徐畅， 王道元， 李敬兆， 陈梓华

(1.淮北职业技术学院 计算机科学技术系， 安徽 淮北 235025; 2.安徽理工大学 电气与信息工程学院， 安徽 淮南 232001)

0 引言

煤矿开采过程中大多数安全事故的发生是由于矿用设备安全监测不及时且未进行预知维护[1-3]。传统的矿用设备安全监测大多依靠人工检查矿用设备[4-5]，并将检测结果记录在纸质档案中，该方式存在数据繁杂、误差较大等问题，且使用纸质档案易导致数据遗失。目前，部分煤矿企业采用安全监控系统监测矿用设备[6-7]，但只对监测数据简单存储，未进行深度数据处理与分析，无法提前预知矿用设备运行状态。因此，研发一种矿用设备运行数据实时监测、运行状态智能预测的系统，是亟待解决的问题。

陈晓勇[8]提出了一种基于单片机的矿用设备电动机运行安全综合监测系统，对矿用电动机的电压等参数进行实时监测，并通过各参数偏差值来实现数据异常报警，但监测数据精度不高、数据分析能力弱，实际适用范围小。赵淑芳[9]采用BP神经网络建立矿用设备安全预警系统，对矿用设备安全的关键指标数据进行异常状态趋势预测，但未能针对矿用设备维护提供有效措施，且智能化程度不高。本文通过构建基于模拟退火算法(Simulated Annealing，SA)的智能数据预选模型和基于卷积神经网络(Convolutional Neural Networks，CNN)的智能安全预知维护模型，设计了一种矿用设备智能安全监测与预知维护系统。该系统具有矿用设备安全监测数据预选、运行状态特征提取等功能，可实现矿用设备运行状态的精准判断和维护方案的智能预知。……