得重視并成為故障診斷領(lǐng)域的重要研究熱點(diǎn)[16-17]。數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法體系獲得美軍、美國(guó)航空航天局及眾多研究機(jī)構(gòu)的廣泛重視，IEEE從2010年開始，每年舉辦“International Conference on Prognostics and Health Management”國(guó)際會(huì)議。

圖3 基于數(shù)字孿生的采煤機(jī)“虛實(shí)融合”模型
Fig.3 Shearer “virtual and real fusion” model based on digital twin

前期研究人員已經(jīng)開展了一些礦山機(jī)械設(shè)備系統(tǒng)狀態(tài)智能診斷方法的研究，國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目“礦山安全生產(chǎn)物聯(lián)網(wǎng)關(guān)鍵技術(shù)與裝備研發(fā)”中提出建立基于本體語義、數(shù)字孿生和機(jī)器學(xué)習(xí)方法的礦山生產(chǎn)設(shè)備感知信息統(tǒng)一描述和在線判識(shí)方法[18]。國(guó)家973項(xiàng)目“深部危險(xiǎn)煤層無人采掘裝備關(guān)鍵基礎(chǔ)研究”中開展了無人采掘裝備運(yùn)行故障在線監(jiān)測(cè)與診斷理論的研究工作[5，19-20]。太重煤機(jī)煤礦裝備成套有限公司郝尚清研究采煤機(jī)搖臂振動(dòng)信號(hào)的盲源分離方法以實(shí)現(xiàn)搖臂齒輪箱軸承故障[21]。西安科技大學(xué)毛清華研究基于振動(dòng)源定位的采煤機(jī)搖臂故障定位方法[22]。中國(guó)礦業(yè)大學(xué)常用根等研究了基于信息時(shí)頻分析與多源信息融合的礦井提升裝備健康狀態(tài)監(jiān)測(cè)系統(tǒng)[23]。太原理工大學(xué)李娟莉團(tuán)隊(duì)研究了基于主成分分析和DS證據(jù)理論的提升機(jī)制動(dòng)系統(tǒng)故障診斷方法[24]。

現(xiàn)有數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法的研究在礦山設(shè)備系統(tǒng)具體應(yīng)用中面臨著一些問題：① 機(jī)械設(shè)備傳感器信號(hào)的有效分析依靠相應(yīng)的機(jī)理模型，礦山機(jī)械設(shè)備系統(tǒng)種類繁多、構(gòu)成復(fù)雜，目前只能完成對(duì)部分設(shè)備的子系統(tǒng)的機(jī)理建模;② 復(fù)雜的工況條件和多子系統(tǒng)耦合結(jié)構(gòu)導(dǎo)致設(shè)備多源傳感器參數(shù)和多狀態(tài)之間的相互關(guān)聯(lián)又相互干擾，都給礦山機(jī)械設(shè)備系統(tǒng)的故障診斷帶來困難;③ 目前大多數(shù)據(jù)驅(qū)動(dòng)的狀態(tài)診斷方法都是基于監(jiān)督學(xué)習(xí)的方法，故障樣本的缺失和不平衡是礦山機(jī)械設(shè)備系統(tǒng)故障診斷面臨的又一問題。

3.1 數(shù)據(jù)驅(qū)動(dòng)的礦山設(shè)備診斷方法

數(shù)據(jù)驅(qū)動(dòng)的礦山機(jī)械設(shè)備狀態(tài)智能診斷方法的研究框架如圖4所示，在礦山機(jī)械設(shè)備系統(tǒng)運(yùn)行狀態(tài)知識(shí)庫的基礎(chǔ)上，研究多尺度分析、數(shù)學(xué)形態(tài)濾波、分形理論以及時(shí)頻分析等非平穩(wěn)信號(hào)分析方法對(duì)能夠表征設(shè)備運(yùn)行狀態(tài)的振動(dòng)/聲學(xué)信號(hào)進(jìn)行分析、處理，濾除信號(hào)中的環(huán)境噪聲干擾，有效提取微弱故障特征。研究多源信息融合理論，結(jié)合電氣參數(shù)、溫度、負(fù)載等設(shè)備關(guān)鍵狀態(tài)信息，構(gòu)建礦山生產(chǎn)設(shè)備健康狀態(tài)多參數(shù)特征融合表示方法。引入流行學(xué)習(xí)、相空間重構(gòu)、稀疏表示等方法，實(shí)現(xiàn)非線性維數(shù)約簡(jiǎn)，進(jìn)一步降低特征中的冗余和干擾信息，提高低維狀態(tài)特征向量的可辨識(shí)性。

