摘要 针对采煤机在强噪声、非平稳工况下关键部件退化监测难题，提出基于分层混合智能模型的故障识别与动态预警方法。首先建立采煤机传动系统非线性特征提取与状态表征方法，实现高噪声环境下关键部件退化信息的可靠提取。结合贝叶斯网络和支持向量机(SVM)构建分层混合智能诊断模型，形成可落地的采煤机智能故障诊断与预示技术体系。基于实验验证，提出自适应动态预警阈值构建方法，能够实时调整阈值响应传动系统不同退化状态，提高故障预测精度。研究成果可推动1-2 项行业标准的形成，并带动采煤机智能监测产业链发展。

关键词：采煤机，关键部件，退化状态表征，分层混合智能，自适应动态预警，贝叶斯网络，支持向量机

引言

采煤机在复杂煤矿工况中长期运行，传动系统及关键部件易出现退化和损伤。传统基于经验和固定阈值的故障监测方法难以应对强噪声和非平稳工况，导致预警滞后或误报频发。随着智能制造与工业互联网发展，将人工智能方法引入采煤机关键部件状态识别，实现高精度故障诊断与预警，成为提升设备可靠性的重要方向。本文针对采煤机关键部件退化特征提取与动态阈值构建问题，提出基于分层混合智能模型的智能诊断与预测方法，形成可落地的智能预示技术，为行业标准化建设提供技术支撑。提出面向强噪声非平稳工况的采煤机关键部件退化状态表征与自适应动态预警阈值构建方法。实现非线性特征提取、分层混合智能诊断与自适应阈值动态调整。实验验证显示系统在退化预测与故障预警方面优于传统方法。技术成果可落地应用，带动采煤机智能监测产业链发展，为行业标准制定提供技术支撑。

一、采煤机传动系统非线性特征提取与退化状态表征

1.强噪声工况下关键部件信号采集

采煤机传动系统在运行过程中产生复杂振动和声学信号，轴承、齿轮以及电机是退化敏感部件。为了捕捉高精度的退化信息，布置加速度传感器、声发射传感器和电流传感器，对关键部件进行多点采集。采集系统采用国产数据采集软件“科大讯飞工业采集平台”，支持高采样率和实时数据存储，保证在高噪声条件下信号完整性。振动信号覆盖轴承径向和轴向振动，声学信号采集齿轮啮合频率特征，电流信号反映负荷变化。数据采集持续记录工作循环全过程，包括启动、加速、负载波动和急停，形成全面工况数据库。

2.非线性特征分析方法

采集信号经过预处理，包括去噪、去趋势和归一化。振动信号采用小波包分解（Wavelet Packet Decomposition）分离低频退化特征与高频噪声，用Python 国产库“pandas+PyWavelets”进行多层分解，得到各频带能量分布。齿轮啮合声信号经过Hilbert 包络分析，提取瞬态冲击特征。轴承信号计算多尺度熵（MSE）与样本熵（SampEn），描述信号复杂度变化。电流信号进行短时傅里叶变换（STFT），获得时间-频率特征矩阵。通过方差分析和相关性检验筛选出与退化程度高度相关的非线性特征，包括高频能量占比、包络峰值、熵指标和瞬时幅值，形成多维特征向量，用于后续退化状态量化。

3. 关键部件退化状态表征模型

基于非线性特征向量，采用国产统计分析软件“深度学习平台PaddlePaddle”构建模糊聚类模型，将退化状态划分为正常、轻度退化、中度退化和 重退化四 等级 征向量在高维空间的聚类中心。通过监测新采集数据与聚类中心的距离， 量化关键 中，轴承振动高频能量持续上升超过10%时，被判定为轻度退化， ，显示中度退化趋势。电机电流波动幅值升高超过设定阈值时，标识 平稳工况下的多源信号具有较强鲁棒性，实现对关键部件退化的可量化描述，为分层混合智能诊断提供输入数据基础。

二、分层混合智能诊断与决策模型

1.贝叶斯网络分层诊断方法

采煤机传动系统存在多种关键部件退化模式，包括轴承磨损、齿轮啮合异常和电机负荷异常。构建基于贝叶斯网络的分层诊断模型，将传动系统整体退化状态置于上层节点，将各关键部件具体故障模式作为下层节点。节点之间建立条件概率关系，定义不同退化状态下子部件故障发生概率。数据来源为前章提取的非线性特征，包括振动高频能量、包络峰值、熵指标及电流波动幅值。通过国产软件“科大讯飞智能诊断平台”实现贝叶斯网络训练与推理。案例中，轴承高频能量持续偏离正常聚类中心，贝叶斯网络计算轻度退化的概率为0.68，齿轮啮合冲击峰值增加，结合轴承状态概率，上层节点计算出中度退化的整体概率为0.54，反映传动系统综合退化趋势。贝叶斯网络能够对不确定性信息进行量化处理，适应非平稳工况下的数据波动，提供全局退化状态评估基础。

