在物联网、大数据、工业互联网、人工智能、云计算等新兴信息化技术的推动下，矿山安全生产管理也不断向智能化、智慧化的方向发展[1-2]。国内各大矿业集团和研究机构围绕“智慧矿山”开展了大量理论研究、关键技术研发和示范工程建设工作，希望能够依靠智能化、信息化、自动化技术的有机融合实现矿山各生产环节的少人化、无人化，以提升煤矿安全生产水平和效率[3-4]。机械设备是矿山生产运行的基础，其结构复杂，占据空间狭长且布设分散，工况环境多变，相互之间过程关联性强，单一设备的异常会打断整个生产链条，状态实时感知、泛在数据分析、智能协同控制、网络化机器人化是矿山机械设备智慧化的发展趋势。
设备运行状态实时精准感知是智能化远程/自动控制的前提，是实现矿山生产智能化、无人化的基础。现有的矿山机械设备监测监控系统停留在传感数据可视化显示和简单阈值分析(信号值超标、超限)层面，设备的维护主要采用点检巡检方式，设备的维修保养采用定期和事后处置的方式。以现有矿用提升机监控系统为例，系统可以通过采集PLC控制系统的数据监控提升机的运行过程信息，包括提升速度、行程、斗深度、提升勾数、油压等，但无法识别主轴、电机、液压站、钢丝绳、天轮等关键部件的早期故障隐患。
近年来，相关研究机构开展了大量针对设备故障诊断理论和技术研究工作，大多数研究是针对轴承、电机、齿轮箱试验台或单一子系统的，而对复杂设备系统的研究偏少。矿山机械设备系统存在故障样本缺失、数据采集不完整、噪声干扰大、工况条件多样化等问题，给状态诊断带来了更大的困难。随着“智慧矿山”建设的推进，矿山机械设备运行数据监测能力也得到了较大的提升，传感器测点、采样频次的增加，数据管理模式的升级，促进了矿山运行过程数据的积累，而围绕数据的深度应用研究工作还在探索当中，工业互联网和大数据技术的发展给矿山机械设备状态诊断带来了新的机遇和挑战。① 针对数据的多源异构、噪声污染、缺少有效标记导致数据价值密度低的问题，一方面需要研究设备状态知识建模方法，提升现场监测数据的知识表达能力，另一方面研究深度学习等技术，从海量数据中挖掘出状态特征信息;② 针对积累了大量正常运转重复数据而设备故障样本缺失的问题，一方面利用工业互联网模式，促进不同集团、不同煤矿样本数据和状态知识的共享，另一方面在现有各种轴承、电机、齿轮箱等子系统及各类试验台的故障样本数据，研究迁移学习等技术手段实现单一子系统到复杂系统的知识泛化学习;③ 针对矿山设备系统的复杂耦合与运转工况多样化的问题，研究数字孪生等技术手段，加强设备系统运行状态特性与故障机理的研究，结合数据驱动方法，建立机理和数据混合驱动设备状态诊断模型。
笔者介绍了基于物联网的矿山设备运行状态智能诊断技术方向与发展趋势，对矿山设备系统状态感知体系，运行状态知识建模方法，数据驱动的状态智能诊断技术和大数据分析应用系统等几个方面的关键技术开展研究工作，为矿山设备系统的智能化、无人化管控提供理论和技术支撑。
1 基于物联网的矿山设备状态感知系统框架
矿山设备状态感知与分析技术的滞后制约了设备智能化管理、预知性维护和自动化机器人化控制技术的发展，矿山设备系统状态精准感知与预测分析需要解决3方面的问题，如图1所示。
图1 矿山设备状态感知研究问题与建设目标
Fig.1 Research problems and objectives of mine equipment state perception
(1)设备运行状态信息精准感知与知识表达问题。提高现有传感器系统的感知数据的准确性、稳定性，拓宽感知边界，以获得长期准确全面的传感数据;在此基础上，研究传感知识的表达、抽取和推理技术，为设备自动化机器人化控制和设备之间的智能协同控制提供依据[5]。
(2)工作状态的合理性评估与异常状态实时诊断问题(显性异常工况感知)。分析不同运行环境、工作阶段、负载条件下，设备各传感器数据的合理范围工作区间。通过多传感器数据的融合在线分析，实时感知设备系统的显性异常工作状态[6]。
(3)设备主要部件早期故障诊断与退化分析问题(隐性早期损伤感知)。分析设备系统电机、轴承、齿轮箱等关键部件的损伤和退化机理，研究传感信号分析、人工智能、数据挖掘和数字孪生建模方法，实时分析设备系统关键部件内部损伤状态，实现设备系统的预知性维护。
物联网模式下的矿山设备状态感知与在线诊断系统框架如图2所示，可以划分为矿山设备系统多源信息感知、物联网边缘计算与在线诊断、矿山级大数据智能分析和集团级(区域级)大数据融合分析与知识共享几个层次。
1.1 设备系统多源信息感知层
