綜采設(shè)備健康狀態(tài)評估研究綜述

曹現(xiàn)剛， 段雍， 趙江濱， 楊鑫， 趙福媛， 樊紅衛(wèi)

（1. 西安科技大學(xué) 機(jī)械工程學(xué)院，陜西 西安 710054；2. 陜西省礦山機(jī)電裝備智能檢測與控制重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710054）

0 引言

煤炭是我國的重要工業(yè)原料，在未來長時(shí)間內(nèi)，仍將是我國主要能源[1]。隨著“十四五”碳達(dá)峰、碳中和戰(zhàn)略的持續(xù)推進(jìn)，煤礦智能化轉(zhuǎn)型已成為煤炭高質(zhì)量發(fā)展的重要支撐[2-3]。加快智能化煤礦建設(shè)，推進(jìn)智能無人綜采工作面進(jìn)程是我國煤炭工業(yè)科技創(chuàng)新及“十四五”發(fā)展方向的重要任務(wù)[4-5]?！赌茉醇夹g(shù)革命創(chuàng)新行動計(jì)劃（2016-2030年）》指出，我國在2030年基本實(shí)現(xiàn)煤炭開采智能化，基本實(shí)現(xiàn)重點(diǎn)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(shè)備包括采煤機(jī)、液壓支架、刮板輸送機(jī)、轉(zhuǎn)載機(jī)、乳化液泵等。綜采設(shè)備作為典型的復(fù)雜分布式機(jī)電系統(tǒng)，具有結(jié)構(gòu)層次復(fù)雜，分系統(tǒng)、零部件眾多，設(shè)備間相互關(guān)聯(lián)復(fù)雜等特點(diǎn)。綜采設(shè)備是典型的低速重載設(shè)備，工作環(huán)境復(fù)雜多變、可操作空間狹窄、易遭受煤巖沖擊，設(shè)備“帶病”工作現(xiàn)象普遍，如不進(jìn)行及時(shí)有效地監(jiān)測與處置，將造成人員傷亡。

綜采設(shè)備作為煤礦開采系統(tǒng)的關(guān)鍵執(zhí)行子系統(tǒng)，其故障狀態(tài)監(jiān)測已成為制約煤炭智能開采的關(guān)鍵因素，如何及時(shí)、準(zhǔn)確、智能地評估設(shè)備的運(yùn)行故障并可靠地預(yù)測其發(fā)展趨勢成為煤礦智能化進(jìn)程中亟待解決的問題之一。隨著綜采設(shè)備的大型化、復(fù)雜化、智能化發(fā)展，傳統(tǒng)的定期維護(hù)、事后維修的設(shè)備管理方式，已難以滿足煤礦智能化建設(shè)對設(shè)備運(yùn)行的高可靠性需求。故障預(yù)測與健康管理（Prognostics Health Management，PHM）[8-9]是實(shí)現(xiàn)設(shè)備預(yù)測性維護(hù)、保證設(shè)備安全可靠性、降低設(shè)備維護(hù)周期及維護(hù)費(fèi)用的關(guān)鍵手段：從被動維護(hù)到定期檢查再到事先預(yù)測；從診斷轉(zhuǎn)變?yōu)橹悄茴A(yù)測；從靜態(tài)任務(wù)規(guī)劃轉(zhuǎn)變?yōu)閯討B(tài)任務(wù)規(guī)劃；從被動保障轉(zhuǎn)變?yōu)樽灾鞅Ｕ?。健康狀態(tài)評估[10-11]是設(shè)備故障預(yù)測及健康管理的前提，利用信號處理、人工智能、機(jī)器學(xué)習(xí)等新技術(shù)評估設(shè)備整機(jī)、子系統(tǒng)及零部件的健康狀態(tài)，可為后期協(xié)調(diào)控制、任務(wù)規(guī)劃提供參數(shù)，為關(guān)鍵設(shè)備維護(hù)決策提供依據(jù)信息。因此，研究綜采設(shè)備健康狀態(tài)評估相關(guān)理論及技術(shù)對于煤礦智能開采具有較大的現(xiàn)實(shí)意義。

本文梳理、總結(jié)了近年來國內(nèi)外綜采設(shè)備健康狀態(tài)評估研究現(xiàn)狀及最新研究成果，重點(diǎn)討論了綜采設(shè)備健康狀態(tài)評估過程中設(shè)備關(guān)鍵監(jiān)測信號獲取、信號特征提取及融合、設(shè)備健康狀態(tài)等級劃分、綜采設(shè)備評估模型構(gòu)建等4大關(guān)鍵技術(shù)，分析了綜采設(shè)備健康狀態(tài)評估目前存在的主要挑戰(zhàn)，對未來綜采設(shè)備健康狀態(tài)評估主要的發(fā)展趨勢進(jìn)行了展望。