研究統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、遷移學(xué)習(xí)等人工智能方法，通過對(duì)己知的故障樣本進(jìn)行分析,從中積累故障與征兆之間復(fù)雜對(duì)應(yīng)關(guān)系的相關(guān)知識(shí)，根據(jù)這些知識(shí)建立合理的設(shè)備健康狀態(tài)識(shí)別模型;針對(duì)部分礦山機(jī)械設(shè)備已知故障樣本缺乏問題，研究無監(jiān)督或半監(jiān)督學(xué)習(xí)方法，建立小樣本空間的礦山機(jī)械設(shè)備健康狀態(tài)識(shí)別模型。在此基礎(chǔ)上，結(jié)合設(shè)備歷史運(yùn)行數(shù)據(jù)和實(shí)時(shí)工況信息，建立礦山機(jī)械設(shè)備健康狀態(tài)預(yù)測(cè)模型，對(duì)設(shè)備的潛在故障及其發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)，對(duì)異常工況判斷、故障部位、性質(zhì)、程度做出合理的評(píng)估。

圖4 數(shù)據(jù)驅(qū)動(dòng)的礦山設(shè)備診斷方法架構(gòu)
Fig.4 Data-driven mining equipment diagnostic method architecture

3.2 基于深度學(xué)習(xí)的礦山機(jī)械設(shè)備狀態(tài)診斷方法

近年來，隨著工程大數(shù)據(jù)的積累，計(jì)算機(jī)運(yùn)算能力的提升，深度學(xué)習(xí)、遷移學(xué)習(xí)等人工智能方法給數(shù)據(jù)驅(qū)動(dòng)的設(shè)備狀態(tài)診斷帶來了新的思路，目前相關(guān)技術(shù)已經(jīng)在機(jī)械設(shè)備狀態(tài)診斷領(lǐng)域得到研究和應(yīng)用[26-27]。深度學(xué)習(xí)采用多隱層網(wǎng)絡(luò)以逐層學(xué)習(xí)的方式從輸入數(shù)據(jù)中提取信息，能夠完成大數(shù)據(jù)隱藏特征的自適應(yīng)提取，有助于解決復(fù)雜礦山機(jī)械設(shè)備系統(tǒng)運(yùn)行機(jī)理建模困難，先驗(yàn)知識(shí)缺失、狀態(tài)特征提取困難等問題，在故障診斷中常用的深度學(xué)習(xí)方法有卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)、深度置信網(wǎng)絡(luò)(DBN,Deep Belief Network)、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)和自動(dòng)編碼器(SAE,Stacked Autoencoder)等[28-31]。

CNN是由卷積層、池化層和全連接層構(gòu)成的3層結(jié)構(gòu)，在機(jī)械故障診斷方面，現(xiàn)有研究工作針對(duì)傳感器信號(hào)開展了輸入層的優(yōu)化工作，如圖5所示，輸入層可以是一維原始信號(hào)，也可以是時(shí)頻變換后二維信號(hào)，不同的信號(hào)經(jīng)過多層卷積和池化層，自適應(yīng)提取傳感信號(hào)特征，并利用SOM(Self-organizing Maps)網(wǎng)絡(luò)、聚類算法等實(shí)現(xiàn)特征融合，從而經(jīng)過全連接層和softmax函數(shù)實(shí)現(xiàn)狀態(tài)的判識(shí)。圖5中，C1，C2分別為第1，2個(gè)卷積層;P1,P2分別為第1，2個(gè)池化層;W1，W2 分別為卷積層1，2的權(quán)重值;X為全連接層;Wn為全連接輸入層權(quán)重值Wn+1 為隱藏層(激活層)權(quán)重值;N為隱藏層;O為輸出類別數(shù)。SAE是一種無監(jiān)督學(xué)習(xí)方法，通過構(gòu)建自編碼器結(jié)構(gòu)以得到能夠逼近輸入信號(hào)的變換輸出，模型經(jīng)過訓(xùn)練可以在沒有標(biāo)簽或者少量標(biāo)簽的條件下獲取數(shù)據(jù)的內(nèi)在特征，可以用于故障診斷中樣本缺失或不平衡問題的研究。DBN是多層受限玻爾茲曼機(jī)結(jié)構(gòu),通過逐層訓(xùn)練的途徑解決多層網(wǎng)絡(luò)的全局優(yōu)化問題，逐層訓(xùn)練可以為整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)選擇合理的初值和權(quán)重，然后通過參數(shù)的微調(diào)就可以得到網(wǎng)絡(luò)的最優(yōu)解。LSTM是一種用于時(shí)間序列預(yù)測(cè)的循環(huán)神經(jīng)網(wǎng)絡(luò)，能夠解決長(zhǎng)序列訓(xùn)練過程中的梯度消失和梯度爆炸問題，可以利用LSTM的多步預(yù)測(cè)能力，研究設(shè)備運(yùn)行狀態(tài)演化過程的跟蹤分析和趨勢(shì)預(yù)測(cè)問題。

