張宏樂(lè)，韓雪華，史 凱，任賀賀，徐 磊，錢(qián)恒昌，李 燦，李方迪，黃 璜

(1.兗礦能源集團(tuán)股份有限公司 濟(jì)寧二號(hào)煤礦，山東 濟(jì)寧 273599； 2.兗礦能源集團(tuán)股份有限公司 山東煤炭科技研究院分公司，山東 濟(jì)南 250117)

礦井提升機(jī)作為連接煤礦井下與地面的關(guān)鍵設(shè)備，擔(dān)負(fù)提升煤炭、矸石，下放材料，升降人員和設(shè)備的任務(wù)，其運(yùn)行狀況將直接影響礦山生產(chǎn)人員的生命安全和礦井的生產(chǎn)能力[1-3]。軸承是提升機(jī)系統(tǒng)的關(guān)鍵部件之一，其一旦發(fā)生故障，將帶來(lái)提升機(jī)安全隱患，因此，研究提升機(jī)軸承狀態(tài)監(jiān)測(cè)與故障診斷對(duì)保障礦井提升機(jī)安全穩(wěn)定運(yùn)行具有理論意義和工程價(jià)值。

近年來(lái)，隨著人工智能與物聯(lián)網(wǎng)技術(shù)的快速發(fā)展，智能故障診斷方法逐漸成為研究熱點(diǎn)[4]，目前，基于深度學(xué)習(xí)和遷移學(xué)習(xí)的框架被研究人員常用于機(jī)械設(shè)備故障診斷[5，6]，并取得了許多研究成果。張西寧等[7]利用預(yù)訓(xùn)練-微調(diào)的遷移學(xué)習(xí)方法，提出將源域樣本訓(xùn)練得到的模型參數(shù)遷移至目標(biāo)域，對(duì)深度模型的參數(shù)進(jìn)行微調(diào)，使其適用于目標(biāo)域樣本的故障識(shí)別與分類(lèi)。Zhiyi等[8]提出一種提出了一種增強(qiáng)型深度自解碼器，利用足量的源域故障樣本訓(xùn)練模型，再通過(guò)參數(shù)遷移與微調(diào)的方法使模型適用于目標(biāo)域樣本的故障識(shí)別與分類(lèi)。然而，由于實(shí)際工作環(huán)境下的機(jī)械設(shè)備常處于高溫、高速和變負(fù)載的狀態(tài)，基于深度學(xué)習(xí)的故障診斷模型存在以下主要問(wèn)題[5-9]：①缺少足量有標(biāo)簽故障樣本。由于機(jī)械設(shè)備在實(shí)際工作中處于變工況，因此獲取足量的不同工況下故障樣本的難度大；②變工況導(dǎo)致實(shí)際故障樣本與訓(xùn)練樣本間存在分布差異，而大多數(shù)基于深度學(xué)習(xí)的故障診斷模型是在訓(xùn)練樣本與測(cè)試樣本同分布的假設(shè)下訓(xùn)練得到的；③由于前兩個(gè)問(wèn)題，使目前大多數(shù)基于深度學(xué)習(xí)的故障診斷模型對(duì)實(shí)際工業(yè)場(chǎng)景下的機(jī)械設(shè)備故障診斷效果不佳，無(wú)法直接推廣到實(shí)際工程應(yīng)用。 遷移學(xué)習(xí)作為克服上述問(wèn)題的一個(gè)有前景的方向，近年來(lái)也受到許多研究者的關(guān)注，將其運(yùn)用于變工況下的機(jī)械設(shè)備故障診斷。 將已有工況下的帶標(biāo)簽故障樣本數(shù)據(jù)作為源域，而其他工況下無(wú)標(biāo)簽故障數(shù)據(jù)作為目標(biāo)域，遷移學(xué)習(xí)能夠利用源域和目標(biāo)域樣本訓(xùn)練跨域故障診斷模型，實(shí)現(xiàn)對(duì)無(wú)標(biāo)簽?zāi)繕?biāo)域數(shù)據(jù)的故障識(shí)別和分類(lèi)[7，8]。但是，現(xiàn)有的遷移學(xué)習(xí)故障診斷方法通常缺乏對(duì)訓(xùn)練數(shù)據(jù)在模型訓(xùn)練過(guò)程中的完備性的考慮，在實(shí)際工業(yè)場(chǎng)景下，描述機(jī)械設(shè)備狀態(tài)的目標(biāo)域數(shù)據(jù)采集往往按照在線獲取的序列方式，無(wú)法滿足數(shù)據(jù)在模型訓(xùn)練過(guò)程中的完備性假設(shè)，導(dǎo)致無(wú)法解決數(shù)據(jù)按照序列方式到達(dá)的在線識(shí)別問(wèn)題[2，10]。