1 綜采設(shè)備健康狀態(tài)評估研究現(xiàn)狀

1.1 綜采設(shè)備健康狀態(tài)評估范疇界定

1） 綜采設(shè)備故障診斷?，F(xiàn)代故障診斷技術(shù)[12-13]是指通過現(xiàn)代診斷技術(shù)對設(shè)備及關(guān)鍵部件有無故障、出現(xiàn)部位和嚴(yán)重程度等進(jìn)行判別，是一項(xiàng)涉及傳感器技術(shù)、故障機(jī)理分析、信號處理、數(shù)據(jù)分析、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、人工智能等多領(lǐng)域交叉融合的綜合性技術(shù)。綜采設(shè)備故障診斷的研究主要包括信號感知及傳感監(jiān)測、故障機(jī)理與征兆聯(lián)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(xué)者對于綜采設(shè)備故障診斷主要針對設(shè)備機(jī)械部分的故障，主要技術(shù)為基于振動理論、信號分析的經(jīng)典診斷技術(shù)和基于大數(shù)據(jù)處理及融合的智能診斷技術(shù)，對于液壓、電氣電子及系統(tǒng)故障研究較少。因井下工況惡劣，受診斷對象復(fù)雜、算法研究難以驗(yàn)證、成果難以投入等因素影響，我國在煤礦機(jī)械故障診斷技術(shù)的研究相對滯后[14]。隨著綜采裝備智能化發(fā)展，專家學(xué)者試圖從多模態(tài)、多源信號、多特征領(lǐng)域進(jìn)行設(shè)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(jī)理、緊密結(jié)合先進(jìn)診斷技術(shù)、將大數(shù)據(jù)、深度學(xué)習(xí)、云計(jì)算等新方法引入該領(lǐng)域，研究多模態(tài)、大數(shù)據(jù)驅(qū)動的綜采關(guān)鍵設(shè)備故障診斷及超前預(yù)測技術(shù)已成為發(fā)展的重點(diǎn)。

2） 綜采設(shè)備健康狀態(tài)評估。綜采設(shè)備健康狀態(tài)評估是指通過不同煤礦傳感器采集反映綜采設(shè)備健康狀態(tài)的信息，利用信號分析及處理、人工智能、機(jī)器學(xué)習(xí)、大數(shù)據(jù)、云計(jì)算等新興技術(shù)評估綜采關(guān)鍵設(shè)備整機(jī)、子系統(tǒng)及零部件的健康狀態(tài)，實(shí)現(xiàn)綜采運(yùn)行狀態(tài)的主動感知，進(jìn)而為綜采設(shè)備的主動式預(yù)測預(yù)防管理提供決策支撐。與故障診斷相比，綜采設(shè)備健康狀態(tài)評估可估計(jì)出當(dāng)前裝備的健康狀態(tài)（圖1），健康狀態(tài)值是及時(shí)調(diào)整控制器參數(shù)的依據(jù)，同時(shí)又是制定短期、中期、遠(yuǎn)期維護(hù)方案的主要參數(shù)，為維護(hù)計(jì)劃制定、保障備件的調(diào)度調(diào)配提供了充足的時(shí)間，減少停機(jī)損失。

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

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

圖2 綜采設(shè)備故障診斷與健康狀態(tài)評估的邏輯關(guān)系Fig. 2 Logical relationship between fault diagnosis and health status assessment of fully mechanized mining equipment

目前，健康狀態(tài)識別相關(guān)技術(shù)已廣泛應(yīng)用于各行各業(yè)，主要包括軸承、風(fēng)電動機(jī)組、航空發(fā)動機(jī)、刀具、燃?xì)鉁u輪發(fā)動機(jī)、在軌衛(wèi)星健康狀態(tài)識別等[17-18]。煤礦智能化發(fā)展過程中，綜采設(shè)備健康狀態(tài)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(guān)鍵技術(shù)，綜采設(shè)備健康狀態(tài)評估流程如圖3所示。

圖3 綜采設(shè)備健康狀態(tài)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(jìn)傳感與監(jiān)測技術(shù)獲取反映綜采設(shè)備運(yùn)行狀態(tài)的感知信號是實(shí)現(xiàn)綜采設(shè)備健康狀態(tài)評估的首要任務(wù)。開采工作環(huán)境惡劣，采煤機(jī)、刮板輸送機(jī)等綜采設(shè)備工作狀態(tài)復(fù)雜多變，導(dǎo)致健康評估困難。不同綜采設(shè)備存在結(jié)構(gòu)繁雜、功能差異、工作環(huán)境差異，用于表征設(shè)備狀態(tài)的物理信息也具有差異。因此，專家學(xué)者試圖從多角度、多層次、多傳感信號對設(shè)備進(jìn)行監(jiān)測，確保更全面、準(zhǔn)確感知設(shè)備健康狀態(tài)，綜采關(guān)鍵設(shè)備及主要監(jiān)測信號見表1。

表1 綜采關(guān)鍵設(shè)備及主要監(jiān)測信號Table 1 Key equipment of fully mechanized mining and main monitoring signals

針對綜采設(shè)備感知難題，越來越多的新型傳感器被研究[29-31]，聲發(fā)射、巨磁阻、“振+溫+油”一體傳感器，紅外熱像儀、油液、視覺相機(jī)等感知方式從不同角度提升了綜采設(shè)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?shù)膫鞲衅骷安杉K端逐步取得發(fā)展，同時(shí)，大數(shù)據(jù)、5G網(wǎng)絡(luò)等新通信技術(shù)為井下信號傳輸提供了解決方案[34-35]。但目前對傳感器優(yōu)化配置及采集數(shù)據(jù)穩(wěn)定性的研究不多，現(xiàn)有煤礦信號采集技術(shù)未對數(shù)據(jù)的不均衡性和不完整性進(jìn)行深入研究，導(dǎo)致部分煤礦傳感器數(shù)據(jù)量過多或過少時(shí)無法及時(shí)、準(zhǔn)確捕獲設(shè)備實(shí)時(shí)運(yùn)行狀態(tài)等問題。

