刘文广，杨兰柱，秦 波

（1.内蒙古科技大学机械工程学院，内蒙古包头 014010；2.内蒙古科技大学工程训练中心，内蒙古包头 014010）

0 引言

滚筒式采煤机大多应用在矿山和煤矿等地区，由于摇臂齿轮箱的工作环境十分复杂和恶劣，再加上人为操作的失误，采煤机摇臂齿轮箱在工作过程中经常出现设备故障等问题，导致煤矿开采时，采煤机的故障损坏十分严重，这直接引起中国采矿成本的直线上升。因此，研究如何有效地预测摇臂齿轮箱剩余使用寿命（Remaining Useful Life，RUL），对降低采矿成本、维护社会稳定有着至关重要的作用[1-3]。

目前，在采煤机摇臂齿轮箱剩余使用寿命预测领域中主要有两大类方法。第一种是通过研究故障机理，根据故障机理建立数学模型。这种方法是属于基于模型的预测方法，通过模型来完成设备剩余使用寿命的预测。如Zhao等[4]通过模拟齿轮裂纹扩展过程对齿轮剩余使用寿命进行了预测，从而预测出齿轮的剩余使用寿命。由于采煤机摇臂齿轮箱的故障机理复杂多样，需要简化假设该预测方法，限制其预测精度。数据驱动的方法是指通过数理统计和机器学习等方法，分析设备状态监测数据和剩余使用寿命的内在关系，以此来预测其剩余使用寿命。该类方法被广泛应用于设备剩余使用寿命预测领域。如Babu 等[5]将深度学习中的卷积神经网络运用于设备剩余使用寿命预测中，使用卷积层及池化层来提取深层次特征，结果表明，与传统基于机器学习的寿命预测方法相比，该方法精度更高。……