李新虎

(陕西能源冯家塔矿业运营有限责任公司，陕西榆林 719400)

当前，矿井旋转机械的检修维护多采用技术人员定期赴现场展开检测的方式进行，依靠人工在现场发现缺陷或检查故障，存在现场工作量大、故障发现概率低的缺点，并且因为缺乏对设备的实时监视预警能力，往往还会造成检修预案不全面，由小故障恶化为大故障的后果。

一方面，随着设备使用需求以及设备使用年限的增加，设备出故障的概率也越来越高，单纯依靠缩短检修周期将会给企业造成极大负担。另一方面，互联网技术迅速发展，电子设备越来越智能化，如何利用互联网技术与人工智能技术，开展设备自动化运检的相关研究，提高装置运行控制与保障能力，已经成为企业亟待解决的课题。

依托大数据技术运用关联规则算法，综合矿井机械设备的现场数据、历史运行数据(含故障分析)等信息，采用深度学习算法，建立设备的运行模型及故障预警知识库，从而对包括使用信息、调度信息、计量点管理等的设备在线运行状态给予全面评估，实现矿井旋转机械的动态运行分析与故障诊断。

1 基于大数据驱动的机械状态评估

1.1 设备状态评估

设备运行状态的评估包括故障诊断和劣化趋势预测2 部分。即不仅仅需要对当前的健康状态进行诊断，还需要确定部件或系统的剩余寿命和正常工作时间[4]。振动分析是矿井故障诊断的常用方法之一。振动参数在很大程度上表征了旋转机械的运行状态，但仅有振动而忽略机组的其他运行参数，将难以全面准确把握机组的运行状态和劣化趋势，容易造成故障的漏诊，无法满足设备智能化诊断和预测检修的需要。……