1.3 特征提取、選擇及融合

1） 數(shù)據(jù)級特征提取。數(shù)據(jù)級特征通常包括時(shí)域、頻域和時(shí)頻域特征等。時(shí)域特征主要包括均方根、均值、峭度、標(biāo)準(zhǔn)差、裕度指標(biāo)、關(guān)聯(lián)維數(shù)、信息維數(shù)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(qiáng)噪聲非平穩(wěn)信號，常用希爾伯特黃變換、小波分解、小波包分解、經(jīng)驗(yàn)?zāi)B(tài)分解、局部特征尺度分解、變分模態(tài)分解等時(shí)頻域分析方法分析信號。

在綜采設(shè)備信號特征提取研究中，郁杰等[36]采用經(jīng)驗(yàn)?zāi)B(tài)分解和獨(dú)立分量分析方法實(shí)現(xiàn)了輸送機(jī)振動信號特征提取。張睿等[37]對齒輪箱體振動信號進(jìn)行了時(shí)域、頻域分析，研究了截齒深度、煤層硬度及采煤機(jī)牽引速度等參數(shù)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(jī)搖臂齒輪局部故障。毛清華等[39]采用Morlet小波包絡(luò)解調(diào)完成了對采煤機(jī)搖臂齒輪的故障特征識別。冷軍發(fā)等[40]通過最優(yōu)濾波器對帶式輸送機(jī)滾筒軸承的微弱信號進(jìn)行濾波，并通過包絡(luò)解調(diào)分析信號。朱兆霞等[41]基于小波聯(lián)合倒譜分析完成了采煤機(jī)故障診斷。李力等[42]基于改進(jìn)小波去噪與集成經(jīng)驗(yàn)?zāi)B(tài)分解完成了采煤機(jī)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(jī)截割搖臂軸承故障。劉旭南等[44]基于Coif4小波完成數(shù)據(jù)小波包分解，建立了采煤機(jī)截割煤巖時(shí)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(jìn)行自適應(yīng)去噪，并通過深度學(xué)習(xí)提取了聲波中能表征煤巖不同截割模式的最優(yōu)特征；為解決截割環(huán)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(shí)頻分布規(guī)律。郝志勇等[46]通過實(shí)時(shí)采集銷軸和壓力環(huán)的三向應(yīng)變，利用小波分解、分形關(guān)聯(lián)維數(shù)等方法對滾筒截割載荷分布規(guī)律進(jìn)行研究。Li Changpeng等[47]提出了一種基于改進(jìn)的自適應(yīng)噪聲全集成經(jīng)驗(yàn)?zāi)B(tài)分解的采煤機(jī)截割聲信號特征提取方法。Xu Jing等[48]基于改進(jìn)集成經(jīng)驗(yàn)?zāi)B(tài)分解對切割聲音信號特征進(jìn)行提取，完成截割模式的識別。Si Lei等[49]采用復(fù)合多尺度排列提取了采煤機(jī)搖臂振動信號中隱含的狀態(tài)特征。Si Lei等[50]提出了一種基于改進(jìn)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(jì)算局部均值和包絡(luò)估計(jì)函數(shù)來改進(jìn)局域均值分解結(jié)果。Si Lei等[51]針對采煤機(jī)切割狀態(tài)識別方法難題，提出了一種集成局部均值分解、時(shí)頻統(tǒng)計(jì)分析、改進(jìn)拉普拉斯分?jǐn)?shù)和模糊C均值聚類算法的識別方法，有效提升了特征表達(dá)能力及識別準(zhǔn)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(jìn)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(jù)映射函數(shù)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(dú)立成分分析法作為線性特征提取方法的代表方法，只能學(xué)習(xí)線性流行結(jié)構(gòu)。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(xiàn)剛等[52]運(yùn)用主成分分析（Principal Component Analysis，PCA）算法完成了采煤機(jī)評估特征的轉(zhuǎn)換，減少數(shù)據(jù)維度，去除數(shù)據(jù)冗余。田立勇[53]研究了基于獨(dú)立成分和小波分析的滾筒特征數(shù)據(jù)提取方法，并基于改進(jìn)的深度置信網(wǎng)絡(luò)完成多傳感器信息融合，進(jìn)而實(shí)現(xiàn)滾筒載荷智能識別。葛世榮等[45]利用Kullback-Leibler散度和改進(jìn)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(wǎng)絡(luò)，通過引入貝葉斯正則化和粒子群優(yōu)化算法，實(shí)現(xiàn)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(jìn)行排序，生成了敏感特征組合，同時(shí)提出了改進(jìn)的LS算法保證了特征的準(zhǔn)確估計(jì)。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(gòu)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(shù)災(zāi)難、降低學(xué)習(xí)任務(wù)難度、提升模型效率的有效手段，大多數(shù)特征級特征提取方法已經(jīng)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(dú)提出。目前特征選擇及融合方法包括相關(guān)系數(shù)、選擇指標(biāo)（相關(guān)性、模糊性、單調(diào)性）、模糊聚類、距離度量、加權(quán)平均、PCA、極限梯度提升算法等。隨著深度學(xué)習(xí)的發(fā)展，卷積自編碼器、卷積神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)等深度學(xué)習(xí)網(wǎng)絡(luò)在特征提取、選擇及融合等應(yīng)用中表現(xiàn)優(yōu)異，有效避免了人工特征提取存在的弊端，且深度學(xué)習(xí)網(wǎng)絡(luò)可直接對特征進(jìn)行分類及預(yù)測，實(shí)現(xiàn)評估過程的完全自適應(yīng)。Ding Hua等[57]采用自編碼器網(wǎng)絡(luò)完成特征融合，并基于此實(shí)現(xiàn)采煤機(jī)健康預(yù)測。曹現(xiàn)剛等[58]提出了一種基于降噪自編碼器網(wǎng)絡(luò)的特征融合方法，完成了采煤機(jī)健康指標(biāo)的構(gòu)建。Si Lei等[59]采用多尺度模糊熵完成了采煤機(jī)搖臂振動信號的提取，通過嵌入維數(shù)、相似公差、指數(shù)函數(shù)梯度和數(shù)據(jù)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(gè)最重要的特征信息作為特征向量，合理體現(xiàn)了信號時(shí)間序列的復(fù)雜性。Si Lei等[60]提出了一種基于并行準(zhǔn)牛頓神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的智能多傳感器數(shù)據(jù)融合識別方法，基于搖臂振動信號和截割電動機(jī)的電流信號，為采煤機(jī)提供了一種截割狀態(tài)識別方案。彭強(qiáng)[61]通過嵌入學(xué)習(xí)模型學(xué)習(xí)煤礦機(jī)械軸承高維數(shù)據(jù)的流形結(jié)構(gòu)，在回歸模型中引入具有組稀疏性的L2,1范數(shù)，有效剔除冗余特征，然后聯(lián)合嵌入學(xué)習(xí)和稀疏回歸構(gòu)造特征選擇框架，選擇出能準(zhǔn)確表征原始高維數(shù)據(jù)的本質(zhì)特征。