3.3 基于遷移學(xué)習(xí)的礦山設(shè)備狀態(tài)診斷方法

遷移學(xué)習(xí)方法是一種新興的機(jī)器學(xué)習(xí)方法，可以借助于對(duì)已經(jīng)問題學(xué)習(xí)知識(shí)，去求解相近或相關(guān)領(lǐng)域問題的，受到了越來越多的故障診斷工程應(yīng)用研究的關(guān)注[32-34]。工業(yè)互聯(lián)網(wǎng)技術(shù)的發(fā)展促進(jìn)了不同區(qū)域間礦山數(shù)據(jù)的共享，后期知識(shí)的有效提取和遷移應(yīng)用將成為基于工業(yè)互聯(lián)網(wǎng)的礦山機(jī)械設(shè)備智能化管控服務(wù)的重點(diǎn)研究?jī)?nèi)容。下一步需要研究面向礦山機(jī)械設(shè)備系統(tǒng)的遷移學(xué)習(xí)方法，提升數(shù)據(jù)驅(qū)動(dòng)診斷方法的跨域泛化能力。一方面充分利用各種試驗(yàn)臺(tái)和子系統(tǒng)所采集的大量帶標(biāo)記數(shù)據(jù)，結(jié)合設(shè)備現(xiàn)場(chǎng)積累的海量無標(biāo)簽數(shù)據(jù)，建立狀態(tài)知識(shí)遷移學(xué)習(xí)模型，縮小工況條件和運(yùn)行環(huán)境在遷移特征層的分布差異，以解決現(xiàn)有礦山機(jī)械設(shè)備系統(tǒng)狀態(tài)診斷模型中因標(biāo)記信息不足而導(dǎo)致的不收斂和判識(shí)精度低的問題。另一方面對(duì)各礦山不同使用年限設(shè)備狀態(tài)數(shù)據(jù)、不同工況環(huán)境運(yùn)行過程信息、不同故障類型數(shù)據(jù)樣本進(jìn)行知識(shí)的提取與遷移適配，促進(jìn)各礦山同類設(shè)備系統(tǒng)監(jiān)測(cè)數(shù)據(jù)間特征知識(shí)的遷移和共享。

圖5 基于CNN的設(shè)備狀態(tài)診斷方法
Fig.5 Equipment state diagnosis method based on CNN

以采煤機(jī)系統(tǒng)為例，利用時(shí)頻分析與特征提取方法，完成針對(duì)綜采現(xiàn)場(chǎng)各類感知信息，包含截割煤巖感知類(截割電流、溫度、超聲探測(cè)、圖像等)、系統(tǒng)運(yùn)行調(diào)度類(截割曲線、行走位移、位姿、滾筒高度、速度等)、關(guān)鍵部件傳感類(溫度、電流、電壓、振動(dòng)、聲發(fā)射等)等多源傳感器信號(hào)的運(yùn)行狀態(tài)經(jīng)驗(yàn)特征的提取。利用振動(dòng)信號(hào)二維重排序、時(shí)頻譜圖、相空間重構(gòu)等處理方法，構(gòu)造信號(hào)的時(shí)、頻、時(shí)頻域多種矩陣表達(dá)形式，滿足深度殘差網(wǎng)絡(luò)(Residual Network,ResNet)輸入層的要求;設(shè)計(jì)不同尺度的卷積核，構(gòu)建多尺度ResNet網(wǎng)絡(luò)結(jié)構(gòu)，利于提取振動(dòng)信號(hào)的多尺度深層特征。以經(jīng)驗(yàn)特征、多尺度深度特征為輸入，利用隨機(jī)森林的敏感特征選擇和識(shí)別能力完成采煤機(jī)運(yùn)行狀態(tài)的識(shí)別，以最小化狀態(tài)識(shí)別誤差損傷為目標(biāo)，利用反向傳播網(wǎng)絡(luò)和梯度優(yōu)化算法迭代調(diào)節(jié)經(jīng)驗(yàn)特征提取模型參數(shù)、多尺度ResNet網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)，完成多源傳感信息故障狀態(tài)經(jīng)驗(yàn)特征與深度特征提取網(wǎng)絡(luò)的訓(xùn)練。

