煤矿智能化是煤炭综合机械化发展的新阶段，是煤炭工业高质量发展的核心技术支撑，是我国能源技术革命的新方向。《能源技术革命创新行动计划(2016—2030年)》指出，到2030年我国基本实现煤炭智能化开采，重点煤矿区实现工作面无人化，采煤机械化程度达到95%以上。改革开放以来，我国煤矿经历了普通机械化、综合机械化到自动化等发展过程，并逐步迈向智能化，新形势下，煤炭生产规则日益完善，国家对煤炭资源节约与综合利用发展提出了更高的要求，煤炭生产中新技术、新工艺的运用，为我国经济社会发展能源保障奠定了基础。王国法院士指出加快煤矿智能化发展，建设智慧煤矿是煤炭工业的战略方向，也是时代潮流和国家战略。目前，煤矿安全高效矿井系统的机械化程度已超过90%以上，初级多系统数字矿山综合自动化系统的开发已取得实际的应用，我国初步构建了智慧煤矿系统框架，实现了单个系统或岗位的“点上无人作业”，未来将逐步实现工作面“面上无人作业”和“全矿井一线无人化作业”。但当前煤矿智能化发展尚处于起步阶段，王国法院士等提出煤矿智能化发展需要分层次、分阶段、分重点逐步推进，到2035年，我国将全面建成以智慧煤矿为支撑的煤炭工业体系。随着“数字矿山”、“感知矿山”及“智慧矿山”等新概念、新技术不断涌现，美国、德国、澳大利亚等国为取得在采矿工业中的竞争优势，都开始加快煤矿自动化、智能化进程，并制定了相应的研究发展规划[13-16]。近年来，国外煤矿通过地质钻孔和掘进相结合的方式，以地质条件为载体，顶层规划自动化采煤过程，实现智能化采煤。德国推出了PM3综采电液控制自动化系统，美国JOY公司推出了适用于长壁工作面的远程智能增值产品/服务系统，澳大利亚将LASC系统推广于国外煤矿，使矿井煤炭产量提高了5%~25%，联邦科学与工业研究组织启动了“Landmark”研究计划，探索先进、安全、高效的自动化技术以替代人工实际操作。因此，煤矿智能化不仅是我国能源技术革命的新方向，也是全球煤炭行业绿色、高效、健康发展的关键。
煤矿设备工作条件恶劣，矿用固定设备、运输设备、采掘设备、支护设备、分选设备等带病工作现象比较普遍，一旦发生失效或维护不当，将造成严重的经济损失，甚至造成人员伤亡。因此，对煤矿设备进行实时监测及预防性维护，研究煤矿设备群健康状态评估方法，实现煤炭生产系统智能维护与健康管理决策，是煤炭装备安全可靠运行的前提，也是实现无人化作业和智能开采、智能化生产的基础。随着煤矿设备的大型化、复杂化、智能化，传统的定期维护、事后维修的设备管理方式，已难以满足煤矿智能化建设对设备运行的高可靠性需求，迫切需要建设具有网络化、数字化以及远程监测与故障诊断等一站式服务功能的煤矿设备智能运维平台。因此，如何将物联网、大数据、云计算等新兴技术充分实际应用于煤矿智能化建设，实现大型煤矿设备的健康管理及智能维护成为煤矿智能化进程中亟待解决的重大问题之一。
笔者在提出煤矿设备智能维护与健康管理技术概念的基础上，从煤矿设备大数据分析技术，智能故障诊断、健康状态评价及预测技术，智能维护决策技术3个方面对目前煤矿设备智能维护现状进行了叙述。分析了目前煤矿设备智能维护与健康管理技术各方面存在的主要问题，对未来煤矿设备智能维护与健康管理技术进行了展望。
1 煤矿设备智能维护与健康管理技术概况
煤矿设备的智能维护与健康管理技术是指将新一代信息技术与设备维护决策理论相结合，实现设备运行状态的主动感知、大数据存储与分析、设备故障诊断与预测、设备维护决策等行为，将传统的“被动式业务管理”演变为“主动式预测预防管理”，实现数据驱动的全寿命周期智能决策，促进设备管理的持续优化与改进，降低业务成本。
随着煤炭生产自动化、智能化水平不断提升，我国煤矿设备的智能运行维护管理理念已由事后维修、定时维修逐步向预防性维护、视情维护转变。各种DCS控制、MES、生产安全等监测、控制系统的应用为煤炭生产提供了帮助，其中黄陵一号煤矿、金鸡滩煤矿等均在一定程度上初步形成了煤炭生产智能化与少人化，陕西彬长小庄、大佛寺等煤炭企业也在逐步完成关键设备监测与诊断技术的更新与实现。图1为西安科技大学机械工程学院自主研发的综采设备监测系统，其包括数据实时采集与分析、故障实时预警、设备信息管理等功能。