綜采設(shè)備健康評估特征提取、選擇及融合的研究取得了很大的發(fā)展，但現(xiàn)有方法大多僅適用于平穩(wěn)條件下特征的提取及處理，無法準(zhǔn)確提取復(fù)雜工況下綜采設(shè)備早期微弱狀態(tài)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(shè)備運(yùn)行數(shù)據(jù)高維、海量、非線性、高度耦合性、多時(shí)空時(shí)間序列性等特點(diǎn)的智能特征提取方法研究不足，難以對綜采設(shè)備數(shù)據(jù)進(jìn)行有效處理及利用。

1.4 健康狀態(tài)等級劃分

合理劃分綜采設(shè)備健康狀態(tài)等級，有利于更好地描述綜采設(shè)備從健康、退化到故障的緩慢劣化過程，得到設(shè)備健康狀態(tài)實(shí)時(shí)、直觀的定性描述，進(jìn)而制定對應(yīng)的維修策略。在綜采設(shè)備健康評估中，Wang Zhongbin等[62]利用人工免疫算法對采煤機(jī)的動態(tài)健康狀態(tài)進(jìn)行分類，將采煤機(jī)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(tài)。曹現(xiàn)剛等[19]根據(jù)采煤機(jī)實(shí)際工作情況及專家經(jīng)驗(yàn)，將采煤機(jī)狀態(tài)分為健康、良好、一般、劣化、故障5種狀態(tài)。馬旭東等[23]根據(jù)液壓支架的健康指數(shù)建立了液壓支架分級，將液壓支架狀態(tài)分為健康、亞健康、不健康、病態(tài)、嚴(yán)重病態(tài)5個(gè)等級。鄭云龍[63]從刮板輸送機(jī)基本情況、歷史運(yùn)行參數(shù)、歷史維護(hù)記錄3個(gè)方面出發(fā)，將刮板輸送機(jī)健康模式分為健康模式、亞健康模式、不健康模式和危險(xiǎn)模式4類。目前，綜采設(shè)備健康狀態(tài)等級的劃分可主要分為3類方法：根據(jù)綜采設(shè)備全壽命周期的實(shí)際工作壽命及專家經(jīng)驗(yàn)劃分；根據(jù)設(shè)備全壽命周期運(yùn)行數(shù)據(jù)和無監(jiān)督聚類算法劃分；根據(jù)等級標(biāo)度法及性能指標(biāo)偏離標(biāo)準(zhǔn)程度劃分。前2種方法要求人們對于設(shè)備具有較深的認(rèn)識，且劃分結(jié)果依賴于設(shè)備退化數(shù)據(jù)，但這類數(shù)據(jù)難以獲??；第3種方法適用于退化規(guī)律未知、全壽命周期監(jiān)測數(shù)據(jù)難以獲取的設(shè)備，因此，研究該類狀態(tài)劃分方法對于退化規(guī)律復(fù)雜的綜采設(shè)備來說至關(guān)重要。