感知信息接入层包括两个部分内容：一部分是前端的多源异构传感器及传感网，随着MEMs、光学传感、电磁传感、分布式光纤、智能传感器网等技术的发展，传感层在超低功耗、宽量程、高可靠、长寿命、能量自动捕获等方面不断取得突破，煤矿井下设备状态信息的可感知边界得到了进一步的拓宽；另一部分是传感信息统一接入层，这一部分主要包含硬件和软件两个层面的内容，硬件层面是对各种硬件接口与协议的统一接入，包括对以太网,RS485，CAN，WiFi，Zigbee，Lora等有线/无线通信网络的支持，软件层面是感知信息的统一编码与信息交互管理，一方面实现多源传感数据的格式规范化和编码标准化管理，另一方面完成分散系统(监测监控、点检巡检、维护保养、经验知识)数据的集成。
图2 基于物联网的矿山设备状态感知体系
Fig.2 State awareness system of mining equipment based on IOT
1.2 物联网边缘计算与在线诊断分析层
随着物联网技术的发展，边缘终端的智能化程度也在不断提高，矿山设备系统侧具备一定计算能力的边缘终端都可以作为边缘计算网关，如井上提升机房的小型工作站、井下工作面的智能接入分站等，相比于平台服务器，边缘计算网关具备更高的实时服务能力，可以对矿山机械设备运行过程的传感数据进行实时处理并能够及时做出反馈控制。边缘计算网关主要完成感知信息预处理、在线诊断分析和实时反馈控制3个方面的工作：① 实现对多源感知信息的集成、清洗、去噪、转换等预处理操作，检查数据的一致性、有效性和完整性，利用一定的规则剔除错误和无效数据，为设备状态数据分析和挖掘提供数据基础；② 在集成设备状态识别知识库基础上，利用轻量级的信号处理、特征分析、机器学习、关联分析算法与模型，完成对设备运行数据的实时分析和状态的在线识别；③ 边缘计算网关中通过内置语义表达知识库，对原有工作人员的判断逻辑和经验知识进行机器化表达，可以根据状态判识结果，生成自动化响应逻辑，最终转换为控制命令，控制PLC或控制器在第一时间完成响应动作。促进传统的“人-机”交互监控模式向“传感-机器认知-机器控制”的智能化控制模式的转变。
1.3 矿山级数据智能分析与挖掘层
矿山级数据中心担负矿山级数据智能分析和深度挖掘的任务，是设备状态诊断分析的核心层，矿山设备运行过程数据分散于各设备监测监控子系统，矿山企业前期已经开展了矿山大数据的统一存储工作，但也仅完成了大数据的汇聚工作，数据的高效管理、大数据分析和深度挖掘应用是下一步工作的重点。
矿山大数据分析层采用与多源传感数据的类型和应用场景相适应的分布式存储技术架构，满足矿山设备监测数据结构化、半结构化、非结构等类型相结合的数据特点和GB级增量快速增长的数据规模，从而为数据驱动的矿山设备运行状态监测和故障诊断提供数据支撑。针对异构分散的多源化的监控系统，建立高效数据存取、标记与管理机制，解决矿山综合监测与控制的实时异构数据快速可靠交换、多源/多层次数据的分布式协同处理等难题，为大数据知识发现服务奠定基础。在数据在线分析方面，利用矿山设备传感信息和运行状态参数，融合生产过程信息以及实际设备状态分析的经验知识，构建矿山设备系统状态感知模型和健康状态知识库。集成信号分析、机器学习、深度学习等人工智能方法，结合流式计算引擎、离线计算引擎和分布式数据库引擎混合的计算框架，实现各类设备系统运行大数据的分析与状态识别。
在海量数据深度挖掘应用方面，构建运行机理与数据挖掘相结合的矿山设备系统状态演化规律分析架构。利用设备长期运行过程中积累的海量多源传感数据和人工智能算法模型实现设备运行状态变化与数据之间的关联分析。建立矿山设备系统大数据的深度解析和挖掘应用模型，挖掘长时间积累的矿山设备系统状态演化规律和隐性知识，实现矿山设备系统运行状态演化跟踪和预测预警。
1.4 基于物联网的知识共享层
各矿山数据中心大量设备运行过程数据向集团/区域大数据平台汇聚的过程中，重复性低价值数据的传输和存储会造成大量的资源浪费，大数据平台更应该重视知识的汇聚。基于本体建模、语义网络、知识抽取等技术，建立矿山设备系统状态知识表达模型、描述体系和交互协议，实现各矿山数据中心设备运行过程的海量数据的结构化表达和知识聚合，大数据平台通过高信息密度的数据挖掘分析，促进矿山与矿山之间的设备状态知识的共享。
在数据共享的基础上，实现矿山设备运行状态知识迁移模式，结合状态知识规则，一个方面是从各类试验台零部件样本数据到真实场景下矿山设备系统零部件运行状态知识的迁移;另一方面，不同零部件型号、不同使用年限、不同工况条件的矿山设备之间的运行状态知识的迁移。分析两种模式下的状态迁移学习诊断目标，构建相应的源域和目标域的数据结构、状态结构和深度迁移学习状态诊断模型。利用深度学习特征提取机制，实现深度迁移状态特征的边缘概率分布适配以及条件概率分布适配，缩小提取的源域与目标域传感数据中迁移状态特征间的分布差异，提升状态诊断模型的场景自适应能力[7]。
2 矿山设备状态知识建模方法
近年来，随着数字化、智能化矿山建设的推进，各大煤炭企业基本完成了矿山信息化系统的统一接入，单一煤矿的年积累数据量已经达到100 TB级。而对于多场景、多维度、多层次、多模态的运行过程数据，缺少有效的信息组织、表示和描述方法，相关数据挖掘技术在矿山安全生产管理中的具体应用研究较少，数据的知识价值没有得到有效的利用，“富数据、贫知识”是目前矿山数字化建设过程中的突出问题，如何从海量、多源、异构的运行数据中挖掘出指导矿山安全生产的知识是下一步智慧矿山建设的重点研究内容。
