煤矿掘进机机电设备的故障监测技术探究

随着煤炭工业向深部、高效、智能化迈进，掘进作业成为产能释放关键。掘进机集机械、液压、电气于一体，其稳定性关乎效率与安全。然而，井下高温高湿、多尘腐蚀与冲击负荷致电机、变速箱、轴承、液压与刮板输送故障频发，传统巡检/ 定检响应滞后且误判高。在线监测虽有数据，但强干扰致噪声与漂移，单阈值误漏报突出。大数据与AI 通过多源融合、时频特征与监督/ 无监督学习，挖掘振动、温度、电流、压力、流量等退化规律，支撑状态评估、故障识别与寿命预测。本文在梳理结构与关键部件基础上，构建面向掘进机的“大数据驱动”监测框架，涵盖采集预处理、特征选择、模型构建、状态诊断。

1. 掘进机机电设备的常见故障

1.1 电气故障

掘进机电气系统含主辅电机、软启/ 变频器、PLC 与本安传感器、防爆开关、电缆。井下高温高湿、多尘与强振致绝缘退化、连接松动、器件老化与信号干扰。症状：拒启动 / 跳闸频发，三相不平衡与 THD 升高、温升快，谐波噪声与机座振动增大，控制误动作，传感器漂移/ 丢数，电缆过热/ 龟裂。

1.2 液压系统故障

井下掘进机液压系统在高负荷、粉尘与温湿冲击下，易现压不足 / 波动、执行迟滞 / 爬行、温升高、泄漏、噪声振动、阀卡滞 / 内泄、泵衰减与气蚀、缸内外泄与密封早损、油液劣化。

1.3 刮板器问题

井下刮板器承担连续转运，受高湿多尘与冲击载荷影响，容易出现刮板器弹簧松动或断裂、刮板器铲片损坏、刮板器轴承损坏等问题。

2. 基于大数据分析的掘进机机电设备故障监测方法

2.1 数据采集与预处理

围绕掘进机截割传动、主轴承、行走履带、液压执行与刮板输送等关键单元， 构建多源同步采集体系。

（1）振动：在主轴承座、行星齿轮箱、高速轴与电机端盖布设三轴加速度计，≥ 10kHz 采样跟踪故障频与边带；在刮板减速器与链轮轴承增设低频通道捕获低转速冲击。

（2）温度与热像：轴承座、齿轮箱油池、电机绕组贴装Pt100/ 热电偶，热像用于热点巡检与冷却异常识别。

（3）电参量：主/ 辅电机电流、电压、功率因数、负序电流与谐波畸变率，1–10 kHz 同步采样。

（4）液压：泵出口与执行缸腔压、回油压、滤前后差压与油温，关键阀组旁路压。

（5）油液：在线颗粒计数与铁谱/ 磁通量磨粒。

（6）转速与载荷：编码器/ 霍尔测速与扭矩估算用于阶次同步与工况标定。预处理采用抗干扰接地与屏蔽、时间同步（PTP/NTP），边缘网关完成带通/ 陷波、小波或 EMD 去噪、去趋势与包络解调；对电流做谐波分离与滑动去噪，对液压做去脉动重采样。异常点以中位数绝对偏差剔除，缺测用时序插值；分工况切片与标准化，生成诊断就绪数据集。

2.2 特征提取与选择

面向掘进机机电系统，基于振动、电参量、液压、热像与油液等多源数据，先用小波/EMD 降噪，保留轴承故障频、啮合频及边带与瞬态冲击。

故障特征提取：时域（均值、方差、峰值、峭度、冲击因子、包络 RMS）、频域（主峰、倍频、边带间距、谱能量与谱心偏移）、液压（压力脉动幅值、频带能量、进出口压差波动）、电气油液（颗粒计数、磨粒金属量）。

特征筛选先用方差贡献与互信息粗筛，再用 mRMR、L1 正则与树模型重要度精炼，并以 SHAP 验证稳定性与可解释性。针对不平衡与不对中等故障，结合历史相似工况构建自适应阈值的健康指标与权重，兼顾检出率与低误报。

2.3 大数据分析模型构建

采用“边缘轻量 + 云端深度 + 机理融合”架构。边缘侧：1D-CNN+ 极限随机树二级守护，毫秒级识别冲击/ 超限，触发降载/ 停机与数据上送。

云 端 协 同：1） 监 督 分 类 定 位（LightGBM/GBDT、1D-CNN/ 时 序Transformer）输出轴承、齿轮、泵阀、链条等故障概率与部位；2）无监督健康建模（PCA/ICA、VAE）以重构误差 / 马氏距离 / 密度评估健康度；3）时序预测与 RUL（LSTM/TCN/Informer）给出 RUL 及置信区间；4）机理融合（特征频、边带、气蚀带、负序） + 领域自适应与增量学习。

2.4 状态评估与故障诊断

在统一特征与模型输出基础上，构建三层评估与诊断流程。第一层（健康度）：将重构误差、马氏距离、包络谱退化指数、压力脉动指数、温升斜率等归一融合为综合健康指数，基于自适应阈值与置信区间划分正常 / 关注 / 预警/ 告警，并标注贡献特征与部件。第二层（根因定位）：将监督分类器结果与机理规则库（轴承特征频与边带、齿轮啮合侧带、电机负序/ 谐波、泵气蚀特征带、链条张紧异常）进行贝叶斯证据融合，输出最可能故障模式与部位、置信度与备选根因。第三层（工况判别与脱敏）：识别载荷、转速、阀位与介质温度等标签，对健康指数与阈值按工况归一，抑制误报。

诊断策略坚持“数据驱动 + 机理约束”。系统实时生成诊断卡片，包含状态等级、根因、证据特征、建议处置与风险窗口，并对高风险事件触发联动限速或停机策略。对不确定性较高的案例进入人工复核与模型回训闭环，持续提升诊断准确度与可解释性。

3. 结语

本文围绕掘进机机电设备的复杂工况与多源数据特性，提出“边缘轻量 + 云端深度 + 机理融合”的故障监测方法，实现从采集预处理、特征提取到监督/ 无监督建模、RUL 预测与机理约束诊断的闭环。该方法可在强干扰环境下提升健康度评估的鲁棒性与故障识别准确性，降低误漏报，并支持变速变载与换工作面快速迁移。

参考文献

[1] 章国华 . 煤矿掘进机机电设备故障监测与方法研究 [J]. 矿业装备 ,2025,(02):174-176.

[2] 周之榛 , 刘亚丹 . 煤矿机电设备运行故障智能监测方法研究 [J]. 中国煤炭 ,2025,51(03):110-117.

作者简介：王卓 性别：男 籍贯：安徽省太和县 民族：汉族，现有职称：助理工程师 学历：本科，研究方向：机电工程、应急管理