針對(duì)上述問(wèn)題，本文提出一種融合邊緣節(jié)點(diǎn)的遷移故障診斷架構(gòu)，以提升機(jī)軸承為應(yīng)用對(duì)象，實(shí)現(xiàn)變工況下的提升機(jī)軸承在線故障診斷。并提出了一種基于ResNet與多核聯(lián)合分布差異的遷移故障診斷算法(RN-MK-JDD)，利用足量帶標(biāo)簽源域樣本與無(wú)標(biāo)簽?zāi)繕?biāo)域故障樣本訓(xùn)練深度遷移故障診斷模型；邊緣診斷層基于訓(xùn)練好的深度遷移故障診斷模型參數(shù)，重構(gòu)模型，進(jìn)而對(duì)本地存儲(chǔ)的狀態(tài)數(shù)據(jù)進(jìn)行故障特征的識(shí)別。最后，在上述提出的故障診斷框架基礎(chǔ)上，構(gòu)建提升機(jī)檢測(cè)診斷平臺(tái)，實(shí)現(xiàn)了對(duì)礦井提升機(jī)運(yùn)行狀態(tài)的監(jiān)測(cè)與在線診斷。

1 融合邊緣節(jié)點(diǎn)的遷移故障診斷架構(gòu)

基于數(shù)據(jù)驅(qū)動(dòng)的提升機(jī)狀態(tài)監(jiān)測(cè)與故障診斷是在提升機(jī)運(yùn)行過(guò)程中的狀態(tài)數(shù)據(jù)基礎(chǔ)上，分析和挖掘故障特征，實(shí)現(xiàn)智能診斷。目前，大多研究者采用中央云服務(wù)器集中處理訓(xùn)練樣本和訓(xùn)練模型，這種模式優(yōu)點(diǎn)是能夠按需分配計(jì)算資源，降低成本并為煤炭生產(chǎn)管理過(guò)程中其他部門(mén)提供數(shù)據(jù)挖掘，分析和決策能力[1]。但是，這種集中處理的模式在當(dāng)前快速發(fā)展的智能礦山建設(shè)中存在一些問(wèn)題[1，2，10]：①由于自動(dòng)化礦山設(shè)備越來(lái)越多，以及5G遠(yuǎn)程作業(yè)，煤礦井下環(huán)境監(jiān)測(cè)以及智能礦車(chē)等推廣，集中處理的模式會(huì)造成大量延時(shí)，進(jìn)而影響此類(lèi)系統(tǒng)的正常工作；②海量數(shù)據(jù)造成網(wǎng)絡(luò)擁堵，中央云服務(wù)器負(fù)載壓力大，進(jìn)而存在降低礦山網(wǎng)絡(luò)的穩(wěn)定性和可靠性的風(fēng)險(xiǎn)；③目前大多數(shù)故障診斷方法缺乏對(duì)訓(xùn)練數(shù)據(jù)在模型訓(xùn)練過(guò)程中的完備性的考慮，對(duì)于數(shù)據(jù)按照序列方式到達(dá)的在線故障狀態(tài)識(shí)別，存在一定的局限。