矿山设备系统涉及采掘、提升、运输、通风、排水等生产过程，设备系统自身的组成和结构复杂，工作链条冗长，工作过程中环境和工况条件变化多样，设备信息的描述和状态知识的建模面临诸多挑战，主要表现在设备信息的多源化、设备状态知识来源的多源化、状态知识的结构复杂多样、以及如何与在线诊断方法的集成几个方面。
有效的信息描述和知识建模方法是从矿山设备运行过程海量数据中分析和挖掘设备状态知识的基础，可以推进物联网模式下集团/区域内各矿山之间设备数据知识的共享和迁移，有助于发挥矿山大数据的优势和价值。知识表示方法通过数据和知识的形式化表达、结构化管理以及逻辑关联，增强知识的表达和推理能力，为矿山设备数据的信息描述和知识建模提供了有力的技术支持。
2.1 基于本体语义的矿山设备信息描述与知识建模
基于人工智能的知识表示方法经过不断的发展和累积，已经形成包括框架、谓词逻辑、产生式规则、Petri网络、面向对象、本体、语义网络和知识图谱等多种技术体系[8-9],能够为矿山设备领域知识的表示、推理、迁移和共享提供有力支撑。
根据矿山设备数据特点，结合本体语义的信息描述和知识表示能力，参考欧盟提出的oneM2M Base Ontology规范，建立矿山设备数据本体语义模型、统一描述方法与知识表示结构。对矿山设备状态知识中的要素进行梳理，建立设备部件、状态信息、状态表象、关联参数、传感数据、维护信息等信息的基础本体，完成故障要素的类、对象属性和关系等知识结构的设计，形成面向多种来源和不同形式的状态知识的抽取、表示和结构化存储方法。研究基于语义网络的矿山设备状态关系表示方法，实现组成关系、层级关系、协作关系、推理关系、关联关系、因果关系等关系表达，建立灵活的关系知识结构，能够适应不同设备类型、应用场景、管理模式和知识来源下的关系知识维护与动态扩展需求。借助OWL(Web Ontology Language)、图数据库等知识建模方法和工具，完成矿山设备状态知识库的建立，实现矿山设备信息的统一描述和知识的表达、共享和重用。
2.2 基于置信规则库的矿山设备知识决策方法
置信规则库(Belief Rule Base,BRB)建模方法集成了DS(Dempster/Shafer)证据理论、多属性决策等方法，可以用于复杂系统中不确定条件下的状态决策支持，针对矿山设备状态知识多源化问题和结构多样化问题，建立基于BRB的矿山设备状态判识规则模型，提升矿山设备状态知识模型的多源知识融合能力[10-11]。根据目前矿山设备状态判识规则分散、不统一的现状，以专家知识和经验知识基础，建立矿山设备状态判识基础置信规则库的实现模型，结合数据驱动的方法，在规则库中不断融合状态机理知识与数据知识，形成规则库模型与数据驱动方法相融合的状态判识规则建模体系。研究多目标优化方法，对规则库中的属性权重、规则权重、候选值和置信度进行优化，对于海量多维度的矿山设备信息和状态知识，引入规则关联敏感度评价体系，解决置信规则库组合爆炸问题[12-13]。针对矿山设备状态多源知识的信息关联、冲突、缺失、表达不一致等问题，研究自组织映射方法，结合DS证据理论、决策理论、模糊理论等方法对模糊不确定性、概率不确定性以及非线性特征数据建模能力，实现矿山设备不完备信息和知识的定性和定量规则重构。
2.3 基于数字孪生的矿山设备感知信息“虚实融合”知识建模方法
数字孪生(Digital Twin)技术是以虚拟化和数字化的建模方法，可以为物理实体建立多维度、多时空、多状态的虚拟化仿真模型，通过实时信息的加载，实现物理实体的状态、行为、属性等内容的变化过程的跟踪，DT技术最早被应用于军方和航空航天领域装备的数字化建模、状态诊断和全生命周期管理[14-15]。
借助于DT技术，可以实现矿山设备状态知识库、运行过程在线感知信息和状态诊断方法的融合，实现面向设备运行全过程的知识建模。分析矿山设备运行过程状态机理和演化规律，结合设备状态知识库，建立“采、掘、机、运、通、排水”等设备系统及部件在多种工况条件下的运行机理模型。结合矿山设备状态知识库，建立基于DT的设备状态“虚实融合”感知模型，分析设备运行过程的多源感知信息特点，研究针对数字化模型的信息加载机制方法和动态响应过程，完成生产设计、运行保养和维护检修设备全周期感知信息(振动、温度、压力、电信号、工况环境信息等)到设备数字孪生模型的加载与交互，实现虚拟化孪生模型对物理系统的数字化呈现。基于物理仿真、三维重构或虚拟知识结构建模等方法，设计矿山设备系统的虚拟智能体，在物理模型的基础上增加了属性、约束、状态、行为、特征等信息，建立虚拟化知识表达结构，研究虚拟模型信息空间与物理感知信号空间的实时交互方法，结合信号分析、机器学习、深度学习等人工智能在线诊断方法，实现虚拟数字模型对物理实体模型的演化模拟、状态判识和趋势分析。建立面向矿山设备运行全过程的实时感知、演化分析与智能交互的“虚实融合”感知体系，实现状态机理分析与感知数据挖掘的融合、物理设备运转分析与虚拟仿真建模的融合、设备状态领域专家知识与设备运转感知大数据深度知识的融合。