設(shè)計(jì)針對(duì)多源傳感信息經(jīng)驗(yàn)與深度聯(lián)合特征的遷移學(xué)習(xí)模型，構(gòu)建多核函數(shù)空間組合結(jié)構(gòu)，將聯(lián)合特征映射到高維空間，再設(shè)計(jì)流行學(xué)習(xí)映射網(wǎng)絡(luò)，完成高維空間特征的低維重投影。構(gòu)建如下遷移學(xué)習(xí)優(yōu)化目標(biāo):① 最小化隨機(jī)森林的狀態(tài)識(shí)別誤差損失，以實(shí)現(xiàn)條件概率分布的適配;② 最小化“源域”與“目標(biāo)域”數(shù)據(jù)在目標(biāo)空間的最大均值差(Maximum Mean Discrepancy，MMD)，以實(shí)現(xiàn)邊緣概率分布的適配。結(jié)合兩個(gè)目標(biāo)完成聯(lián)合目標(biāo)函數(shù)的設(shè)計(jì)，對(duì)多核函數(shù)組合參數(shù)及流行學(xué)習(xí)映射網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)進(jìn)行迭代反饋優(yōu)化，完成特征遷移學(xué)習(xí)模型的訓(xùn)練。在深度遷移學(xué)習(xí)診斷模型的基礎(chǔ)上，結(jié)合增量學(xué)習(xí)方法，利用不斷采集的傳感器數(shù)據(jù)優(yōu)化網(wǎng)絡(luò)參數(shù)，進(jìn)一步提升狀態(tài)識(shí)別準(zhǔn)確率。基于深度遷移學(xué)習(xí)的采煤機(jī)運(yùn)行狀態(tài)診斷模型優(yōu)化流程如圖6所示。

4 礦山設(shè)備狀態(tài)大數(shù)據(jù)分析與應(yīng)用技術(shù)

為了推進(jìn)礦山機(jī)械設(shè)備系統(tǒng)狀態(tài)智能化分析與應(yīng)用服務(wù)，需要構(gòu)建礦山機(jī)械設(shè)備狀態(tài)大數(shù)據(jù)分析平臺(tái)，完成對(duì)各設(shè)備系統(tǒng)海量異構(gòu)數(shù)據(jù)的多源統(tǒng)一接入、高效存儲(chǔ)、智能處理和分析挖掘。如圖7所示，數(shù)據(jù)接入和管理方面，統(tǒng)一接入綜合自動(dòng)化系統(tǒng)、各生產(chǎn)控制子系統(tǒng)、PLC、傳感器、采集卡、邊界終端等產(chǎn)生的多源異構(gòu)數(shù)據(jù)，建立面向不同信源特性的結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)混合存儲(chǔ)架構(gòu)，實(shí)現(xiàn)多源異構(gòu)數(shù)據(jù)的高效管理。采用流式計(jì)算引擎、離線計(jì)算引擎和分布式數(shù)據(jù)引擎混合的計(jì)算框架，提供面向大規(guī)模礦山機(jī)械設(shè)備數(shù)據(jù)的實(shí)時(shí)計(jì)算、高效存取和分布式離線計(jì)算功能，解決礦山機(jī)械設(shè)備系統(tǒng)海量數(shù)據(jù)的全息感知、實(shí)時(shí)分析、智能診斷與深度解析問題。提供礦山機(jī)械設(shè)備狀態(tài)在線判識(shí)、統(tǒng)計(jì)分析、演化規(guī)律發(fā)現(xiàn)、智能化調(diào)控等智能化應(yīng)用服務(wù)。

圖6 基于遷移學(xué)習(xí)的采煤機(jī)故障診斷模型
Fig.6 Fault diagnosis model of shearer based on transfer learning

圖7 礦山設(shè)備大數(shù)據(jù)分析平臺(tái)業(yè)務(wù)架構(gòu)
Fig.7 Architecture of big data analysis platform for mining equipment

