工业物联网及智能传感技术的发展,促使煤矿行业朝着数字矿山、智能矿山的方向发展,许多的煤矿机械设备都装配了实时监测设备状态的传感器。虽然煤矿机械设备传感器带来了大量的实时监测数据,但目前大多数煤矿仍采用传统的机械维护方式进行煤矿机械设备的维护,这意味着实际煤矿生产中传感器带来的大量数据并未得到较好的应用。因此,如何利用好大量的数据,将其转化为辅助煤矿生产及设备维护的有效信息,得到设备性能退化的趋势具有重要的研究意义。本文以采煤机为研究对象,为利用各类传感器数据实现采煤机性能退化趋势的准确预测,在选取合理工况监测参数和性能退化参数的基础上,结合极限学习机和高斯混合模型、相对熵等方法度量不同工况下采煤机的性能退化程度,从而得到了采煤机的性能退化趋势,实现了将大量传感器数据转化为性能退化程度的目的,主要研究内容如下:(1)本文总结出进行采煤机工况监测和性能退化评估的相关指标。首先,从结构、作用、故障现状等几个方面对采煤机的故障及维修现状进行分析,得到了区分采煤机不同工况的指标,同时为后文采煤机工况监测参数的选取提供了依据;然后,结合煤矿实际生产情况,总结出能反映采煤机性能退化程度的可监测指标作为性能监测参数并验证了所选参数的合理性。(2)为更准确地表示采煤机不同部件性能退化评估的情况,找到一种进行采煤机性能退化评估的方法。首先,提出运用极限学习机对采煤机工况进行识别的方法,并在不同工况下建立了相应的高斯混合模型。在此基础上,利用相对熵来度量性能退化的程度,从而得到了采煤机的性能退化趋势,借此建立了一套实现采煤机性能退化趋势评估的完整模型。(3)选择采煤机故障发生率最高的截割部作为分析实例,对其进行性能退化的评估。在前文分析的基础上结合截割部的特点,选取了区分截割部工况的四种工况监测参数和六个有代表性的性能监测参数;经过数据标准化、工况模型训练、性能数据降维、工况识别、不同工况高斯模型训练和比较等几个步骤,得到了采煤机截割部的性能退化趋势图,并根据趋势图找出性能退化的三种典型阶段,提出了相应的智能维护策略。该论文有图17幅,表10个,参考文献85篇。