1.5 健康狀態(tài)評估模型建立

目前，綜采設(shè)備健康狀態(tài)評估方法主要分為模型驅(qū)動、知識驅(qū)動和數(shù)據(jù)驅(qū)動3種類型。模型驅(qū)動法通常根據(jù)失效機(jī)理來建立數(shù)學(xué)解析模型，以評估設(shè)備健康狀態(tài)，如馬氏距離法[64]、歐氏距離法[65]、卡爾曼濾波法[66]等。知識驅(qū)動法以專家知識為出發(fā)點(diǎn)，通過推理得到設(shè)備退化特征與設(shè)備健康狀態(tài)間映射關(guān)系，如證據(jù)理論[67]、模糊綜合評判[68]、置信規(guī)則庫等[69]。數(shù)據(jù)驅(qū)動法是基于設(shè)備運(yùn)行數(shù)據(jù)，構(gòu)建設(shè)備退化特征和其健康狀態(tài)間的非線性映射關(guān)系，如線性回歸、支持向量機(jī)、貝葉斯網(wǎng)絡(luò)、隱馬爾可夫、集成學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)及深度學(xué)習(xí)等[70-72]。

近年來，專家學(xué)者對綜采設(shè)備健康狀態(tài)評估進(jìn)行了大量研究。丁飛等[73]建立了基于應(yīng)力-強(qiáng)度干涉理論的液壓支架結(jié)構(gòu)疲勞動態(tài)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(yàn)法分析了液壓支架頂梁不同外載位置情況下的最大應(yīng)力，并利用應(yīng)力-強(qiáng)度干涉模型完成其可靠性評價(jià)。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(tài)進(jìn)行了評價(jià)，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(yùn)用離散元法，確定了研究因素對評價(jià)指標(biāo)的影響規(guī)律，完成了采煤機(jī)性能分析。馬旭東等[23]通過三標(biāo)度法改進(jìn)的模糊層次分析法得到液壓支架監(jiān)測參量的權(quán)重，引入變異系數(shù)和梯形模糊數(shù)提高評價(jià)準(zhǔn)確度。賴明榮[77]利用液壓支架監(jiān)測數(shù)據(jù)及歷史數(shù)據(jù)獲得支架劣化指數(shù)，采用最大隸屬度原則分析支架狀態(tài)，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(jià)法開發(fā)了智能綜采適應(yīng)性評價(jià)模型，完成了工作面開采效能、開采安全性的智能評價(jià)。閆向彤等[79]提出了一種基于PCA和云模型的采煤機(jī)健康狀態(tài)評估方法。曹現(xiàn)剛等[19,52]基于組合賦權(quán)法及模糊綜合評判完成了采煤機(jī)部件及整機(jī)的識別，同時(shí)提出了遺傳算法優(yōu)化反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)的采煤機(jī)健康狀態(tài)識別方法，基于上述相關(guān)成果，完成綜采裝備故障監(jiān)測與智能診斷系統(tǒng)開發(fā)，實(shí)現(xiàn)遠(yuǎn)程控制及結(jié)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(jī)健康狀況進(jìn)行了評估，給出了采煤機(jī)動態(tài)健康評估的系統(tǒng)框架、指標(biāo)選擇、健康評估模型等關(guān)鍵技術(shù)。Si Lei等[80]提出了一種改進(jìn)粒子群優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)方法，用于預(yù)測采煤機(jī)健康狀態(tài)，利用改進(jìn)粒子群算法對模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)優(yōu)化，并利用過早判斷和突變機(jī)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(wǎng)絡(luò)對螺旋滾筒截割性能及裝煤效果進(jìn)行了預(yù)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(jī)調(diào)高泵故障預(yù)測方法。Si Lei等[83]基于粗糙集算法和改進(jìn)小波神經(jīng)網(wǎng)絡(luò)來識別采煤機(jī)運(yùn)行狀態(tài)，通過遺傳算法及基于互信息的知識相對約簡算法實(shí)現(xiàn)樣本約簡，并通過粒子群優(yōu)化算法來優(yōu)化小波神經(jīng)網(wǎng)絡(luò)參數(shù)。鄭云龍[63]結(jié)合多種影響因素構(gòu)建了刮板輸送機(jī)評估體系，基于鏈速、機(jī)頭和機(jī)尾電動機(jī)電流、電動機(jī)轉(zhuǎn)矩等監(jiān)測參數(shù)，建立了基于BP神經(jīng)網(wǎng)絡(luò)的刮板輸送機(jī)實(shí)時(shí)健康狀態(tài)評估模型。曹現(xiàn)剛等[58]通過降噪自編碼器和一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)解決了采煤機(jī)健康狀態(tài)評估強(qiáng)噪聲干擾、權(quán)重分配問題。為解決采煤機(jī)數(shù)據(jù)類別不平衡等問題，曹現(xiàn)剛[84]通過卷積神經(jīng)網(wǎng)絡(luò)來提取各監(jiān)測參量間的關(guān)系，然后通過極端梯度提升算法識別采煤機(jī)健康狀態(tài)，提高了評估的準(zhǔn)確性[84。陳相丞[85]對采煤機(jī)健康評估系統(tǒng)架構(gòu)及指標(biāo)選擇等關(guān)鍵技術(shù)進(jìn)行了研究。翟文睿等[20]對采煤機(jī)性能退化方法進(jìn)行了研究。Ding Hua等[57]結(jié)合自動編碼器與深度雙向門控循環(huán)構(gòu)建了預(yù)測模型，對采煤機(jī)搖臂進(jìn)行了預(yù)測定量分析，有效提高了預(yù)測準(zhǔn)確度。丁華等[86]通過融合數(shù)字孿生與深度技術(shù)，實(shí)現(xiàn)了采煤機(jī)健康狀態(tài)預(yù)測，完成了采煤機(jī)在線高逼真度行為仿真及實(shí)時(shí)狀態(tài)可視化。曹懷建等[87]基于深度學(xué)習(xí)與自組織映射神經(jīng)網(wǎng)絡(luò)研究了采煤機(jī)截齒壽命預(yù)測方法。