以采煤机为例，在采煤机系统动力学仿真建模的基础上，分析仿真模型、截割环境条件、截割系统运行参数、行为逻辑以及规则约束的耦合作用机制，利用ANSYS Twin Builder、Direct3D等工具，围绕煤岩截割运行过程创建组件级虚拟原型，基于多域系统建模器建立虚拟仿真系统，结合3D物理求解器和降阶模型，实现虚拟系统运行过程中各类传感器信号的模拟生成与分析。采集工作面运行过程中采煤机的振动、截割电流、牵引电流、调高油压、位姿等传感器信号。基于本体语义网络技术，实现对物理试验系统和虚拟仿真系统多源感知信息及其响应特性的统一语义描述。利用一致性约束分析方法，分析虚、实系统之间各类传感信息的经验指标、统计参数、数据特征、关联关系的一致性，对虚拟仿真系统进行迭代优化。“虚实融合”模型框架如图3所示。对虚、实系统的各类数据结构、运行规则、模型算法、输出结果等进行服务化接口封装，设计虚、实系统各组件的信息动态加载交互与状态协同演进方法，设计虚、实系统信号响应、关联关系及数据特征的融合分析机制，实现虚、实系统运行过程的“精准映射、信息对偶、智能交互、协同演进”。
3 数据驱动的矿山设备状态智能诊断方法
在多数的工业场景的故障诊断研究中，建立复杂部件与系统的数学或物理模型十分困难，基于数据驱动的故障诊断方法逐渐获得重视并成为故障诊断领域的重要研究热点[16-17]。数据驱动的故障诊断方法体系获得美军、美国航空航天局及众多研究机构的广泛重视，IEEE从2010年开始，每年举办“International Conference on Prognostics and Health Management”国际会议。
图3 基于数字孪生的采煤机“虚实融合”模型
Fig.3 Shearer “virtual and real fusion” model based on digital twin
前期研究人员已经开展了一些矿山机械设备系统状态智能诊断方法的研究，国家重点研发计划项目“矿山安全生产物联网关键技术与装备研发”中提出建立基于本体语义、数字孪生和机器学习方法的矿山生产设备感知信息统一描述和在线判识方法[18]。国家973项目“深部危险煤层无人采掘装备关键基础研究”中开展了无人采掘装备运行故障在线监测与诊断理论的研究工作[5，19-20]。太重煤机煤矿装备成套有限公司郝尚清研究采煤机摇臂振动信号的盲源分离方法以实现摇臂齿轮箱轴承故障[21]。西安科技大学毛清华研究基于振动源定位的采煤机摇臂故障定位方法[22]。中国矿业大学常用根等研究了基于信息时频分析与多源信息融合的矿井提升装备健康状态监测系统[23]。太原理工大学李娟莉团队研究了基于主成分分析和DS证据理论的提升机制动系统故障诊断方法[24]。
现有数据驱动的故障诊断方法的研究在矿山设备系统具体应用中面临着一些问题：① 机械设备传感器信号的有效分析依靠相应的机理模型，矿山机械设备系统种类繁多、构成复杂，目前只能完成对部分设备的子系统的机理建模;② 复杂的工况条件和多子系统耦合结构导致设备多源传感器参数和多状态之间的相互关联又相互干扰，都给矿山机械设备系统的故障诊断带来困难;③ 目前大多数据驱动的状态诊断方法都是基于监督学习的方法，故障样本的缺失和不平衡是矿山机械设备系统故障诊断面临的又一问题。
3.1 数据驱动的矿山设备诊断方法
数据驱动的矿山机械设备状态智能诊断方法的研究框架如图4所示，在矿山机械设备系统运行状态知识库的基础上，研究多尺度分析、数学形态滤波、分形理论以及时频分析等非平稳信号分析方法对能够表征设备运行状态的振动/声学信号进行分析、处理，滤除信号中的环境噪声干扰，有效提取微弱故障特征。研究多源信息融合理论，结合电气参数、温度、负载等设备关键状态信息，构建矿山生产设备健康状态多参数特征融合表示方法。引入流行学习、相空间重构、稀疏表示等方法，实现非线性维数约简，进一步降低特征中的冗余和干扰信息，提高低维状态特征向量的可辨识性。
研究统计分析、机器学习、深度学习、迁移学习等人工智能方法，通过对己知的故障样本进行分析,从中积累故障与征兆之间复杂对应关系的相关知识，根据这些知识建立合理的设备健康状态识别模型;针对部分矿山机械设备已知故障样本缺乏问题，研究无监督或半监督学习方法，建立小样本空间的矿山机械设备健康状态识别模型。在此基础上，结合设备历史运行数据和实时工况信息，建立矿山机械设备健康状态预测模型，对设备的潜在故障及其发展趋势进行预测，对异常工况判断、故障部位、性质、程度做出合理的评估。
图4 数据驱动的矿山设备诊断方法架构
