基于多信息融合的煤矿掘锚机电气故障智能诊断方法研究

摘要

随着煤矿智能化发展，掘锚机电气系统可靠性成为影响矿井效率与安全的关键。针对井下恶劣工况引发的电气故障高发问题，以及传统人工诊断方法效率低、准确性差的现状，提出了一种基于多信息融合的智能诊断方法。首先，系统分析掘锚机电气系统架构与工作原理，明确关键易损部件，深入剖析电动机、传感器、控制单元等核心部件的故障模式与机理。在此基础上，构建了特征层与决策层相结合的混合融合诊断框架。通过集成电流、电压、振动、温度等多源信息，采用主成分分析（PCA）对提取的时域、频域特征进行降维优化；进而为不同类型数据建立局部诊断模型，并引入深度神经网络作为全局模型，最终基于D-S证据理论实现决策层融合。通过搭建实验平台构建故障数据集，验证结果表明：所提出的融合诊断模型总体准确率达到98.2%，较最佳单一信号模型提升8.5个百分点，显著优于传统方法，为掘锚机电气系统故障的准确、快速诊断提供了一种有效解决方案，对提升煤矿智能化运维水平具有重要价值。

关键词

掘锚机 / 电气故障诊断 / 多信息融合 / 特征提取 / 智能决策

基金资助

天地科技股份有限公司创新创业资金重点项目（2024-TD-ZD008-02）