模型驅(qū)動、知識驅(qū)動、數(shù)據(jù)驅(qū)動3類綜采設(shè)備健康狀態(tài)評估方法的對比見表3。在具體評估過程中，還應(yīng)注意不同層級、系統(tǒng)帶來的不同評判效果，針對復(fù)雜的綜采系統(tǒng)可先評估子系統(tǒng)、系統(tǒng)，然后再進(jìn)行整機(jī)評估，一定程度上避免不同層級、系統(tǒng)間的影響，使得評估結(jié)果更加可靠。

表3 綜采設(shè)備健康狀態(tài)評估方法對比Table 3 Comparison of health status assessment of fully mechanized equipment methods

2 綜采設(shè)備健康狀態(tài)評估面臨的挑戰(zhàn)

1） 綜采設(shè)備信號獲取技術(shù)及傳感器數(shù)據(jù)穩(wěn)定性研究具有挑戰(zhàn)。煤炭開采中，受井下開采條件約束，傳感器安裝位置及數(shù)目難以準(zhǔn)確確定，從而影響設(shè)備綜合效率，導(dǎo)致綜采設(shè)備感知信號對空間結(jié)構(gòu)信息的表征能力不足，對空間結(jié)構(gòu)狀態(tài)變化的靈敏度降低，因此，提出針對綜采環(huán)境、綜采設(shè)備的傳感器優(yōu)化布置方案為首要任務(wù)。受傳感器工作性能、井下環(huán)境和綜采裝備結(jié)構(gòu)等因素影響，設(shè)備數(shù)據(jù)不可避免地包含冗余、錯(cuò)誤、缺失、異常等數(shù)據(jù)；受井下人員操作失誤等因素影響，造成傳感器數(shù)據(jù)可靠性、穩(wěn)定性差，降低了健康狀態(tài)評估準(zhǔn)確性。因此，研究有效的數(shù)據(jù)清洗技術(shù)，構(gòu)建數(shù)據(jù)可靠性評價(jià)體系，評估數(shù)據(jù)的完整性、可靠性、準(zhǔn)確性、可信性、時(shí)效性和可解釋性意義重大。

2） 數(shù)據(jù)預(yù)處理困難，特征提取難度大、評估指標(biāo)體系難以建立。煤礦生產(chǎn)中，各種礦用傳感器遍布于綜采設(shè)備，在不同層面反映了設(shè)備在不同時(shí)刻、不同工況下的健康狀態(tài)信息，蘊(yùn)含了設(shè)備運(yùn)行狀態(tài)的內(nèi)在演化規(guī)律與本質(zhì)。綜采設(shè)備運(yùn)行數(shù)據(jù)具有高維低特征性、海量性、非線性、高度耦合性、不真實(shí)數(shù)據(jù)混雜性、多時(shí)空時(shí)間序列性等特點(diǎn)，因此，對其進(jìn)行有效地處理和利用及其困難。綜采設(shè)備工作環(huán)境復(fù)雜多變，對煤礦機(jī)械非線性系統(tǒng)的非平穩(wěn)信號（如變速信號、沖擊信號等）進(jìn)行分析，提取可表征健康狀態(tài)的評估特征難度大。同時(shí)，設(shè)備運(yùn)行時(shí)各部件、零件之間聯(lián)系緊密，監(jiān)測參數(shù)關(guān)聯(lián)關(guān)系復(fù)雜，如何根據(jù)采煤機(jī)自身結(jié)構(gòu)及工作特點(diǎn)，對現(xiàn)有信號特征進(jìn)行選擇、組合及利用，并在遵循獨(dú)立性、可測性、客觀性和代表性原則下，構(gòu)建綜采設(shè)備健康評價(jià)體系是一大難題。

3） 綜采設(shè)備健康狀態(tài)評估模型的研究尚處于初級階段，建立準(zhǔn)確度高、泛化能力強(qiáng)的健康狀態(tài)評估模型具有挑戰(zhàn)?；谀Ｐ偷脑u估方法因綜采設(shè)備失效類型復(fù)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(jī)自身結(jié)構(gòu)及工況條件影響，評估過程人為干預(yù)較多。目前的綜采設(shè)備健康狀態(tài)評估模型大多使用有監(jiān)督的機(jī)器學(xué)習(xí)算法，但模型過度依賴龐大訓(xùn)練樣本，樣本標(biāo)簽制作費(fèi)時(shí)費(fèi)力；自學(xué)習(xí)能力弱，同時(shí)特征提取過程與健康狀態(tài)評估過程相互孤立；結(jié)構(gòu)復(fù)雜，大量超參數(shù)調(diào)節(jié)困難，訓(xùn)練難度大；模型泛化能力低、可解釋性差。綜采設(shè)備服役環(huán)境復(fù)雜，不同工況條件導(dǎo)致不同設(shè)備甚至同型號設(shè)備退化過程與失效閾值具有差異。但現(xiàn)有模型的訓(xùn)練樣本多是單一服役環(huán)境和平穩(wěn)工況下的運(yùn)行數(shù)據(jù)，當(dāng)對不同工況環(huán)境下的綜采設(shè)備進(jìn)行健康狀態(tài)評估時(shí)，評估模型難以發(fā)揮作用。