(1)信息高效接入與預(yù)處理。

一方面針對(duì)煤礦現(xiàn)有的綜合自動(dòng)化系統(tǒng)和各監(jiān)測(cè)監(jiān)控系統(tǒng)，構(gòu)建礦山設(shè)備監(jiān)控系統(tǒng)信息交互協(xié)議庫，實(shí)現(xiàn)礦山各異構(gòu)傳輸協(xié)議及交換規(guī)則的統(tǒng)一管理和解析，同時(shí)支持OPC，MODUBS等常用工業(yè)數(shù)據(jù)通訊協(xié)議和各非標(biāo)準(zhǔn)自定義數(shù)據(jù)傳輸協(xié)議，提供連接建立、實(shí)時(shí)傳輸、控制寫入、數(shù)據(jù)校驗(yàn)等服務(wù)。另一方面針對(duì)礦山設(shè)備系統(tǒng)狀態(tài)監(jiān)測(cè)及故障診斷需求，增加振動(dòng)、噪聲、電磁等傳感器和信號(hào)采集設(shè)備，結(jié)合傳感器信源特性，研究實(shí)時(shí)流處理機(jī)制，實(shí)現(xiàn)多源實(shí)時(shí)數(shù)據(jù)集成、清洗、去噪、轉(zhuǎn)換等預(yù)處理操作，確保數(shù)據(jù)的有效性、一致性、完整性，滿足設(shè)備狀態(tài)數(shù)據(jù)挖掘分析的要求。

(2)礦山設(shè)備多源異構(gòu)數(shù)據(jù)高效管理。

在數(shù)據(jù)管理面，面向設(shè)備監(jiān)測(cè)系統(tǒng)數(shù)據(jù)、傳感器數(shù)據(jù)、生產(chǎn)過程信息、巡檢文檔等多源異構(gòu)數(shù)據(jù)，根據(jù)數(shù)據(jù)的類型和應(yīng)用場(chǎng)景的需求采用異構(gòu)的分布式存儲(chǔ)架構(gòu)。采用分布式關(guān)系數(shù)據(jù)庫引擎，實(shí)現(xiàn)結(jié)構(gòu)化數(shù)據(jù)高性能列式存儲(chǔ)、分布式計(jì)算和智能化索引查詢。對(duì)于實(shí)時(shí)數(shù)據(jù)、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，采用Hive，HBase，HDFS等分布式數(shù)據(jù)管理架構(gòu)，可以提供低時(shí)延、高并發(fā)的分析、查詢和低成本的存儲(chǔ)，為數(shù)據(jù)驅(qū)動(dòng)的礦山設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)和故障診斷提供數(shù)據(jù)支撐。

(3)礦山設(shè)備系統(tǒng)大數(shù)據(jù)計(jì)算架構(gòu)。

針對(duì)礦山設(shè)備運(yùn)行海量監(jiān)測(cè)數(shù)據(jù)的特點(diǎn)需要采用內(nèi)存計(jì)算方法(如Spark)、實(shí)時(shí)流計(jì)算方法(如Storm)和分布式批處理計(jì)算方法(如MapReduce)相結(jié)合的架構(gòu)。利用內(nèi)存計(jì)算和實(shí)時(shí)流處理技術(shù)快速處理大量的實(shí)時(shí)傳感器數(shù)據(jù)。利用分布式批處理技術(shù)的海量數(shù)據(jù)并行批處理能力，實(shí)現(xiàn)對(duì)礦山設(shè)備系統(tǒng)多源大數(shù)據(jù)的多維度關(guān)聯(lián)挖掘，獲取長(zhǎng)時(shí)間積累數(shù)據(jù)的深度隱性知識(shí)。

(4)礦山設(shè)備系統(tǒng)大數(shù)據(jù)分析與智能化應(yīng)用。

平臺(tái)集成多種大數(shù)據(jù)分析工具與人工智能故障診斷算法，利用統(tǒng)計(jì)分析、特征分析、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、關(guān)聯(lián)分析、大數(shù)據(jù)挖掘等算法對(duì)礦山設(shè)備實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)和海量歷史數(shù)據(jù)進(jìn)行處理和分析，結(jié)合礦山設(shè)備狀態(tài)知識(shí)庫和數(shù)據(jù)驅(qū)動(dòng)的智能診斷模型，實(shí)現(xiàn)對(duì)礦山設(shè)備系統(tǒng)運(yùn)行全過程大數(shù)據(jù)的智能分析、深度挖掘、知識(shí)發(fā)現(xiàn)與聚合。在大數(shù)據(jù)平臺(tái)的基礎(chǔ)上，研發(fā)礦山設(shè)備系統(tǒng)安全生產(chǎn)全過程的智能化監(jiān)測(cè)、分析、管理和決策控制綜合服務(wù)系統(tǒng)，提供礦山設(shè)備狀態(tài)在線診斷與三維可視化，設(shè)備關(guān)鍵部件早期故障診斷與壽命預(yù)測(cè)分析，設(shè)備系統(tǒng)全生命周期管理和智能化管控服務(wù)。