图1 综采设备监测系统
煤矿智能化进程中，基于设备智能管理及维护技术的煤炭生产理念取得了极大的发展，图2为煤矿设备健康维护与智能管理的总体框架，其包括数据层、数据智能分析处理平台、应用服务层3大模块。其中数据层主要完成多源异构数据的采集、监测及传输，数据智能分析处理平台包括工况的自感知，工艺的自学习等，应用服务模块主要完成设备状态识别、设备健康与预知维修决策、维修知识重建等服务。
图2 煤矿设备健康维护与智能管理总体框架
由于煤矿生产环境恶劣、设备分布复杂，目前大多煤矿管理与维护系统均具有数据体系不完善、采集渠道不畅通，设备故障监测时效性不强，设备健康状态评价、检测方法预测及维护技术有限，智能预测、诊断及维护系统薄弱等问题。因此，煤矿设备智能维护技术的发展应充分利用工业互联网，建立煤炭企业设备大数据湖，深入研究煤矿设备智能故障诊断、健康状态评估、预测及维护等新技术，从而形成具有鲜明特色的煤矿机电设备健康管理体系。
2 煤矿设备大数据分析技术
煤炭企业管理由粗放型到精细化的转变关键在于煤炭大数据平台的建设，即建立全国煤炭数据实时在线采集系统，形成基础数据库，统一数据传输接口标准，实现基层煤矿数据的实时更新。煤矿生产中，各种矿用传感器遍布于煤矿设备，其监测数据格式、内容各不相同，在不同层面反映了系统在不同时刻、不同工况下的运行状态、寿命状态与工作状态，从系统各个层面记录了健康状态信息，蕴含了系统运行状态的内在演化规律与本质。但是，由于煤炭生产的特殊性及煤炭机械设备工作环境恶劣，煤矿机械设备产生的数据具有高维低特征性、海量性、非线性、高度耦合性、多时空时间序列性、不真实数据混杂性等特点，因此，对其进行有效的处理及利用极其困难。
随着分布式文件系统GFS、分布式数据库BigTable、Mapreduce、开源实现平台Hadoop等云计算技术的提出，大数据的采集及管理得到了较大的提升。大数据传输及存储方式、数据清洗框架、数据分段模式匹配的快速查询机的研究及使用为煤矿设备的维护管理提供了新的思路。在煤矿大数据平台结构方面，曹现刚等针对目前煤矿机电设备运行状态数据量大、关系复杂且利用率低的现状，提出了一种基于Hadoop的煤矿机电设备运行状态大数据管理平台，实现了对煤矿机电设备状态大数据的高效管理。申琢等基于数据集成、挖掘和可视化，设计并开发了由设备层、网络层、数据层、挖掘层和展示层组成的基于数据挖据的煤炭大数据可视化管理平台。沈宇等对实际工况进行调研，设计并搭建了煤矿安全大数据生产监管联网平台。孙继平利用大数据技术，提高了煤炭安全管理和煤矿事故的分析能力。谭章禄等对煤矿大数据的平台发展方向及建设阻力进行了分析。在大数据处理及清洗方面，姜韦光等针对采煤机传动系统运行状态数据存在噪声点、缺失值的问题，建立了一种基于Storm的数据实时清洗平台。马宏伟等针对煤矿综采设备运行状态数据量大、数据存在噪声和缺失值等问题，建立了一种基于MapReduce的煤矿综采设备运行状态大数据清洗模型，采用双MapReduce协同工作，实现了噪声数据的有效剔除和缺失数据的补全。文献研究了数据集成与数据治理技术与数据可视化等技术。张元刚等建设了基于工业大数据的煤流运输设备在线监测及预警分析系统。张长鲁采用“六何分析法+对数线性模型”完成了文本型煤矿事故隐患大数据的结构化转换，揭示了煤矿隐患各维度间的交互影响关系。 严英杰等利用时间序列分析对数据进行了清洗建模。
通过分析可知，目前煤矿大数据平台及相关数据分析理论研究正处于起步阶段，煤矿大数据的价值还未得到充分的挖掘和利用，煤炭行业目前还没有建立获取、存储、传输设备运行状态大数据的通用标准和统一的数据描述模型，未来还需在煤矿大数据平台的搭建、煤矿数据采集、清洗、融合和挖掘等方面展开深入研究。
3 煤矿设备智能故障诊断、健康状态评价及预测技术
3.1 煤矿设备智能故障诊断