4） 針對綜采設(shè)備群的多模型混合健康狀態(tài)評估模型難以建立。當(dāng)前綜采設(shè)備健康狀態(tài)評估的研究大多面向單一設(shè)備或系統(tǒng)組件的單一失效模式，因設(shè)備工作環(huán)境等因素影響，針對分系統(tǒng)、零部件眾多且結(jié)構(gòu)層次繁雜的復(fù)雜分布式機(jī)電系統(tǒng)的研究工作難以展開，因此如何基于多源大數(shù)據(jù)信息，獲取設(shè)備健康狀態(tài)演化機(jī)理數(shù)據(jù)表征，揭示綜采設(shè)備群內(nèi)部各設(shè)備、部件間的相互耦合關(guān)系及相互作用機(jī)理，研究多模型混合策略，實(shí)現(xiàn)綜采設(shè)備群在線狀態(tài)評估及預(yù)測，是煤礦智能化進(jìn)程的重要技術(shù)難題。

5） 將健康狀態(tài)評估、預(yù)測結(jié)果引入綜采設(shè)備智能維護(hù)策略，完成開采系統(tǒng)的預(yù)測性維護(hù)亟待解決。健康狀態(tài)評估作為PHM首要環(huán)節(jié)，如何將健康評估、預(yù)測結(jié)果與智能維護(hù)策略相結(jié)合，實(shí)現(xiàn)綜采裝備預(yù)測性維護(hù)，降低裝備維護(hù)費(fèi)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(shè)備健康狀態(tài)評估展望

1） 針對綜采設(shè)備特殊性，其故障機(jī)理的研究仍十分必要，需考慮綜采設(shè)備關(guān)鍵部件結(jié)構(gòu)的非線性、載荷的時(shí)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(shè)備零部件和整機(jī)動力學(xué)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(jù)，提升綜采環(huán)境、綜采設(shè)備傳感器優(yōu)化布置方案。增強(qiáng)傳感器可靠性及穩(wěn)定性，完善數(shù)據(jù)質(zhì)量和風(fēng)險(xiǎn)管理系統(tǒng)，構(gòu)建數(shù)據(jù)可靠性評價(jià)體系，奠定數(shù)據(jù)基礎(chǔ)。

2） 完善基礎(chǔ)數(shù)據(jù)存儲和高性能計(jì)算平臺，建立面向綜采設(shè)備大數(shù)據(jù)的統(tǒng)一數(shù)據(jù)描述模型和接口標(biāo)準(zhǔn)，基于Hadoop、Apache Flink等框架，研究數(shù)據(jù)在線高效清洗、重構(gòu)、快速查詢及檢索方法，提高數(shù)據(jù)的實(shí)用性及有效性；研究適用于非線性綜采設(shè)備系統(tǒng)的非平穩(wěn)信號分析新方法，如分?jǐn)?shù)階快速傅里葉變換和分?jǐn)?shù)階小波分析、正交小波分析、經(jīng)驗(yàn)?zāi)B(tài)分解、自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解、互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解、變分模態(tài)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(jī)鄰域嵌入、核主成分分析、等度量映射、統(tǒng)一流形近似投影、局部線性嵌入、卷積神經(jīng)網(wǎng)絡(luò)、卷積自編碼器、預(yù)測及加性集成學(xué)習(xí)等，完成特征有效提取及融合，為健康狀態(tài)評估提供具有表征意義的數(shù)據(jù)特征，構(gòu)建評估指標(biāo)集，提高健康狀態(tài)評估準(zhǔn)確度。

3） 合理加大深度學(xué)習(xí)在健康狀態(tài)評估方面的研究力度。深度學(xué)習(xí)是一種基于數(shù)據(jù)的表征學(xué)習(xí)方法，可以處理復(fù)雜的機(jī)器感知問題，實(shí)現(xiàn)模型自適應(yīng)學(xué)習(xí)。針對綜采設(shè)備監(jiān)測數(shù)據(jù)特點(diǎn)，構(gòu)建基于深度學(xué)習(xí)的評估模型，研究振動、速度、電流等信號圖像轉(zhuǎn)換方法（時(shí)頻圖、極坐標(biāo)圖、灰度圖、格拉姆角場、遞歸圖、馬爾可夫變遷場），進(jìn)而采用主流二維深度學(xué)習(xí)模型進(jìn)行智能健康狀態(tài)識別；在卷積神經(jīng)網(wǎng)絡(luò)中融入支持向量機(jī)、極限梯度提升等算法加強(qiáng)模型的可解釋性及分類能力；基于數(shù)據(jù)樣本不充分或不平衡問題，加強(qiáng)遷移學(xué)習(xí)、生成式對抗網(wǎng)絡(luò)、Wasserstein生成式對抗網(wǎng)絡(luò)、深度卷積生成式對抗網(wǎng)絡(luò)、合成少數(shù)類過采樣技術(shù)等算法的應(yīng)用；應(yīng)對評估過程中非線性、高噪聲、時(shí)效性差等問題，利用深度卷積神經(jīng)網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)、降噪自編碼器、殘差收縮網(wǎng)絡(luò)、基于核函數(shù)的深度學(xué)習(xí)模型、深度時(shí)空推理網(wǎng)絡(luò)等完成健康狀態(tài)實(shí)時(shí)評估；在故障預(yù)測方面，以循環(huán)神經(jīng)網(wǎng)絡(luò)、門控循環(huán)單元、長短期記憶網(wǎng)絡(luò)、Transformer模型為代表，可解決預(yù)測算法的長依賴問題，針對傳統(tǒng)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(xué)習(xí)框架，如DeepGI框架、LSTNet框架、Informer框架等，掌握數(shù)據(jù)的跨時(shí)非線性依賴。