5 結(jié) 論

(1)物聯(lián)網(wǎng)、大數(shù)據(jù)、工業(yè)互聯(lián)網(wǎng)技術(shù)的發(fā)展，推動(dòng)了礦山的數(shù)字化、智能化建設(shè)，提出物聯(lián)網(wǎng)體系下的礦山設(shè)備狀態(tài)知識(shí)共享與遷移模型，提高礦山大數(shù)據(jù)的利用價(jià)值，提升礦山安全生產(chǎn)透明化管理水平。

(2)針對(duì)礦山運(yùn)行全過程中各類設(shè)備系統(tǒng)數(shù)據(jù)的多維多源、形式多樣化、關(guān)聯(lián)復(fù)雜等難題，提出基于信念規(guī)則庫、數(shù)字孿生等技術(shù)的知識(shí)建模方法體系，實(shí)現(xiàn)數(shù)據(jù)和知識(shí)的形式化表達(dá)、結(jié)構(gòu)化管理和邏輯化關(guān)聯(lián)，為礦山設(shè)備數(shù)據(jù)的信息描述和知識(shí)共享提供有力的技術(shù)支持。

(3)研究機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、遷移學(xué)習(xí)等人工智能技術(shù)在礦山機(jī)械設(shè)備狀態(tài)知識(shí)深度挖掘中的應(yīng)用，建立礦山機(jī)械設(shè)備狀態(tài)大數(shù)據(jù)分析與智能化應(yīng)用平臺(tái)，實(shí)現(xiàn)礦山機(jī)械設(shè)備全生命周期的信息感知、狀態(tài)診斷和預(yù)測(cè)性維護(hù)。

參考文獻(xiàn)

[1] 丁恩杰,施衛(wèi)祖,張申,等.礦山物聯(lián)網(wǎng)頂層設(shè)計(jì)[J].工礦自動(dòng)化,2017,43(9):1-11.

DING Enjie,SHI Weizu,ZHANG Shen,et al.Top-down design of mine Internet of things[J].Industry and Mining Automation,2017,43(9):1-11.

[2] 丁恩杰,胡青松.礦山物聯(lián)網(wǎng)頂層設(shè)計(jì)思路[J].物聯(lián)網(wǎng)學(xué)報(bào),2018,2(1):69-75.

DING Enjie,HU Qingsong.Design ideas of the top layer of the mine Internet of things[J].Journal of Internet of Things,2018,2(1):69-75.

[3] 王國(guó)法,王虹,任懷偉,等.智慧煤礦2025情景目標(biāo)和發(fā)展路徑[J].煤炭學(xué)報(bào),2018,43(2):295-305.

WANG Guofa,WANG Hong,REN Huaiwei,et al.2025 scenarios and development path of intelligent coal mine[J].Journal of China Coal Society,2018,43(2):295-305.

[4] 王國(guó)法,趙國(guó)瑞,任懷偉.智慧煤礦與智能化開采關(guān)鍵核心技術(shù)分析[J].煤炭學(xué)報(bào),2019,44(1):41-48.

WANG Guofa,ZHAO Guorui,REN Huaiwei.Analysis on key technologies of intelligent coal mine and intelligent mining[J].Journal of China Coal Society,2019,44(1):41-48.

[5] 李志雄,葛世榮,朱華.深部煤層采煤機(jī)關(guān)鍵部件磨損故障監(jiān)測(cè)診斷的難點(diǎn)問題[J].摩擦學(xué)學(xué)報(bào),2014,34(6):729-731.

LI Zhixiong,GE Shirong,ZHU Hua.Difficulties in monitoring and diagnosing the wear faults of key parts of coal shearers in deep coal seams[J].Tribology,2014,34(6):729-731.

[6] 謝嘉成,王學(xué)文,郝尚清,等.工業(yè)互聯(lián)網(wǎng)驅(qū)動(dòng)的透明綜采工作面運(yùn)行系統(tǒng)及關(guān)鍵技術(shù)[J].計(jì)算機(jī)集成制造系統(tǒng),2019,25(12):3160-3169.