Fig.4 Data-driven mining equipment diagnostic method architecture
3.2 基于深度学习的矿山机械设备状态诊断方法
近年来，随着工程大数据的积累，计算机运算能力的提升，深度学习、迁移学习等人工智能方法给数据驱动的设备状态诊断带来了新的思路，目前相关技术已经在机械设备状态诊断领域得到研究和应用[26-27]。深度学习采用多隐层网络以逐层学习的方式从输入数据中提取信息，能够完成大数据隐藏特征的自适应提取，有助于解决复杂矿山机械设备系统运行机理建模困难，先验知识缺失、状态特征提取困难等问题，在故障诊断中常用的深度学习方法有卷积神经网络(Convolutional Neural Networks,CNN)、深度置信网络(DBN,Deep Belief Network)、长短时记忆网络(LSTM)和自动编码器(SAE,Stacked Autoencoder)等[28-31]。
CNN是由卷积层、池化层和全连接层构成的3层结构，在机械故障诊断方面，现有研究工作针对传感器信号开展了输入层的优化工作，如图5所示，输入层可以是一维原始信号，也可以是时频变换后二维信号，不同的信号经过多层卷积和池化层，自适应提取传感信号特征，并利用SOM(Self-organizing Maps)网络、聚类算法等实现特征融合，从而经过全连接层和softmax函数实现状态的判识。图5中，C1，C2分别为第1，2个卷积层;P1,P2分别为第1，2个池化层;W1，W2 分别为卷积层1，2的权重值;X为全连接层;Wn为全连接输入层权重值Wn+1 为隐藏层(激活层)权重值;N为隐藏层;O为输出类别数。SAE是一种无监督学习方法，通过构建自编码器结构以得到能够逼近输入信号的变换输出，模型经过训练可以在没有标签或者少量标签的条件下获取数据的内在特征，可以用于故障诊断中样本缺失或不平衡问题的研究。DBN是多层受限玻尔兹曼机结构,通过逐层训练的途径解决多层网络的全局优化问题，逐层训练可以为整个网络结构选择合理的初值和权重，然后通过参数的微调就可以得到网络的最优解。LSTM是一种用于时间序列预测的循环神经网络，能够解决长序列训练过程中的梯度消失和梯度爆炸问题，可以利用LSTM的多步预测能力，研究设备运行状态演化过程的跟踪分析和趋势预测问题。
3.3 基于迁移学习的矿山设备状态诊断方法
迁移学习方法是一种新兴的机器学习方法，可以借助于对已经问题学习知识，去求解相近或相关领域问题的，受到了越来越多的故障诊断工程应用研究的关注[32-34]。工业互联网技术的发展促进了不同区域间矿山数据的共享，后期知识的有效提取和迁移应用将成为基于工业互联网的矿山机械设备智能化管控服务的重点研究内容。下一步需要研究面向矿山机械设备系统的迁移学习方法，提升数据驱动诊断方法的跨域泛化能力。一方面充分利用各种试验台和子系统所采集的大量带标记数据，结合设备现场积累的海量无标签数据，建立状态知识迁移学习模型，缩小工况条件和运行环境在迁移特征层的分布差异，以解决现有矿山机械设备系统状态诊断模型中因标记信息不足而导致的不收敛和判识精度低的问题。另一方面对各矿山不同使用年限设备状态数据、不同工况环境运行过程信息、不同故障类型数据样本进行知识的提取与迁移适配，促进各矿山同类设备系统监测数据间特征知识的迁移和共享。
图5 基于CNN的设备状态诊断方法
Fig.5 Equipment state diagnosis method based on CNN
以采煤机系统为例，利用时频分析与特征提取方法，完成针对综采现场各类感知信息，包含截割煤岩感知类(截割电流、温度、超声探测、图像等)、系统运行调度类(截割曲线、行走位移、位姿、滚筒高度、速度等)、关键部件传感类(温度、电流、电压、振动、声发射等)等多源传感器信号的运行状态经验特征的提取。利用振动信号二维重排序、时频谱图、相空间重构等处理方法，构造信号的时、频、时频域多种矩阵表达形式，满足深度残差网络(Residual Network,ResNet)输入层的要求;设计不同尺度的卷积核，构建多尺度ResNet网络结构，利于提取振动信号的多尺度深层特征。以经验特征、多尺度深度特征为输入，利用随机森林的敏感特征选择和识别能力完成采煤机运行状态的识别，以最小化状态识别误差损伤为目标，利用反向传播网络和梯度优化算法迭代调节经验特征提取模型参数、多尺度ResNet网络结构及参数，完成多源传感信息故障状态经验特征与深度特征提取网络的训练。