4） 研究具有非線性、泛化能力強(qiáng)的動態(tài)綜采設(shè)備健康狀態(tài)評估模型?，F(xiàn)有模型研究多為靜態(tài)模型，不能有效表征綜采設(shè)備動態(tài)非線性的性能退化過程。提取零部件間的復(fù)雜關(guān)聯(lián)關(guān)系，研究時(shí)變工況等動態(tài)因素對健康狀態(tài)評估模型的影響，研究綜采設(shè)備群內(nèi)部各設(shè)備、部件間的相互耦合關(guān)系，采用動態(tài)貝葉斯網(wǎng)絡(luò)和Petri網(wǎng)等反映系統(tǒng)中不同零部件、不同設(shè)備間的耦合關(guān)系及其動態(tài)退化過程，利用丟棄法、正則化等方法增強(qiáng)模型的泛化能力。研究設(shè)備壽命預(yù)測方法，揭示設(shè)備群的剩余壽命退化規(guī)律，針對煤炭開采過程特點(diǎn)，構(gòu)建具有多健康狀態(tài)的設(shè)備群的預(yù)知維護(hù)決策模型，綜合考慮維護(hù)決策對煤炭生產(chǎn)和安全的影響，研究生產(chǎn)調(diào)度計(jì)劃與維護(hù)聯(lián)合決策優(yōu)化方法，研究不同維修方式對維護(hù)決策結(jié)果的影響，為開采系統(tǒng)的智能化控制提供依據(jù)，為綜采設(shè)備的智能維護(hù)提供新的思路。

5） 建立基于大數(shù)據(jù)、物聯(lián)網(wǎng)、云存儲、移動端應(yīng)用等技術(shù)的綜采設(shè)備健康狀態(tài)評估系統(tǒng)，實(shí)現(xiàn)本地與遠(yuǎn)程、B/S與C/S模式切換，基于數(shù)字孿生和VR/AR/MR完成可視化監(jiān)控。通過交互式可視化應(yīng)用展示綜采設(shè)備健康狀態(tài)評估模型結(jié)構(gòu)、模型參數(shù)及評估結(jié)果。利用性能退化圖、故障映射圖、性能雷達(dá)圖等可視化工具完成人機(jī)交互。開發(fā)綜采設(shè)備健康狀態(tài)評估算法庫，建立面向?qū)ο蟮木C采裝備健康狀態(tài)評估標(biāo)準(zhǔn)架構(gòu)、開發(fā)綜采裝備智能運(yùn)維、健康狀態(tài)評估軟件。

4 結(jié)語

總結(jié)了國內(nèi)外綜采設(shè)備健康狀態(tài)評估最新研究成果，從綜采設(shè)備信號獲取、特征提取及融合、健康狀態(tài)等級劃分、健康狀態(tài)評估模型建立4個(gè)方面出發(fā)，討論了綜采設(shè)備健康狀態(tài)評估研究現(xiàn)狀，分析了綜采設(shè)備健康狀態(tài)評估存在的主要挑戰(zhàn)，探討了未來綜采設(shè)備健康狀態(tài)評估主要的發(fā)展趨勢。綜采設(shè)備健康狀態(tài)評估與預(yù)測性維護(hù)技術(shù)在煤炭領(lǐng)域備受關(guān)注，但仍然存在巨大挑戰(zhàn)。后續(xù)應(yīng)加大綜采設(shè)備故障機(jī)理研究，優(yōu)化數(shù)據(jù)獲取方式，構(gòu)建數(shù)據(jù)評估體系；推進(jìn)煤礦大數(shù)據(jù)平臺建設(shè)，深入研究數(shù)據(jù)處理、特征提取算法；重視深度學(xué)習(xí)在綜采設(shè)備評估上的應(yīng)用；進(jìn)一步開發(fā)具有優(yōu)良泛化能力和非線性動態(tài)健康狀態(tài)評估模型，進(jìn)一步研究具有多健康狀態(tài)的設(shè)備群的預(yù)知維護(hù)決策模型與方法；同時(shí)注重理論成果轉(zhuǎn)化，實(shí)現(xiàn)現(xiàn)場應(yīng)用，確保綜采設(shè)備健康狀態(tài)評估理論研究、算法開發(fā)和工程應(yīng)用三線齊頭并進(jìn)。