本课题是山西省重大专项“基于物联网的煤矿重大生产装备状态监测及全寿命周期管理系统开发”(20131101029)的重要子课题之一,也是横向课题晋煤集团科技攻关项目“矿井主排水自动化监控系统的开发(20100819-2)”的继承和延续。本文主要是针对井下环境恶劣,故障频发,矿井主排水设备的运行情况得不到很好的监控和预测而提出的。矿井主排水系统担负着煤矿井下的排水任务,其设备的运行健康状况影响着煤矿井下的安全生产。目前,我国大多数煤矿企业的主排水设备已实现了自动化控制,可根据水仓水位、管道水压等参数控制离心泵地启停与电磁阀的开断,并与地面监控中心进行联网,实现了对矿井主排水设备的远程控制。但矿井主排水设备的故障预测与健康管理方面的监控还不够全面,主要表现为:故障诊断范围小,故障定位不准确,误报警率高,故障预测多以阈值预测为主,未实现故障综合诊断和健康状态管理。针对以上问题,以矿井主排水设备的故障诊断和寿命预测为主要研究内容,通过理论分析、实验与数据采集、智能处理等环节实现矿井主排水泵所处生命节点和不同故障状态的有效监测和可靠诊断,并开发一套矿井主排水设备状态监测与寿命管理系统,保证该设备安全可靠运行,避免煤矿水灾害带来的重大人员伤亡和经济损失,这一研究具有很重要的现实指导意义。本文深入分析了矿井主排水泵的特性曲线,得到影响水泵特性曲线变化的因子,并结合矿井主排水泵的组成、工作原理和工作环境,确定了扬程、功率、效率和汽蚀余量为矿井主排水泵的寿命预测指标,并在离心泵加速寿命试验平台上完成实验,采集数据,经过计算,得到离心泵寿命预测指标值。接着,利用灰色卡尔曼模型进行离心泵剩余寿命预测,利用扬程数据验证灰色卡尔曼模型的有效性,其预测精度较灰色模型提高了50%以上,收敛速度也大幅度提高。将寿命预测指标值输入灰色卡尔曼模型中,实现了矿井主排水泵的剩余寿命预测。研究了矿井主排水泵的故障特征提取方法。利用盲源分离算法(BSS,Blind Signal Separation)进行振动信号的降噪处理,可避免部分故障特征信息的损失,最大程度地保留了原信号的信息;将降噪后的振动信号进行局部模态分解(EMD,Empirical Mode Decomposition),确定“能量与样本熵”相结合的特征向量。EMD可抑制信号端点效应和减小累积误差,“能量与样本熵”结合使得同类故障样本的聚合度更高,不同样本的区分度更好;最后,利用最大期望优化的主成分分析(EM-PCA,Expectation MaximizationPrincipal Component Analysis)对特征向量进行数据降维,充分挖掘高维数据中的低维特征,所得特征量敏感度进一步提高。制定了矿井主排水泵故障诊断的整体方案。在加速寿命实验平台上完成了离心泵的故障诊断实验,并采集各状态下的振动信号;采用BSS算法进行离心泵振动信号的降噪,采用EMD算法进行离心泵振动信号的多尺度分解,基于能量与样本熵得到了离心泵故障诊断的特征向量;考虑到不同的数据降维方法以及降维数,对矿井主排水泵故障诊断精度和故障诊断收敛速度的影响,确定EM-PCA为最优的数据降维方法,2维为最优降维数;利用降维后的特征向量输入BP神经网络中,完成矿井主排水泵各故障间的识别,其识别精度达到了98.75%。开发了基于物联网的矿井主排水设备寿命管理平台。首先,完成传感器、数据采集卡和工控机的选型和硬件软件配置,采集了矿井主排水设备的实时信号,实现了矿井主排水系统状态信息的全面感知;接着,以以太网为媒介,利用LabVIEW将采集到的状态信息远程写入数据库,实现了矿井主排水系统状态信息的可靠传输;最后,通过对状态信息的详细分析、智能处理和可视化显示,实现了矿井主排水泵的故障诊断和寿命预测。