设计针对多源传感信息经验与深度联合特征的迁移学习模型，构建多核函数空间组合结构，将联合特征映射到高维空间，再设计流行学习映射网络，完成高维空间特征的低维重投影。构建如下迁移学习优化目标:① 最小化随机森林的状态识别误差损失，以实现条件概率分布的适配;② 最小化“源域”与“目标域”数据在目标空间的最大均值差(Maximum Mean Discrepancy，MMD)，以实现边缘概率分布的适配。结合两个目标完成联合目标函数的设计，对多核函数组合参数及流行学习映射网络结构参数进行迭代反馈优化，完成特征迁移学习模型的训练。在深度迁移学习诊断模型的基础上，结合增量学习方法，利用不断采集的传感器数据优化网络参数，进一步提升状态识别准确率。基于深度迁移学习的采煤机运行状态诊断模型优化流程如图6所示。
4 矿山设备状态大数据分析与应用技术
为了推进矿山机械设备系统状态智能化分析与应用服务，需要构建矿山机械设备状态大数据分析平台，完成对各设备系统海量异构数据的多源统一接入、高效存储、智能处理和分析挖掘。如图7所示，数据接入和管理方面，统一接入综合自动化系统、各生产控制子系统、PLC、传感器、采集卡、边界终端等产生的多源异构数据，建立面向不同信源特性的结构化和非结构化数据混合存储架构，实现多源异构数据的高效管理。采用流式计算引擎、离线计算引擎和分布式数据引擎混合的计算框架，提供面向大规模矿山机械设备数据的实时计算、高效存取和分布式离线计算功能，解决矿山机械设备系统海量数据的全息感知、实时分析、智能诊断与深度解析问题。提供矿山机械设备状态在线判识、统计分析、演化规律发现、智能化调控等智能化应用服务。
图6 基于迁移学习的采煤机故障诊断模型
Fig.6 Fault diagnosis model of shearer based on transfer learning
图7 矿山设备大数据分析平台业务架构
Fig.7 Architecture of big data analysis platform for mining equipment
(1)信息高效接入与预处理。
一方面针对煤矿现有的综合自动化系统和各监测监控系统，构建矿山设备监控系统信息交互协议库，实现矿山各异构传输协议及交换规则的统一管理和解析，同时支持OPC，MODUBS等常用工业数据通讯协议和各非标准自定义数据传输协议，提供连接建立、实时传输、控制写入、数据校验等服务。另一方面针对矿山设备系统状态监测及故障诊断需求，增加振动、噪声、电磁等传感器和信号采集设备，结合传感器信源特性，研究实时流处理机制，实现多源实时数据集成、清洗、去噪、转换等预处理操作，确保数据的有效性、一致性、完整性，满足设备状态数据挖掘分析的要求。
(2)矿山设备多源异构数据高效管理。
在数据管理面，面向设备监测系统数据、传感器数据、生产过程信息、巡检文档等多源异构数据，根据数据的类型和应用场景的需求采用异构的分布式存储架构。采用分布式关系数据库引擎，实现结构化数据高性能列式存储、分布式计算和智能化索引查询。对于实时数据、半结构化和非结构化数据，采用Hive，HBase，HDFS等分布式数据管理架构，可以提供低时延、高并发的分析、查询和低成本的存储，为数据驱动的矿山设备运行状态监测和故障诊断提供数据支撑。
(3)矿山设备系统大数据计算架构。
针对矿山设备运行海量监测数据的特点需要采用内存计算方法(如Spark)、实时流计算方法(如Storm)和分布式批处理计算方法(如MapReduce)相结合的架构。利用内存计算和实时流处理技术快速处理大量的实时传感器数据。利用分布式批处理技术的海量数据并行批处理能力，实现对矿山设备系统多源大数据的多维度关联挖掘，获取长时间积累数据的深度隐性知识。
(4)矿山设备系统大数据分析与智能化应用。
平台集成多种大数据分析工具与人工智能故障诊断算法，利用统计分析、特征分析、机器学习、深度学习、关联分析、大数据挖掘等算法对矿山设备实时监测数据和海量历史数据进行处理和分析，结合矿山设备状态知识库和数据驱动的智能诊断模型，实现对矿山设备系统运行全过程大数据的智能分析、深度挖掘、知识发现与聚合。在大数据平台的基础上，研发矿山设备系统安全生产全过程的智能化监测、分析、管理和决策控制综合服务系统，提供矿山设备状态在线诊断与三维可视化，设备关键部件早期故障诊断与寿命预测分析，设备系统全生命周期管理和智能化管控服务。
5 结 论
(1)物联网、大数据、工业互联网技术的发展，推动了矿山的数字化、智能化建设，提出物联网体系下的矿山设备状态知识共享与迁移模型，提高矿山大数据的利用价值，提升矿山安全生产透明化管理水平。
(2)针对矿山运行全过程中各类设备系统数据的多维多源、形式多样化、关联复杂等难题，提出基于信念规则库、数字孪生等技术的知识建模方法体系，实现数据和知识的形式化表达、结构化管理和逻辑化关联，为矿山设备数据的信息描述和知识共享提供有力的技术支持。
(3)研究机器学习、深度学习、迁移学习等人工智能技术在矿山机械设备状态知识深度挖掘中的应用，建立矿山机械设备状态大数据分析与智能化应用平台，实现矿山机械设备全生命周期的信息感知、状态诊断和预测性维护。
[1] 丁恩杰,施卫祖,张申,等.矿山物联网顶层设计[J].工矿自动化,2017,43(9):1-11.