為解決上述問(wèn)題，本文采用融合邊緣節(jié)點(diǎn)的方式構(gòu)建新的故障診斷架構(gòu)。通過(guò)增加邊緣節(jié)點(diǎn)來(lái)分擔(dān)一部分中央云服務(wù)器的工作量，邊緣節(jié)點(diǎn)的功能包括三個(gè)方面：①原始數(shù)據(jù)預(yù)處理。按照序列方式到達(dá)的原始傳感器數(shù)據(jù)，采用時(shí)頻分析方法預(yù)處理，去除原始數(shù)據(jù)中存在的噪聲以及干擾信息，再提取時(shí)頻特征后存儲(chǔ)于邊緣計(jì)算中臺(tái)；②故障模式推理。邊緣計(jì)算中臺(tái)根據(jù)中央云服務(wù)器下發(fā)的故障診斷模型參數(shù)，對(duì)本地存儲(chǔ)的時(shí)頻特征數(shù)據(jù)進(jìn)行故障模式識(shí)別與推理，以及上傳本地存儲(chǔ)數(shù)據(jù)至中央云服務(wù)；③邊緣計(jì)算中臺(tái)根據(jù)故障模式識(shí)別與推理的結(jié)果，通過(guò)網(wǎng)絡(luò)交換機(jī)和網(wǎng)關(guān)等設(shè)備，像控制設(shè)備的PLC控制器輸出報(bào)警信息，控制設(shè)備停機(jī)等。中央云服務(wù)器功能包括：①煤礦管理的控制中心服務(wù)器，和煤礦的其他部分管理應(yīng)用服務(wù)；②數(shù)據(jù)存儲(chǔ)服務(wù)器，用于存儲(chǔ)邊緣節(jié)點(diǎn)層上傳的多傳感器數(shù)據(jù)和煤礦井下其他數(shù)據(jù)；③應(yīng)用服務(wù)器，部署煤礦井下應(yīng)用服務(wù)，包括開(kāi)展基于人工智能算法的故障診斷模型的在線訓(xùn)練，再將訓(xùn)練好的模型參數(shù)經(jīng)網(wǎng)絡(luò)層傳輸?shù)竭吘壒?jié)點(diǎn)。融合邊緣節(jié)點(diǎn)的遷移故障診斷架構(gòu)和邊緣節(jié)點(diǎn)的功能結(jié)構(gòu)分別如圖1和圖2所示。

圖1 融合邊緣節(jié)點(diǎn)的遷移故障診斷架構(gòu)

圖2 邊緣診斷層功能結(jié)構(gòu)

2 基于ResNet與多核聯(lián)合分布差異的遷移故障診斷算法

2.1 深度殘差網(wǎng)絡(luò)

近年來(lái)，經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)[11]憑借其強(qiáng)大的深度特征提取能力，被許多研究者應(yīng)用于故障診斷領(lǐng)域。但是，隨著網(wǎng)絡(luò)深度的增加，會(huì)出現(xiàn)梯度爆炸和衰減等問(wèn)題，從而導(dǎo)致故障診斷準(zhǔn)確率飽和甚至下降[11]。對(duì)此，深度殘差網(wǎng)絡(luò)(Deep Residual Network，ResNet)[12]采用殘差神經(jīng)網(wǎng)絡(luò)來(lái)改進(jìn)特征提取方式，能夠克服經(jīng)典CNN網(wǎng)絡(luò)的梯度爆炸和衰減等問(wèn)題。ResNet的核心是殘差單元模塊，如圖3(a) 所示，主要由權(quán)重層，批量歸一化層(BN)和ReLU構(gòu)成。圖3中X為神經(jīng)網(wǎng)絡(luò)的輸入，Y為輸出，ResNet通過(guò)訓(xùn)練，使有參層學(xué)習(xí)到一個(gè)殘差映射f：X→Y-X，最后通過(guò)與X求和獲得輸出Y。與CNN相比，這種學(xué)習(xí)殘差映射的方式能夠有效降低映射的學(xué)習(xí)難度并提高模型收斂速率，能夠避免CNN深度過(guò)大而導(dǎo)致的模型退化問(wèn)題[12]。ResNet的結(jié)構(gòu)如圖3(b)所示，主要包括卷積層、池化層，多個(gè)殘差單元模塊，全連接層和分類(lèi)層。

本文采用ResNet-18作為深度特征提取器，從時(shí)頻特征中進(jìn)一步挖掘故障特征，提高故障診斷精度。ResNet-18的網(wǎng)絡(luò)參數(shù)見(jiàn)表1。

圖3 標(biāo)準(zhǔn)殘差單元模塊與ResNet結(jié)構(gòu)

表1 ResNet-18網(wǎng)絡(luò)的詳細(xì)結(jié)構(gòu)參數(shù)

2.2 多核MMD

2.2.1 最大均值差異(MMD)

