曹现刚，工学博士，教授，博士生导师。现任西安科技大学机械工程学院院长，陕西省矿山机电装备智能监测重点实验室主任，煤矿设备维护与管理研究所所长。兼任中国自动化学会智慧矿山专业委员会委员，中国煤炭工业协会第四届煤炭工业技术委员会煤矿机械与维修制造专家委员会委员，中国振动工程学会专业委员会委员，全国高校机械工程测试技术研究会西北分会副理事长等。主要从事设备健康维护与管理、机器人技术及煤矿机电装备智能化技术研究工作。获西安科技大学教学名师奖，中国煤炭工业协会“煤炭工业两化融合先进个人”等荣誉称号, 获全国煤炭行业教育教学（职工培训）成果一等奖和二等奖各1项，陕西省优秀教学成果二等奖2项，陕西省科学技术二等奖1项。主持或参与国家自然基金重点基金项目1项，面上项目5项，企业委托项目几十项。发表论文50多篇，编写教材、专著7部。获国际发明专利1项，国内专利近30项。

       ① 综采设备故障诊断。主要包括信号感知及传感监测、故障机理与征兆联系、信号分析及信号特征提取、故障诊断与智能决策等。目前大多专家学者对于综采设备故障诊断的研究主要针对设备机械部分的故障，主要技术为基于振动理论、信号分析的经典诊断技术和基于大数据处理及融合的智能诊断技术，对于液压、电气电子及系统故障研究较少。随着综采装备智能化发展，专家学者试图从多模态、多源信号、多特征领域进行设备的故障定位及诊断，包括电流、温度、声音、油液、红外热成像、视频等。因此，深入研究故障机理，紧密结合先进诊断技术，将大数据、深度学习、云计算等新方法引入该领域，研究多模态、大数据驱动的综采关键设备故障诊断及超前预测技术已成为发展的重点。

       ② 综采设备健康状态评估。综采设备健康状态评估可估计出当前装备的健康状态（图1）。综采设备故障诊断更多是对综采设备失效后的补救，健康状态评估则偏向于设备状态的识别及故障预防。随着综采设备系统集成化、信息化程度的提高，复杂地质条件下综采设备的故障诊断与后勤保障难度不断增大，传统维修方式如事后维修、定时维修等存在诸多弊端，难以满足煤矿智能开采发展需求。煤矿智能化发展过程中，综采设备健康状态评估主要包括信号获取、特征提取及融合、健康等级划分、评估模型建立等4大关键技术，评估流程如图2所示。

图1 综采设备故障诊断与健康状态比较

图 2 综采设备健康状态评估流程

       通过先进传感与监测技术获取反映综采设备运行状态的感知信号是实现综采设备健康状态评估的首要任务。开采工作环境恶劣，采煤机、刮板输送机等综采设备工作状态复杂多变，导致健康评估困难。因此，专家学者试图从多角度、多层次、多传感信号对设备进行监测，确保更全面、准确感知设备健康状态。

       ① 数据级特征提取。数据级特征通常包括时域、频域和时频域特征等。针对强噪声非平稳信号，常用希尔伯特黄变换、小波分解、小波包分解、经验模态分解、局部特征尺度分解、变分模态分解等时频域分析方法分析信号。

       ② 特征级特征提取。特征级特征提取是指对原始特征进行特征变换，从而得到能更好表征原始特征的特征映射子集。该类方法根据映射函数是否线性可分，又分为线性特征提取方法和非线性特征提取方法，独立成分分析法作为线性特征提取方法的代表，只能学习线性流行结构。 

        ③ 特征选择及融合。主要包括相关系数、选择指标（相关性、模糊性、单调性）、模糊聚类、距离度量、加权平均、PCA、极限梯度提升算法等。随着深度学习的发展，卷积自编码器、卷积神经网络、深度置信网络等深度学习网络在特征提取、选择及融合等应用中表现优异，有效避免了人工特征提取存在的弊端，且深度学习网络可直接对特征进行分类及预测，实现评估过程的完全自适应。

       合理划分综采设备健康状态等级，有利于更好地描述综采设备从健康、退化到故障的缓慢劣化过程，得到设备健康状态实时、直观的定性描述，进而制定对应的维修策略。

       健康状态评估方法主要分为模型驱动、知识驱动和数据驱动3种类型。模型驱动法通常根据失效机理来建立数学解析模型，以评估设备健康状态。知识驱动法以专家知识为出发点，通过推理得到设备退化特征与设备健康状态间映射关系。数据驱动法是基于设备运行数据，构建设备退化特征和其健康状态间的非线性映射关系。

       1） 综采设备信号获取、传感器优化布置及数据稳定性具有挑战。

       2） 数据预处理困难，特征提取难度大，评估指标体系难以建立。

       3） 综采设备健康状态评估模型的研究尚处于初级阶段，建立准确度高、泛化能力强的健康状态评估模型具有挑战。

       4） 针对综采设备群的多模型混合健康状态评估模型难以建立。

       5） 将健康状态评估、预测结果引入综采设备智能维护策略，完成开采系统的预测性维护亟待解决。

       1）针对综采设备特殊性，其故障机理的研究仍十分必要，需考虑综采设备关键部件结构的非线性、载荷的时变性、故障的多元化及耦合性等，搭建适用于精确故障诊断的综采设备零部件和整机动力学模型，最终为传感器的有效布置和信号的高效分析提供更可靠的理论依据，提升综采环境、综采设备传感器优化布置方案。

        2） 完善基础数据存储和高性能计算平台，建立面向煤矿设备大数据的统一数据描述模型和接口标准，基于Hadoop、Apache Flink等框架，研究数据在线高效清洗、重构、快速查询及检索方法，提高数据的实用性及有效性；研究适用于非线性综采设备系统的非平稳信号分析新方法，提高特征提取精度；研究特征选择、降维及融合新方法，完成特征有效提取及融合，为健康状态评估提供具有表征意义的数据特征，构建评估指标集，提高健康状态评估准确度。

        3） 合理加大深度学习在健康状态评估方面的研究力度。深度学习是一种基于数据的表征学习方法，可以处理复杂的机器感知问题，实现模型自适应学习。

       4） 研究具有非线性、泛化能力强的动态综采设备健康状态评估模型。

       5） 建立基于大数据、物联网、云存储、移动端应用等技术的综采设备健康状态评估系统，实现本地与远程、B/S与C/S模式切换，基于数字孪生和VR/AR/MR完成可视化监控。