井下机械机电设备复杂度较高,导致其故障特征呈现非线性、时变性、并发性、不确定性等特征,而且井下噪声干扰大、设备数量多、分布时而分散时而聚集等,给设备的故障预测带来了很大的麻烦。本文在前人信号处理、分类算法、故障预测、机器学习的基础上,针对井下设备健康状态评估准确度、适用范围、实用性等问题进行了研究。主要内容如下:(1)设备健康状态预测与评估。井下的复杂环境导致通过直接预测其故障类型变得非常困难,而且对于突发故障来说,预测设备的故障类型意义不大,因此提出通过健康状态评价设备的运行状况。实验表明,对于出现渐变故障的设备该方法具有很高的应用价值。(2)基于特征提取的井下设备特性研究。设备的运行声音能够反映出当前设备的健康状态,研究了声音对设备健康状态的敏感度,提出了对所提取声音进行分帧、去噪等预处理,并且对信号的短时能量、倒频谱、Mel倒谱系数特征进行对比分析。实验表明,基于特征提取的设备健康状态预测与评估是可行的,而且对于同一信号,提取不同的特征,其预测精度也有所不同。(3)机器学习理论在健康状态预测中的应用研究。支持向量机(Support Vector Machine,SVM)有唯一的全局最优解与出色的机器学习能力,能够很好的解决小样本、非线性、高维化等问题。本文将评价设备健康状态的问题转化为对设备特征分类的模型进行处理,提出了基于特征提取和SVM的设备健康状态预测与评估方法。(4)设备健康状态评估研究及实验分析。提出了设备健康度的概念,通过在井下水泵处安装的拾音器(或振动传感器)获得设备运行的声音信号,验证所提方法的合理性与准确度。结合设备健康度,实验研究了本文所述方法的预测精度影响因素。实验结果表明,基于Mel倒谱系数特征提取和SVM的设备健康状态预测方法具有更高的预测精度。