MMD[13]是遷移學(xué)習(xí)模型中被廣泛應(yīng)用的一種用于度量源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)間分布差異的方法。假設(shè)有源域DS={XS，YS}和目標(biāo)域DT={XT}，XS與XT分別為源域和目標(biāo)域的樣本數(shù)據(jù)，YS為源域樣本的類(lèi)別標(biāo)簽。源域和目標(biāo)域的邊緣分布與條件分布分別為PS，PT，QS和QT。基于MMD分別計(jì)算源域和目標(biāo)域間的邊緣分布與條件分布差異，邊緣分布差異的表達(dá)式如下：

式中，φ表示一個(gè)將數(shù)據(jù)映射到再生核希爾伯特空間H的一個(gè)非線性映射函數(shù)。nS和nT分別為源域和目標(biāo)域樣本數(shù)。條件分布差異的表達(dá)式如下：

式中，c∈[1，2，…，C]，C為樣本的類(lèi)別數(shù)。

2.2.2 聯(lián)合分布差異(JDD)

聯(lián)合分布適應(yīng)[14]是一種旨在減小源域與目標(biāo)域樣本間邊緣分布和條件分布差異的特征遷移學(xué)習(xí)方法，在式(1)和式(2)基礎(chǔ)上，通過(guò)擴(kuò)展非參數(shù)MMD獲得聯(lián)合分布差異來(lái)度量邊緣分布和條件分布的差異，實(shí)現(xiàn)對(duì)兩種分布的適配，聯(lián)合分布差異的表達(dá)式如下：

2.2.3 多核聯(lián)合分布差異(MK-JDD)

式(1)和式(2)中的再生核希爾伯特空間H選擇不同的內(nèi)核時(shí)，會(huì)對(duì)源域和目標(biāo)域間分布差異的度量產(chǎn)生重要影響，相關(guān)研究表明，與單一核的MMD相比，多個(gè)不同內(nèi)核混合的MMD，能夠提高遷移學(xué)習(xí)模型的自適應(yīng)效率。因此，本文使用多個(gè)內(nèi)核的Hk：

式中，K為內(nèi)核總數(shù)，kθi為帶寬為θi的高斯核?；谑?1)—(4)，MK-JDD的表達(dá)式如下：

2.3 基于ResNet與多核聯(lián)合分布差異的遷移故障診斷框架

本文提出的基于ResNet與MK-JDD的遷移故障診斷框架(RN-MK-JDD)整體結(jié)構(gòu)如圖4所示，主要包括三個(gè)部分，數(shù)據(jù)采集與信號(hào)處理，遷移故障診斷模型訓(xùn)練和故障模式識(shí)別。

1)數(shù)據(jù)采集與信號(hào)處理：利用振動(dòng)傳感器采集提升機(jī)運(yùn)行過(guò)程中的軸承振動(dòng)信號(hào)，為過(guò)濾原始振動(dòng)信號(hào)中的噪聲以及干擾信號(hào)，采用經(jīng)典時(shí)頻分析方法小波包變換對(duì)原始信號(hào)進(jìn)行分解，提取時(shí)頻特征，構(gòu)建時(shí)頻圖像作為ResNet的輸入。

2)遷移故障診斷模型訓(xùn)練：將第一步獲得的分別來(lái)自源域有標(biāo)簽樣本和目標(biāo)域無(wú)標(biāo)簽樣本的時(shí)頻圖像作為ResNet的輸入樣本。為了提高ResNet提取可遷移深度特征的性能，降低源域與目標(biāo)域間的分布差異，本文在ResNet的優(yōu)化目標(biāo)中引入MK-JDD，對(duì)每一個(gè)殘差單元模塊提取出的源域和目標(biāo)域的深度特征進(jìn)行分布差異度量，同時(shí)計(jì)算邊緣分布差異和條件分布差異，并不斷最小化ResNet總體損失。MK-JDD作為損失項(xiàng)的表達(dá)式如下：