DING Enjie,SHI Weizu,ZHANG Shen,et al.Top-down design of mine Internet of things[J].Industry and Mining Automation,2017,43(9):1-11.
[2] 丁恩杰,胡青松.矿山物联网顶层设计思路[J].物联网学报,2018,2(1):69-75.
DING Enjie,HU Qingsong.Design ideas of the top layer of the mine Internet of things[J].Journal of Internet of Things,2018,2(1):69-75.
[3] 王国法,王虹,任怀伟,等.智慧煤矿2025情景目标和发展路径[J].煤炭学报,2018,43(2):295-305.
WANG Guofa,WANG Hong,REN Huaiwei,et al.2025 scenarios and development path of intelligent coal mine[J].Journal of China Coal Society,2018,43(2):295-305.
[4] 王国法,赵国瑞,任怀伟.智慧煤矿与智能化开采关键核心技术分析[J].煤炭学报,2019,44(1):41-48.
WANG Guofa,ZHAO Guorui,REN Huaiwei.Analysis on key technologies of intelligent coal mine and intelligent mining[J].Journal of China Coal Society,2019,44(1):41-48.
[5] 李志雄,葛世荣,朱华.深部煤层采煤机关键部件磨损故障监测诊断的难点问题[J].摩擦学学报,2014,34(6):729-731.
LI Zhixiong,GE Shirong,ZHU Hua.Difficulties in monitoring and diagnosing the wear faults of key parts of coal shearers in deep coal seams[J].Tribology,2014,34(6):729-731.
[6] 谢嘉成,王学文,郝尚清,等.工业互联网驱动的透明综采工作面运行系统及关键技术[J].计算机集成制造系统,2019,25(12):3160-3169.
XIE Jiacheng,WANG Xuewen,HAO Shangqing,et al.Operating system and key technologies fully mechanized mining face driven by industrial Internet[J].Computer Internet Manufacturing Systems,2019,25(12):3160-3169.
[7] 雷亚国,贾峰,孔德同,等.大数据下机械智能故障诊断的机遇与挑战[J].机械工程学报,2018,54(5):94-104.
LEI Yaguo,JIA Feng,KONG Detong,et al.Opportunities and challenges of machinery intelligent fault diagnosis in big data era[J].Journal of Mechanical Engineering,2018,54(5):94-104.
[8] PAULHEIM Heiko.Knowledge graph refinement:A survey of approaches and evaluation methods[J].Semantic Web,2017,31(3):489-508.
[9] LIU H C,YOU J X,LI Z W,et al.Fuzzy Petri nets for knowledge representation and reasoning:A literature review[J].Engineering Applications of Artificial Intelligence,2017,60(4):45-56.
[10] ZHOU Z J,HU G Y,ZHANG B C,et al.A model for hidden behavior prediction of complex systems based on belief rule base and power set[J].IEEE Transactions on Systems,Man,and Cybernetics:Systems,2017(99):1-7.
[11] ZHU W,KU Q,WU Y,et al.A research into the evidence reasoning theory of two-dimensional framework and its application[J].Kybernetes,2018,44(3):152-156.
[12] LIU Z G,PAN Q,DEZERT J,et al.Combination of classifiers with optimal weight based on evidential reasoning[J].IEEE Transactions on Fuzzy Systems,2018,26(3):1217-1230.
[13] YAGER Ronald R.Fuzzy rule bases with generalized belief structure inputs[J].Engineering Applications of Artificial Intelligence,2018,72:93-98.
[14] TAO F,ZHANG M.Digital twin shop-floor:A new shop-floor paradigm towards smart manufacturing[J].IEEE Access,2017,5:20418-20427.
[15] MICHAEL,SCHLUSE,MARC,et al.Experimentable digital twins—Streamlining simulation-based systems engineering for industry 4.0[J].IEEE Transactions on Industrial Informatics,2018,14(4):1722-1731.
[16] CERRADA M,S
NCHEZ R,LI C,et al.A review on data-driven fault severity assessment in rolling bearings[J].Mechanical Systems & Signal Processing,2018,99:169-196.