煤矿设备的健康运行对煤炭安全、高效、绿色、智能开采至关重要。其工作环境恶劣、条件苛刻，一旦发生失效或维护不当，将造成严重的经济损失甚至引起人员伤亡等重大安全事故。随着煤炭生产智能化发展，煤矿机械设备的故障诊断技术取得了极大的进步。胡明等基于小波包和支持向量机完成了矿井主通风机故障诊断系统的研究，雷志鹏等采用PLC实现了综采设备配套减速器和电机的运行状态实时监测，基于D-S证据理论实现其故障诊断。靳志欣等通过分析12/8极开关磁阻电机驱动系统三相不对称半桥型功率变换器的故障类型，求解出正常状态和故障状态下相绕组电流的解析解，实现了故障相识别。冷军发等运用经验模态分解和Teager-Kaiser能量算子方法，一定程度上完成了提升机齿轮箱的故障诊断。李曼等针对矿用本安电源性能检测手段效率低、数据处理和复杂功能难实现等问题，设计并开发了矿用本安直流电源自动测试系统。并基于虚拟仪器技术，针对煤矿提升、通风等设备监测难度大、实时性不强等问题，均开发了相关测试系统，完成了煤矿机械设备的智能监测与诊断。
目前国内外对开采系统设备健康维护管理研究主要集中在单个设备或部件的故障监测与诊断维护方面。现代矿用机械装备朝着大型化、复杂化、高速化、自动化和智能化的方向发展，依赖于人的传统诊断方法，已远不能满足当前需要，因此，在煤矿生产中融合智能传感网络、智能诊断算法、智能决策预示的智能诊断系统的专家会诊平台和远程诊断技术显得格外重要。
3.2 煤矿设备健康状态评价与预测
设备寿命预测和健康管理是可靠性工程领域的核心技术之一，在我国工业发展的道路上取得了蓬勃发展和广泛应用。国内外相关研究非常多，但对于煤炭企业，特别是类似综采设备群的结构层次繁杂、分系统、零部件众多的复杂分布式机电系统的研究相对较少。随着设备维护进入“大数据”时代，数据驱动的开采系统健康状态评估、寿命预测问题亟待解决。
针对开采系统设备健康状态评价，目前的研究主要集中在单台设备或单个部件的可靠性评估方面，文献均对液压支架的可靠性进行了评估、建立了液压支架综合评价模型，曹现刚等针对采煤机的健康状态评估，提出了一种基于组合赋权法的评估模型和一种基于主成分分析与遗传算法优化BP神经网络算法的智能评估方法。雷亚国等提出了一种利用机械频域信号训练深度神经网络的设备健康状态识别方法，能够摆脱对大量信号处理技术与诊断经验的依赖。对于煤矿设备健康状态预测的研究，张峰恺建立了基于Hadoop分布式支持向量回归算法的设备故障趋势预测模型。赖明荣研究了基于模糊理论的液压支架寿命预测方法。曹现刚等提出了一种数据驱动的多特征参数设备健康状态评估与预测的模型，采用logistic回归分析，综合设备的各个特征参数，建立了描述设备性能状态的综合故障概率指标。DEUTSCH提出了一种基于深度学习和大数据的旋转机械剩余寿命预测方法。
通过以上分析可得，当前煤矿设备健康状态评价与预测的研究，大多面向的是单一设备或系统组件的单一失效模式，煤矿机电设备工作环境恶劣，分布复杂，特别是针对结构层次繁杂、分系统、零部件众多的复杂分布式机电系统的研究工作难以展开，在两化融合的大形势下，数据驱动的煤矿设备的智能故障诊断、健康状态评估、寿命预测等已成为煤矿智能化进程的首要技术难题。
4 煤矿设备智能维护决策技术
对煤矿复杂机电系统而言，不同设备间（如掘进系统、综采系统 ）存在复杂的相互关联关系，系统性能与设备性能间存在矛盾和冲突，系统层的最佳维修策略不能是部件级的简单叠加，需要在综合考虑停机损失、维修费用等基础上进行调整优化，从而提高系统可用度水平。为此，调整不同部件的维修时机，在系统层进行合理优化，保证系统可用度的前提下降低维修费用等是需要重点研究的问题。
文献针对一类相同或不同的设备群视情维护决策问题，以综合考虑维护费用、停机损失费用、备件库存费用、检查费用等总费用最小为决策目标，建立了针对设备群实现设备检查周期、备件存储量和设备预防性维护状态阀值联合优化的维护决策模型。李佳佳提出了基于云计算的设备维护决策支持系统，借助云计算及设备维护管理技术，为用户提供了决策支持。曹现刚等通过威布尔分布模拟各台设备劣化趋势，建立煤矿设备维护不安全耦合模型，建立了以维护成本最低与停机损失最小为目标的设备维护模型。