式中，Hk表示在不同內(nèi)核k下的再生核希爾伯特空間；Ul和Vl分別為在第l個(gè)殘差塊提取出的源域和目標(biāo)域的深度特征的分布；Nl為ResNet殘差塊的層數(shù)。除了MK-JDD損失項(xiàng)外，ResNet的訓(xùn)練過(guò)程中還包含Softmax分類(lèi)器的交叉熵?fù)p失LC，用以度量模型對(duì)源域故障樣本的預(yù)測(cè)標(biāo)簽和真實(shí)標(biāo)簽間差異。本文提出的RN-MK-JDD框架的損失項(xiàng)如下：

LRN-MK-JDD=LC+αMK-JDDLJDD

(7)

式中，αMK-MMD表示損失項(xiàng)的平衡因子，其取值范圍在0～1之間。

3)故障模式識(shí)別：在第二步得到的RN-MK-JDD遷移故障診斷模型基礎(chǔ)上，對(duì)目標(biāo)域無(wú)標(biāo)簽測(cè)試樣本進(jìn)行模式識(shí)別與分類(lèi)，輸出對(duì)應(yīng)類(lèi)別標(biāo)簽，計(jì)算遷移故障診斷準(zhǔn)確率。

2.4 實(shí)驗(yàn)驗(yàn)證

2.4.1 基于美國(guó)凱斯西儲(chǔ)大學(xué)軸承故障數(shù)據(jù)的實(shí)驗(yàn)驗(yàn)證

本文分別采用2hp和3hp下的12種軸承故障振動(dòng)數(shù)據(jù)開(kāi)展實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)數(shù)據(jù)與文獻(xiàn)[15-17]中的相同。為驗(yàn)證MK-JDD損失項(xiàng)對(duì)于提高模型的遷移故障診斷性能的有效性，本文設(shè)置由多種經(jīng)典機(jī)器學(xué)習(xí)方法構(gòu)建的故障診斷對(duì)比模型見(jiàn)表2。以SVM-FD與TCA-SVM-FD為例，SVM-FD表示原始故障信號(hào)經(jīng)時(shí)頻分析方法提取時(shí)頻特征后輸入SVM，獲得故障模式識(shí)別結(jié)果；TCA-SVM-FD表示信號(hào)經(jīng)時(shí)頻分析方法處理后再運(yùn)用遷移成分分析(Transfer Component Analysis，TCA)處理后輸入SVM，獲得故障診斷結(jié)果。TCA與JDA是經(jīng)典的基于特征的遷移學(xué)習(xí)方法。RN-FD模型是在RN-MK-JDD模型基礎(chǔ)上去除MK-JDD損失項(xiàng)。

表2 經(jīng)典機(jī)器學(xué)習(xí)方法構(gòu)建的故障診斷對(duì)比模型

實(shí)驗(yàn)?zāi)Ｐ途捎貌捎?hp下的有標(biāo)簽故障數(shù)據(jù)作為源域，2hp下的無(wú)標(biāo)簽故障數(shù)據(jù)作為目標(biāo)域，遷移故障診斷任務(wù)為，源域有標(biāo)簽故障數(shù)據(jù)與目標(biāo)域無(wú)標(biāo)簽故障數(shù)據(jù)用于訓(xùn)練遷移故障診斷模型，對(duì)目標(biāo)域無(wú)標(biāo)簽測(cè)試樣本進(jìn)行故障模式識(shí)別與分類(lèi)。表2中各模型的最大遷移故障診斷準(zhǔn)確率見(jiàn)表3。

表3 故障診斷對(duì)比模型的最大故障 遷移故障診斷準(zhǔn)確率

根據(jù)表3的故障診斷結(jié)果，RN-MK-JDD模型的最大故障診斷準(zhǔn)確率高于其他模型，達(dá)到100%，具有明顯的優(yōu)勢(shì)，表明該診斷模型能夠?qū)?2種軸承狀態(tài)數(shù)據(jù)均做出正確的分類(lèi)預(yù)測(cè)。與RN-FD模型相比，診斷準(zhǔn)確率高出14.37%，表明引入MK-JDD損失項(xiàng)能夠明顯提高模型遷移故障診斷性能，進(jìn)而驗(yàn)證了本文提出的RN-MK-JDD模型的有效性與優(yōu)越性。

2.4.2 基于SQI-MFS試驗(yàn)臺(tái)軸承故障數(shù)據(jù)的實(shí)驗(yàn)驗(yàn)證

為進(jìn)一步驗(yàn)證本文提出的RN-MK-JDD遷移故障診斷模型的適應(yīng)性，采用SQI-MFS試驗(yàn)臺(tái)的軸承故障數(shù)據(jù)開(kāi)展與2.4.1節(jié)相同的實(shí)驗(yàn)。