2.支持向量机故障分类方法

针对贝叶斯网络提供的各关键部件退化概率信息，构建支持向量机（SVM）分类器用于具体故障模式识别。选择径向基函数（RBF）作为核函数， SVM 模型训练。训练样本来自实验平台采集的轴承、齿轮和电机多 络峰值、熵值和短时傅里叶特征。通过网格搜索优化惩罚系数C 和核宽 化。 案例中 轴承滚道裂纹、齿轮啮合间隙过大和电机负荷波动均可被SVM 正确识别。 SVM 分类精度保持在 92% 以上。SVM 在下层节点实现快速准确的故障模式判定，为上层贝叶斯网络提供修正信息，实现分层混合智能诊断闭环。

3.分层混合智能决策系统构建

将贝叶斯网络与SVM 结合形成分层混合智能诊断与决策系统。上层贝叶斯网络输出关键部件退化概率与整体退化等级，下层SVM 对各退化部件进行精确故障模式识别。通过多源数据融合模块，将振动、声学及电流信号特征输入系统，输出关键部件当前退化状态及预测的未来退化趋势。案例中，实验平台采集连续30 天运行数据，贝叶斯网络计算传动系统中度退化概率为 0.58，SVM 识别轴承滚道轻度裂纹，齿轮啮合间隙异常。基于分层信息，系统预测未来72 小时内轴承退化可能升级至中度，齿轮啮合故障可能加重。系统采用国产可视化软件“深度可视平台”展示退化状态曲线、故障概率分布及预警建议，为运维人员提供决策依据。系统能够适应非平稳强噪声工况，实现从状态表征到故障预测再到决策输出的全流程智能化运行。分层混合智能决策系统在实验验证中显示出以下优势：多源信息融合提高诊断精度，贝叶斯网络处理不确定性能力增强系统鲁棒性，SVM实现快速故障模式识别。案例验证显示对传动系统复杂退化状态的识别准确率达到90%以上，误报率降低至 15% 以内，较传统固定阈值方法提升明显。系统可扩展至实际采煤机运行环境，支持实时在线监测和预测预警，为智能运维提供技术支撑，形成可落地的智能故障诊断与预示技术体系。

三、自适应动态预警阈值构建与系统验证

1.动态阈值构建原理与方法

采煤机关键部件退化状态在强噪声、非平稳工况下表现为信号幅值和频率特征的持续波动。固定阈值方法难以准确反映部件退化程度，容易产生滞后预警或误报。构建自适应动态预警阈值，需要将传动系统多源数据特征与退化状态概率结合，实现阈值随状态变化实时调整。首先，基于前章分层混合智能诊断模型，获取关键部件退化概率及具体故障模式。然后，采用滑动窗口分析方法，对过去n 个采样周期的特征值进行统计计算，包括均值、方差、峰度及熵值。利用国产 Python 工具库“NumPy”和“pandas”完成实时统计分析。动态阈值计算公式定义为：阈值 Σ=Σ 基线特征均值 特征标准差 × 状态权重系数，状态权重系数由贝叶斯网络输出退化概率映射获得。阈值随部件退化状态变化自动调整，使预警系统能够对轻度退化、 j^⋅m 重退化及突发故障分别作出差异化响应。案例中，轴承振动高频能量基线均值为 0.28g² ，标准差 0.04g² ，上层贝叶斯网络输出轻度退化概率 0.65，状态权重系数设定为1.2，则自适应阈值计算为0 ）.28+1.2×0.04=0.328g²× 。该阈值用于监测后续采样周期，实际振动峰值 0.335g² ，触发轻度退化预警。齿轮啮合冲击峰值基线均值为1.5 V，标准差0.15V，退化概率中度为0.52，权重系数 1.5，自适应阈值为 1.5+1.5× 0.15=1.725V， 。实验验证显示动态阈值能够及时捕捉部件退化变化，预警响应速度较固定阈值方法提高约 25% 。

2.系统试验平台构建与数据采集

建立采煤机传动系统实验平台，包括滚动轴承、齿轮传动、交流电机及控制系统。布置加速度传感器、声发射传感器、电流传感器，实现多源信号同步采集。采集系统使用国产数据采集软件“科大讯飞工业采集平台”，支持高频实时采样，数据存储采用国产SQLite 数据库。实验工况涵盖正常运行、轻度退化、中度退化及严重退化状态，每种状态运行时间超过 8 小时，保证数据样本丰富性。信号预处理采用小波包分解去噪，并通过PaddlePaddle 构建非线性特征提取模型，输出振动高频能量、包络峰值、熵值及电流幅值特征矩阵。实验平台能够模拟实际矿井运行环境中的负载波动和突发工况，为动态阈值测试提供真实数据基础。案例中，轴承滚道出现轻度裂纹，齿轮啮合间隙增加约 0.08mm ，电机负载出现周期性波动。通过多源数据采集，振动高频能量从0.28g² 升至 0.34g² ，包络峰值从 0.42g 升至 ，电流幅值从1.6 A 升至1.9 A。利用自适应阈值方法，系统能够区分不同部件退化状态，分别触发轻度、中度和严重预警。动态阈值调整过程在实验平台实时显示，为运维人员提供直观决策依据。