通过分析可知，在当前煤炭生产中，煤炭设备的健康维护决策的应用已取得了初步的进展，但是均具有研究对象多集中于单个设备或系统组件之间相互独立的简单系统，仅考虑设备的两状态变化，对具有多健康状态的综采设备群类复杂机电系统的预知维护决策研究较少等问题，因此，这一方面的研究应是未来技术突破的重点。
5 煤矿设备智能维护与健康管理技术展望
我国煤矿的智能化开采技术处于发展阶段，智能化开采技术的应用能够有效避免重大安全事故，提高开采效率和质量。2020年3月，国家发改委等八部委印发了《关于加快煤矿智能化发展的指导意见》，指导意见明确提出，到2035年，各类煤矿基本实现智能化，建成智能感知、智能决策的煤矿智能化体系。建设数字化智慧矿山成为国内外煤炭开发企业的必然选择。煤矿设备智能维护与健康管理技术将在构建“感知-互联-分析-自学习-预测-决策-控制”的煤炭生产智能化体系和架构中扮演中不可替代的角色。开展煤矿设备的智能维护与健康管理技术研究，应紧密结合人工智能、大数据、互联网、云计算、区块链等新兴技术，利用两化融合大形势带来的创新服务和创新模式，构建煤矿设备管理大数据平台，完善设备管理服务体系，提高设备管理精益化水平，创新设备维护手段和模式，建立设备生命周期绩效评估体系和设备状态分析跟踪体系，促进设备管理业务模式创新和组织管理变革，最终实现煤矿设备全生命周期管理。如图3所示，未来煤矿设备智能维护与健康管理技术的研究将主要集中在煤矿设备大数据分析技术，数据驱动的煤矿设备群健康状态评估与寿命预测技术，煤矿设备多目标预知维护决策技术等方面。
图3 煤矿设备智能维护与健康管理技术体系
1）煤矿设备多源异构大数据标准化、统一描述及分析处理研究。设备维护系统及其他系统进行数据交换与共享的前提是数据的标准化和统一描述，设备清洗、重构模型，煤矿设备大数据的快速查询及检索方法，提高数据的实用性及有效性，并利用数据可视化技术，使设备运行数据直观化、形象化，提高煤矿生产中业务决策能力。
2）数据驱动的煤矿设备群健康状态评估与寿命预测方法研究。煤矿设备寿命预测和健康管理是煤炭智能开采的核心技术，对于煤矿设备群健康状态评估与寿命预测方法的研究，应该基于设备大数据，分析煤矿设备健康状态模型识别效率的影响因素，建立适应煤矿设备特点的健康状态评估模型，形成量化的健康状态评估指标。研究数据驱动的设备智能劣化分析与预警方法，通过构建数据驱动的设备异常模型和正常模型，建立历史数据驱动的结合各类算法和规则引擎的故障分析模型，实现设备状态识别与故障预警相关功能。研究面向突变工况的设备剩余寿命计算精度分析模型，设备全寿命周期数据驱动的剩余寿命预测的置信评价模型，进一步研究设备群的健康状态评估与寿命预测方法，研究设备群内部各设备、部件间的相互耦合关系，揭示设备群的剩余寿命退化规律，为开采系统的智能化控制提供依据，为煤矿设备的智能维护提供新的理论基础。
3）煤矿设备多目标预知维护决策研究。针对煤炭开采特点，需要进一步研究具有多健康状态的设备智能维护需要不断完善基础数据存储和高性能计算平台，深入研究煤矿大数据来源多样、格式和标准不同、结构化或半结构化数据并存等问题带来的影响，建立基于语义描述的统一的煤矿设备状态大数据描述模型，形成面向煤矿设备大数据的统一的数据描述模型和接口标准，构建行业煤矿设备大数据平台，实现行业数据共享，为煤矿设备健康管理与智能维护奠定数据基础。同时需要研究煤炭设备数据在线高效群的预知维护决策模型与方法，综合考虑维护决策对煤炭生产和安全的影响。研究生产调度计划与维护决策联合决策优化方法，研究不同机会维修方式对维护决策结果的影响等。
6 结 语
煤矿智能化发展是煤炭工业高质量发展的核心技术支撑，能够有效避免重大安全事故，提高开采效率和质量。对煤矿设备进行健康状态监测、故障诊断、趋势预测与寿命评估等具有极大的现实意义。对目前煤矿企业设备维护技术的发展现状进行了概述，从煤矿设备大数据平台设计及数据处理、健康状态评价与预测、智能维护决策3个方面的研究现状及不足作出了详细的分析。基于煤矿设备健康管理及智能维护技术在未来煤炭智能化发展过程中的重要性，紧密结合人工智能、大数据、互联网、云计算、区块链技术等新一代信息技术，提出未来煤矿设备健康管理和智能维护的主要研究方向。