本文采用該試驗(yàn)臺(tái)在1800r/min和1200r/min轉(zhuǎn)速下的10種軸承故障數(shù)據(jù)開(kāi)展遷移故障診斷實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)數(shù)據(jù)與文獻(xiàn)[15]中的SQI-MFS軸承故障數(shù)據(jù)相同。實(shí)驗(yàn)設(shè)置與2.4.1節(jié)類(lèi)似，采用1800r/min下的有標(biāo)簽故障樣本作為源域，1200r/min下的無(wú)標(biāo)簽故障樣本作為目標(biāo)域。表2中各模型的最大遷移故障診斷準(zhǔn)確率見(jiàn)表4。根據(jù)實(shí)驗(yàn)結(jié)果可知，RN-MK-JDD模型的遷移故障診斷性能最優(yōu)，能夠達(dá)到91%的故障診斷準(zhǔn)確率，明顯高于其他模型，相比RN-FD模型，高出15.5%。

表4 故障診斷對(duì)比模型的最大故障 遷移故障診斷準(zhǔn)確率

綜合上述實(shí)驗(yàn)結(jié)果分析，結(jié)論如下：

1)本文提出的RN-MK-JDD遷移故障診斷模型在CWRU軸承故障數(shù)據(jù)和SQI-MFS試驗(yàn)臺(tái)軸承故障數(shù)據(jù)下，均能夠取得理想的遷移故障診斷準(zhǔn)確率，表明該模型對(duì)于變工況下的提升機(jī)軸承故障狀態(tài)識(shí)別有應(yīng)用潛力。

2)通過(guò)與RN模型對(duì)比，引入了MK-JDD損失項(xiàng)后，能夠明顯提升故障診斷模型的跨域診斷性能，提高診斷準(zhǔn)確率。

3 提升機(jī)在線檢測(cè)診斷平臺(tái)

提升機(jī)檢測(cè)平臺(tái)包含以下幾個(gè)部分：

1)多傳感器數(shù)據(jù)實(shí)時(shí)采集與監(jiān)測(cè)。為充分感知提升機(jī)運(yùn)行過(guò)程中的狀態(tài)，圖1中的多源數(shù)據(jù)感知層通過(guò)加裝多種傳感器(振動(dòng)、電壓/電流、電渦流、溫度、聲發(fā)射等)采集提升機(jī)運(yùn)行過(guò)程中的信號(hào)。采集到的多傳感器數(shù)據(jù)在邊緣診斷層進(jìn)行數(shù)據(jù)清洗與本地存儲(chǔ)，再將數(shù)據(jù)進(jìn)一步傳輸至云計(jì)算服務(wù)中心。

2)智能算法配置管理與在線診斷。提升機(jī)檢測(cè)診斷平臺(tái)中集成了基礎(chǔ)算法庫(kù)，包括基礎(chǔ)數(shù)學(xué)計(jì)算、現(xiàn)代信號(hào)分析方法、特征工程算法和人工智能判識(shí)算法，能夠滿足故障信號(hào)分析、統(tǒng)計(jì)特征提取、故障狀態(tài)判識(shí)等應(yīng)用功能，實(shí)現(xiàn)對(duì)應(yīng)信號(hào)的實(shí)時(shí)在線分析和故障診斷。基于從多源數(shù)據(jù)感知層采集到的歷史數(shù)據(jù)和行業(yè)技術(shù)專(zhuān)家提供的工程經(jīng)驗(yàn)知識(shí)，運(yùn)用統(tǒng)計(jì)、聚類(lèi)、關(guān)聯(lián)分析、回歸分析、時(shí)間序列分析等大數(shù)據(jù)挖掘手段分析各類(lèi)狀態(tài)數(shù)據(jù)的關(guān)聯(lián)關(guān)系及演化規(guī)律，通過(guò)大量數(shù)據(jù)的多維統(tǒng)計(jì)、挖掘分析和知識(shí)聚合，建立基于數(shù)據(jù)驅(qū)動(dòng)的狀態(tài)評(píng)價(jià)、故障診斷和剩余壽命預(yù)測(cè)模型。