XIE Jiacheng,WANG Xuewen,HAO Shangqing,et al.Operating system and key technologies fully mechanized mining face driven by industrial Internet[J].Computer Internet Manufacturing Systems,2019,25(12):3160-3169.

[7] 雷亞國(guó),賈峰,孔德同,等.大數(shù)據(jù)下機(jī)械智能故障診斷的機(jī)遇與挑戰(zhàn)[J].機(jī)械工程學(xué)報(bào),2018,54(5):94-104.

LEI Yaguo,JIA Feng,KONG Detong,et al.Opportunities and challenges of machinery intelligent fault diagnosis in big data era[J].Journal of Mechanical Engineering,2018,54(5):94-104.

[8] PAULHEIM Heiko.Knowledge graph refinement:A survey of approaches and evaluation methods[J].Semantic Web,2017,31(3):489-508.

[9] LIU H C,YOU J X,LI Z W,et al.Fuzzy Petri nets for knowledge representation and reasoning:A literature review[J].Engineering Applications of Artificial Intelligence,2017,60(4):45-56.

[10] ZHOU Z J,HU G Y,ZHANG B C,et al.A model for hidden behavior prediction of complex systems based on belief rule base and power set[J].IEEE Transactions on Systems,Man,and Cybernetics:Systems,2017(99):1-7.

[11] ZHU W,KU Q,WU Y,et al.A research into the evidence reasoning theory of two-dimensional framework and its application[J].Kybernetes,2018,44(3):152-156.

[12] LIU Z G,PAN Q,DEZERT J,et al.Combination of classifiers with optimal weight based on evidential reasoning[J].IEEE Transactions on Fuzzy Systems,2018,26(3):1217-1230.

[13] YAGER Ronald R.Fuzzy rule bases with generalized belief structure inputs[J].Engineering Applications of Artificial Intelligence,2018,72:93-98.

[14] TAO F,ZHANG M.Digital twin shop-floor:A new shop-floor paradigm towards smart manufacturing[J].IEEE Access,2017,5:20418-20427.

[15] MICHAEL,SCHLUSE,MARC,et al.Experimentable digital twins—Streamlining simulation-based systems engineering for industry 4.0[J].IEEE Transactions on Industrial Informatics,2018,14(4):1722-1731.

[16] CERRADA M,SNCHEZ R,LI C,et al.A review on data-driven fault severity assessment in rolling bearings[J].Mechanical Systems & Signal Processing,2018,99:169-196.

[17] LIU Y,BAZZI A M.A review and comparison of fault detection and diagnosis methods for squirrel-cage induction motors:State of the art[J].Isa Transactions,2017,7(9):400-409.

[18] 袁亮,俞嘯,丁恩杰,等.礦山物聯(lián)網(wǎng)人-機(jī)-環(huán)狀態(tài)感知關(guān)鍵技術(shù)研究[J].通信學(xué)報(bào),2020,41(2):1-13.

YUAN Liang,YU Xiao,DING Enjie,et al.Research on key technologies of human-machine-environment states perception in mine Internet of things[J].Journal on Communications,2020,41(2):1-13.

[19] 張義民,黃婧,朱麗莎,等.采煤機(jī)搖臂傳動(dòng)系統(tǒng)可靠性穩(wěn)健優(yōu)化設(shè)計(jì)[J].煤炭學(xué)報(bào),2015,40(11):2540-2545.

ZHANG Yimin,HUANG Jing,ZHU Lisha,et al.Reliability-based robust optimization design of the transmission system of a shearer ranging arm[J].Journal of China Coal Society,2015,40(11):2540-2545.

[20] 李力,倪松松.基于改進(jìn)小波去噪預(yù)處理和EEMD的采煤機(jī)齒輪箱故障診斷[J].中南大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,47(10):3394-3400.

LI Li,NI Songsong.Shearer gearbox fault diagnosis based on improved wavelet denoising pretreatment and EEMD[J].Journal of Central South University (Natural Science Edition),2016,47(10):3394-3400.

[21] 郝尚清,龐新宇,王雪松,等.基于盲源分離的采煤機(jī)搖臂軸承故障診斷方法[J].煤炭學(xué)報(bào),2015,40(11):2509-2513.

HAO Shangqing,PANG Xinyu,WANG Xuesong,et al.Bearing fault diagnosis method for shearer rocker arm based on blind source separation[J].Journal of China Coal Society,2015,40(11):2509-2513.