3.自适应阈值预警系统验证与优化

构建自适应动态预警系统，将分层混合智能诊断模型输出退化概率与动态阈值计算模块结合，实现从状态识别到预警输出闭环。系统采用国产可视化软件“深度可视平台”展示关键部件退化状态曲线、故障概率分布及实时阈值变化。验证实验包括连续30 天运行数据，涵盖突发负载波动、启动加速及紧急停车工况。轴承轻度裂纹演化为中度裂纹时，振动高频能量超出自适应阈值 0.33g² ，系统触发中度预警，SVM 识别故障类型为滚道裂纹，贝叶斯网络计算未来72 小时内升级为严重退化概率为0.57。齿轮啮合间隙波动超过自适应阈值 1.725 V，系统触发中度预警，预测未来齿轮啮合故障可能加重。预警系统通过滑动窗口动态更新阈值，能够适应强噪声和非平稳工况信号变化。系统测试中，动态阈值与固定阈值比较，动态阈值在轻度退化检测上提前响应约2 小时，中度退化预测准确率提高约 15% ， F 重退化误报率降低约 20% 。多源数据融合提高了鲁棒性，贝叶斯网络处理不确定性信息，SVM 实现快速故障识别，保证阈值调整科学可靠。系统可扩展至实际采煤机运行环境，实现实时在线监测和预警，支持运维决策和维修计划制定。案例进一步显示，基于自适应动态阈值的预警系统能够对复杂退化工况进行准确识别和预测。轴承、齿轮、电机等关键部件退化过程被连续记录，系统根据退化概率动态调整阈值，使预警等级与实际退化状态一致。实验验证表明，自适应动态阈值方法对非平稳强噪声工况下的故障预测具有明显优势，系统在实验平台运行稳定，具备向实际生产环境推广应用条件。

结论

面向强噪声非平稳工况，提出采煤机关键部件退化状态表征与自适应动态预警阈值构建方法，实现从数据采集、特征提取、状态表征、分层混合智能诊断到动态预警的完整技术链条。通过高采样率多源信号采集，结合小波包分解、包络分析、多尺度熵及短时傅里叶特征，形成关键部件非线性特征向量，实现轴承、齿轮、电机等关键部件退化状态量化描述。构建基于贝叶斯网络和支持向量机的分层混合智能诊断模型，上层贝叶斯网络输出整体退化概率与等级，下层SVM 对具体故障模式进行识别，形成状态识别与故障模式判定闭环。基于关键部件退化概率，提出自适应动态预警阈值构建方法，通过滑动窗口统计和状态权重映射，实现阈值随退化状态实时调整。在实验平台验证中，动态阈值方法能够对轻度、中度、 严重退化进行差异化预警，预警响应提前约2 小时，严重退化误报率降低约 20% ，轻中度退化预测准确率提高约 15% 。多源信息融合和非线性特征分析保证系统在强噪声非平稳工况下的鲁棒性。研究成果形成可落地的采煤机智能故障诊断与预示技术体系，为运维人员提供直观的退化状态曲线、故障概率分布和动态阈值预警建议。技术可推动1-2 项行业标准制定，促进采煤机智能监测产业链发展。系统可扩展至实际生产环境，实现实时在线监测和智能预警，为设备可靠性提升和维修计划优化提供技术支撑。本研究构建的退化状态表征方法与自适应动态阈值预警体系能够有效应对强噪声非平稳工况，保障采煤机关键部件安全运行，实现预测性维护和智能化运维目标。

参考文献

[1]王鹏. 采煤机传动系统振动信号特征提取与故障诊断[J]. 煤炭学报， 2021， 46（3）： 879-888.

[2]陈建. 基于贝叶斯网络的矿用机械关键部件退化状态识别[J]. 矿业研究与开发， 2020， 40（5）： 45-53.

[3]张敏. 支持向量机在煤矿机械故障模式识别中的应用[J]. 煤矿机械， 2019， 40（8）： 112-119.

[4]吕斌. 采煤机关键部件智能预测与动态预警阈值研究[J]. 煤炭工程， 2022， 54（2）： 66-74.

本文系 邢台市重点研发计划自筹项目 课题编号：2025ZC294

课题名称：采煤机智能故障预警理论及关键技术的研究

依托平台：河北省新能源汽车一体化压铸技术创新中心

邢台市金属加工装备智能化集成与诊断技术创新中心