3)特征趨勢(shì)分析。提升機(jī)檢測(cè)診斷平臺(tái)中還集成多分析與多維特征分析算法，研發(fā)了實(shí)時(shí)特征分析服務(wù)，實(shí)現(xiàn)對(duì)采集的高頻傳感數(shù)據(jù)的實(shí)時(shí)特征分析，并將分析結(jié)果存儲(chǔ)到歷史數(shù)據(jù)庫(kù)，研發(fā)了數(shù)據(jù)特征查詢服務(wù)，可查詢?cè)O(shè)備關(guān)鍵部件特定時(shí)間的特征數(shù)據(jù)，分析數(shù)據(jù)變化趨勢(shì)和超限情況，判斷設(shè)備健康狀態(tài)，分析異常出現(xiàn)時(shí)間，為狀態(tài)分析和預(yù)測(cè)性維保提供支撐。

4)監(jiān)控中心。提升機(jī)檢測(cè)診斷平臺(tái)的首頁(yè)監(jiān)控中心用于直觀的反應(yīng)提升系統(tǒng)中各關(guān)鍵運(yùn)行參數(shù)和提升狀態(tài)的的具體數(shù)據(jù)，包含設(shè)備運(yùn)行狀態(tài)、關(guān)鍵參數(shù)實(shí)時(shí)值、設(shè)備告警信息等實(shí)時(shí)信息，首頁(yè)集成關(guān)重統(tǒng)計(jì)數(shù)據(jù)/圖表展示，可概覽整個(gè)設(shè)備系統(tǒng)當(dāng)天的運(yùn)行分布、當(dāng)日設(shè)備系統(tǒng)運(yùn)行效率情況、能源消耗對(duì)比展示和設(shè)備異常與故障告警相關(guān)信息，通過(guò)首頁(yè)者能夠更直觀、全面地了解到設(shè)備運(yùn)行狀況和設(shè)備健康狀態(tài)。

5)平臺(tái)基礎(chǔ)管理功能。本文設(shè)計(jì)的提升機(jī)檢測(cè)診斷平臺(tái)具有完備的基礎(chǔ)數(shù)據(jù)管理功能，包含設(shè)備管理、采集終端管理、點(diǎn)位管理、人員管理、權(quán)限管理等基礎(chǔ)管理模塊。

4 結(jié) 論

1)本文提出了一種融合邊緣節(jié)點(diǎn)的遷移故障診斷架構(gòu)，包括四個(gè)部分：多源數(shù)據(jù)感知層，邊緣節(jié)點(diǎn)層，網(wǎng)絡(luò)層和中央云服務(wù)器層。該框架通過(guò)增加邊緣節(jié)點(diǎn)來(lái)分擔(dān)一部分中央云服務(wù)器的工作量，解決目前普遍采用中央云服務(wù)器集中處理訓(xùn)練樣本和訓(xùn)練智能診斷模型存在的局限。

2)以提升機(jī)軸承為對(duì)象，提出了一種基于ResNet與多核聯(lián)合分布差異的遷移故障診斷算法RN-MK-JDD，利用足量帶標(biāo)簽源域樣本與目標(biāo)域無(wú)標(biāo)簽樣本訓(xùn)練得到深度遷移故障診斷模型，實(shí)現(xiàn)變工況下的提升機(jī)軸承故障狀態(tài)識(shí)別。采用美兩種軸承故障數(shù)據(jù)驗(yàn)證所提出的RN-MK-JDD模型的有效性與適應(yīng)性。實(shí)驗(yàn)結(jié)果表明該模型中引入的MK-JDD損失項(xiàng)能夠有效提高模型的跨域故障診斷性能，獲得理想的變工況故障診斷結(jié)果。

3)在融合邊緣節(jié)點(diǎn)下的遷移故障診斷框架基礎(chǔ)上，設(shè)計(jì)構(gòu)建提升機(jī)檢測(cè)診斷平臺(tái)，部署于煤礦地面云計(jì)算服務(wù)中心，實(shí)現(xiàn)了對(duì)礦井提升機(jī)運(yùn)行狀態(tài)的監(jiān)測(cè)與關(guān)鍵部件在線故障診斷。