[22] 毛清華,張旭輝,馬宏偉,等.采煤機(jī)搖臂齒輪傳動(dòng)系統(tǒng)振源定位分析方法[J].振動(dòng).測(cè)試與診斷,2016,36(3):466-470.

MAO Qinghua,ZHANG Xuhui,MA Hongwei,et al.Vibration source location analysis method for ranging arm gear transmission system of shearer[J].Journal of Vibration,Measurement & Diagnosis,2016,36(3):466-470.

[23] 常用根,江帆,陳瀟.礦井提升裝備健康狀態(tài)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J].工礦自動(dòng)化,2018,44(2):38-42.

CHANG Yonggen,JIANG Fan,CHEN Xiao.Design of health condition monitoring system of mine hoisting equipment[J].Industry and Mine Automation,2018,44(2):38-42.

[24] 李娟莉,王健,楊兆建.基于三層信息融合的提升機(jī)制動(dòng)系統(tǒng)故障診斷[J].振動(dòng).測(cè)試與診斷,2018,38(2):407-412，426.

LI Juanli,WANG Jian,YANG Zhaojian.Fault diagnosis of mine hoist breaking system based on three layers information fusion[J].Journal of Vibration,Measurement &Diagnosis,2018,38(2):407-412，426.

[25] HARGRAVE Chad O,JAMES Craig A,RALSTON Jonathon C.Infrastructure-based localisation of automated coal mining equipment[J].International Journal of Coal Science & Technology,2017,4(3):252-261.

[26] KHAN S,YAIRI T.A review on the application of deep learning in system health[J].Mechanical Systems and Signal Processing,2018,107(7):241-265.

[27] RUI Z,RUQIANG Y,ZHENGHUA C,et al.Deep learning and its applications to machine health monitoring[J].Mechanical Systems and Signal Processing,2019,115:213-237.

[28] WEN L,LI X,GAO L,et al.A new convolutional neural network based data-driven fault diagnosis method[J].IEEE Transactions on Industrial Electronics,2017,65(7):5990-5998.

[29] CHEN Z,LI W.Multisensor feature fusion for bearing fault diagnosis using sparse autoencoder and deep belief Network[J].IEEE Transactions on Instrumentation and Measurement,2017:1-10.

[30] JIANG G,HE H,YAN J,et al.Multiscale convolutional neural Networks for fault diagnosis of wind turbine gearbox[J].Industrial Electronics,IEEE Transactions on,2019,66(4):3196-3207.

[31] ZHAO Rui,YAN Ruqiang,WANG Jinjiang,et al.Learning to monitor machine health with convolutional bi-directional LSTM Networks[J].Sensors,2017,17(2):273-275.

[32] 雷亞國(guó),楊彬,杜兆鈞,等.大數(shù)據(jù)下機(jī)械裝備故障的深度遷移診斷方法[J].機(jī)械工程學(xué)報(bào),2019,55(7):1-8.

LEI Yaguo,YANG Bin,DU Zhaojun,et al.Deep transfer diagnosis machinery in big data era[J].Journal of Mechanical Engineering,2019,55(7):1-8.

[33] ZHANG R,TAO H,WU L,et al.Transfer learning with neural networks for bearing fault diagnosis in changing working conditions[J].IEEE Access,2017,65(5):14347-14357.

[34] GUO L,LEI Y,XING S,et al.Deep convolutional transfer learning network:A new method for intelligent fault diagnosis of machines with unlabeled data[J].IEEE Transactions on Industrial Electronics,2019,66(9):7316-7325.

相關(guān)知識(shí)

基于物聯(lián)網(wǎng)的礦山機(jī)械設(shè)備狀態(tài)智能感知與診斷
礦井設(shè)備狀態(tài)智能健康管理與故障診斷系統(tǒng)
機(jī)械設(shè)備故障診斷與健康管理
設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)
智能醫(yī)療設(shè)備的智能診斷與健康保障.pptx
物聯(lián)網(wǎng)健康與醫(yī)療設(shè)備
診斷設(shè)備
物聯(lián)網(wǎng)醫(yī)療健康監(jiān)測(cè)與診斷
無線物聯(lián)網(wǎng)技術(shù)打造智能、小型且安全的醫(yī)療保健設(shè)備
感知健康、智能醫(yī)療——物聯(lián)網(wǎng)在醫(yī)療健康領(lǐng)域的應(yīng)用

網(wǎng)址: 基于物聯(lián)網(wǎng)的礦山機(jī)械設(shè)備狀態(tài)智能感知與診斷 http://m.u1s5d6.cn/newsview1465615.html