[17] LIU Y,BAZZI A M.A review and comparison of fault detection and diagnosis methods for squirrel-cage induction motors:State of the art[J].Isa Transactions,2017,7(9):400-409.
[18] 袁亮,俞啸,丁恩杰,等.矿山物联网人-机-环状态感知关键技术研究[J].通信学报,2020,41(2):1-13.
YUAN Liang,YU Xiao,DING Enjie,et al.Research on key technologies of human-machine-environment states perception in mine Internet of things[J].Journal on Communications,2020,41(2):1-13.
[19] 张义民,黄婧,朱丽莎,等.采煤机摇臂传动系统可靠性稳健优化设计[J].煤炭学报,2015,40(11):2540-2545.
ZHANG Yimin,HUANG Jing,ZHU Lisha,et al.Reliability-based robust optimization design of the transmission system of a shearer ranging arm[J].Journal of China Coal Society,2015,40(11):2540-2545.
[20] 李力,倪松松.基于改进小波去噪预处理和EEMD的采煤机齿轮箱故障诊断[J].中南大学学报(自然科学版),2016,47(10):3394-3400.
LI Li,NI Songsong.Shearer gearbox fault diagnosis based on improved wavelet denoising pretreatment and EEMD[J].Journal of Central South University (Natural Science Edition),2016,47(10):3394-3400.
[21] 郝尚清,庞新宇,王雪松,等.基于盲源分离的采煤机摇臂轴承故障诊断方法[J].煤炭学报,2015,40(11):2509-2513.
HAO Shangqing,PANG Xinyu,WANG Xuesong,et al.Bearing fault diagnosis method for shearer rocker arm based on blind source separation[J].Journal of China Coal Society,2015,40(11):2509-2513.
[22] 毛清华,张旭辉,马宏伟,等.采煤机摇臂齿轮传动系统振源定位分析方法[J].振动.测试与诊断,2016,36(3):466-470.
MAO Qinghua,ZHANG Xuhui,MA Hongwei,et al.Vibration source location analysis method for ranging arm gear transmission system of shearer[J].Journal of Vibration,Measurement & Diagnosis,2016,36(3):466-470.
[23] 常用根,江帆,陈潇.矿井提升装备健康状态监测系统设计[J].工矿自动化,2018,44(2):38-42.
CHANG Yonggen,JIANG Fan,CHEN Xiao.Design of health condition monitoring system of mine hoisting equipment[J].Industry and Mine Automation,2018,44(2):38-42.
[24] 李娟莉,王健,杨兆建.基于三层信息融合的提升机制动系统故障诊断[J].振动.测试与诊断,2018,38(2):407-412，426.
LI Juanli,WANG Jian,YANG Zhaojian.Fault diagnosis of mine hoist breaking system based on three layers information fusion[J].Journal of Vibration,Measurement &Diagnosis,2018,38(2):407-412，426.
[25] HARGRAVE Chad O,JAMES Craig A,RALSTON Jonathon C.Infrastructure-based localisation of automated coal mining equipment[J].International Journal of Coal Science & Technology,2017,4(3):252-261.
[26] KHAN S,YAIRI T.A review on the application of deep learning in system health[J].Mechanical Systems and Signal Processing,2018,107(7):241-265.
[27] RUI Z,RUQIANG Y,ZHENGHUA C,et al.Deep learning and its applications to machine health monitoring[J].Mechanical Systems and Signal Processing,2019,115:213-237.
[28] WEN L,LI X,GAO L,et al.A new convolutional neural network based data-driven fault diagnosis method[J].IEEE Transactions on Industrial Electronics,2017,65(7):5990-5998.
[29] CHEN Z,LI W.Multisensor feature fusion for bearing fault diagnosis using sparse autoencoder and deep belief Network[J].IEEE Transactions on Instrumentation and Measurement,2017:1-10.
[30] JIANG G,HE H,YAN J,et al.Multiscale convolutional neural Networks for fault diagnosis of wind turbine gearbox[J].Industrial Electronics,IEEE Transactions on,2019,66(4):3196-3207.
[31] ZHAO Rui,YAN Ruqiang,WANG Jinjiang,et al.Learning to monitor machine health with convolutional bi-directional LSTM Networks[J].Sensors,2017,17(2):273-275.
[32] 雷亚国,杨彬,杜兆钧,等.大数据下机械装备故障的深度迁移诊断方法[J].机械工程学报,2019,55(7):1-8.
LEI Yaguo,YANG Bin,DU Zhaojun,et al.Deep transfer diagnosis machinery in big data era[J].Journal of Mechanical Engineering,2019,55(7):1-8.
[33] ZHANG R,TAO H,WU L,et al.Transfer learning with neural networks for bearing fault diagnosis in changing working conditions[J].IEEE Access,2017,65(5):14347-14357.
[34] GUO L,LEI Y,XING S,et al.Deep convolutional transfer learning network:A new method for intelligent fault diagnosis of machines with unlabeled data[J].IEEE Transactions on Industrial Electronics,2019,66(9):7316-7325.
