杨春雨，教授，博导。江苏省青蓝工程中青年学术带头人，江苏省333高层次人才，江苏省六大人才高峰高层次人才，江苏省双创团队核心成员。美国电气和电子工程师协会会员，中国自动化学会会员，中国自动化学会过程控制专业委员会常委委员，中国自动化学会环境感知与保护专业会员会及中国控制与决策会议程序委员会成员，中国人工智能学会智能自适应协同优化控制专业委员会委员，中国指挥与控制学会智能控制与系统专业委员会委员及网络科学与工程专业委员会委员，江苏省自动化学会理事，《工矿自动化》杂志青年专家委员。主要研究方向为智能控制理论与方法、智能机器人导航与控制、无人系统安全感知与控制、工业过程运行优化与智能控制。主持国家自然科学基金项目5项、中国博士后基金项目1项，参与国家973项目和重大国际合作项目各1项。成果获教育部高等学校科学研究优秀成果奖自然科学二等奖2项，中国自动化学会自然科学二等奖1项。发表学术论文80余篇，其中SCI检索60余篇。出版专著3部。授权发明专利15项。

       由于带式输送机机械结构复杂，工作环境恶劣，在检修不及时或不到位的情况下，会引起一系列输送带故障和驱动装置故障。通过故障诊断方法及时发现带式输送机故障并进行处理，具有重要的现实意义。以输送带故障和驱动装置故障为切入点，分析了带式输送机故障机理，归类总结带式输送机故障诊断方法的热门研究方向和国内外研究进展，讨论了故障诊断方法中亟待解决的问题及发展趋势，以期为故障诊断提供理论依据，为后续研究提供借鉴。

       将带式输送机故障分为输送带故障和驱动装置故障2类，其中输送带故障主要包括输送带跑偏、打滑、撕裂断带和堆料撒料故障，驱动装置故障包括滚筒故障、托辊故障和减速器故障。

       现阶段带式输送机诊断过程主要分为数据采集、故障识别和评价与决策3个部分。使用传感器对带式输送机各部位进行状态检测，通过各种诊断方法进行数据特征分析，根据数据特征确定系统发生的故障类型及故障程度，对故障危害及严重程度进行评价。

      带式输送机故障诊断技术可分为知识驱动法和数据驱动法2类。知识驱动法以知识处理技术为基础，实现符号处理和数值处理的统一、推理过程和算法过程的统一，主要包括专家系统、故障树分析法。数据驱动法采用机器学习和数据挖掘等技术对历史数据进行分析处理，建立诊断模型，达到故障诊断目的，主要包括支持向量机（SVM）、比差法、基于声音和视觉的诊断方法。

       结合历史故障数据和实时数据推断设备的健康状况，并预测未来某个时刻是否会发生故障，可提醒工作人员进行预测性维护，从而避免事故发生。合理的故障预测体系能克服传统维修计划过剩的缺点，提高设备的利用率，减少故障维修费用，从而降低成本，提高企业的综合竞争力。

       带式输送机系统往往发生彼此关联耦合的故障事件，现有单一故障诊断方法不能达到预期的诊断效果。为此，揭示带式输送机耦合故障的关联关系，利用人工智能等新兴技术研究耦合故障联合诊断方法，是带式输送机故障智能诊断方法的发展趋势。

       智能传感技术的发展促使带式输送机状态感知向精密化和多维化方向发展，为振动、温度、压力、声音、速度、图像等多模态信息的采集奠定了基础。利用多模态机器学习技术研究带式输送机多模态信息融合利用机制，开发带式输送机多模态信息融合故障诊断方法，将成为带式输送机故障智能诊断方法发展的重要方向之一。

        故障知识图谱是包含众多故障实体和故障实体之间关系的结构化故障知识库，通过“实体—关系—实体”的三元组形式将不同的故障实体连接起来，构成语义网络，可清晰体现各类故障现象及故障原因之间的关系网。将故障知识图谱和带式输送机领域知识相结合，能够实现带式输送机设备故障追踪、故障超前预警，通过知识查询、知识推理和辅助决策功能，可提高故障处理、精准挖掘设备潜在故障风险的能力。