在矿山生产领域，矿井提升机作为 “咽喉设备”，承担着运输人员、矿石及物料的关键任务，其运行状况直接关乎矿山生产的安全与效率。随着2025年矿井提升机行业政策的不断推进与落实，对提升机的智能化、安全性和可靠性提出了更高要求。然而，当前矿井提升机面临故障处理周期长、维护保养任务重、维修成本高等难题，传统健康诊断系统存在误差大、智能化程度低等不足。在此背景下，研究基于 PHM 的矿井提升机健康管理系统具有重要的现实意义。
《2025-2030年全球及中国矿井提升机行业市场现状调研及发展前景分析报告》指出，矿井提升机健康管理系统旨在采集、处理和整合整个提升机系统的健康信息，依据这些信息做出预测性修复决策，确保提升机在全寿命周期内的安全性、可靠性和经济性达到或超过设计标准，从而降低使用和维护成本。该系统的基本工作流程涵盖状态监测、健康特征信息监测、健康状况及危险因素评估、预测与控制、健康特征预测性决策、干预控制执行以及干预过程监控等环节。
其功能要求主要包括状态监测、健康评估和预测与控制三个方面。状态监测作为基础，实时监测矿井提升机是否处于正常工作状态;健康评估基于状态监测结果，对提升机的性能状况进行评估;预测与控制则结合提升机健康特征信息，对其运行性能进行预测性修复决策，并执行干预控制，以保障提升机始终处于健康运行状态。
矿山生产实践表明，矿井提升机运行中的故障多源于液压站故障、闸瓦磨损、提升负载过载、钢丝绳断丝、运行超速以及加减速度不平稳等问题。这些故障由分布在提升系统各处的传感器进行实时动态感知，传感器采集的数据作为输入传输至健康管理系统控制模块。当出现提升超速情况时，系统通过调整提升机变频器来控制电机转速，从而调节提升速度;当监测到闸瓦间隙超过标准最大值 2.0mm 时，系统向提升机操纵台 PLC 发出控制指令，调整液压站比例阀电流，控制油压输出，进而调节闸瓦与闸盘之间的间隙。
矿井提升机健康管理系统主要由设备层、传感器层、数据层和分析决策层四层结构组成。设备层即矿井提升机本身，处于系统最底层;传感器层由安装在提升机及液压站的各类传感器构成，包括温度传感器、压力变送器等，负责采集提升机运行参数;数据层进行数据处理和存储，对传感器数据进行归一化处理，将其取值限定在 [0 - 1] 区间，并建立数据库储存传感器历史数据及对应的健康指数，为后续 BP 神经网络模型训练提供数据支持;分析决策层通过训练 BP 神经网络模型进行健康评估、预测推理和维护决策，根据实时传感器数据得到健康指数，评估提升机健康状态，预测故障趋势并做出维护决策。
为实现对矿井提升机健康状态的准确预测，构建基于 BP 神经网络的传感器数据与健康指数关系模型。该模型的建立步骤包括模型建立、网络参数选择、样本数据确定及预处理、网络训练和测试。
模型采用带有 1 个中间层的 3 层 BP 网络结构，输入层有 9 个神经元，分别对应电机输出轴转速、电机电流等 9 项提升机运行参数;输出层 1 个神经元，为矿井提升机的健康指数;中间层经过多次验算对比，确定神经元个数为 5 个。
在模型训练过程中，对阈值和权值进行初始化，随机赋予较小值。给定输入向量和对应输出向量，依次进行正向计算。将数据库中的 110 组数据分为两组，70 组作为训练集对 BP 神经网络模型进行反复训练，40 组作为测试集进行测试。测试结果显示，实际健康指数和预测得到的健康指数非常接近。根据设定的健康标准，即健康指数 (0 - 0.35) 为健康状态，(0.35 - 0.75) 为亚健康状态，(0.75 - 1) 为故障状态，实际健康状态与预测健康状态的重合度在 90% 以上，表明该模型具有良好的诊断预测能力。
基于矿井提升机健康管理系统的功能要求，成功构建了动态健康评估体系，完成了系统分层和硬件结构搭建，通过传感器采集数据为分析决策提供了有力依据。提出的基于 BP 神经网络的关系模型，实现了对传感器数据的有效训练，得出了精确度较高的健康诊断结果，解决了故障原因分析不全面等问题，能够提前预知提升机健康状态。
试验分析表明，该健康管理系统显著提高了矿井提升机故障诊断的效率和准确性，可靠性较高。能够提前预判提升机健康状态，在提升机处于亚健康状态时，便于控制人员及时采取维护保养措施，保障提升机健康运行，减少故障发生，降低矿山维修费用，将资金更好地投入到安全生产中，具有广阔的市场应用前景。
更多矿井提升机行业研究分析，详见中国报告大厅《矿井提升机行业报告汇总》。这里汇聚海量专业资料，深度剖析各行业发展态势与趋势，为您的决策提供坚实依据。
更多详细的行业数据尽在【数据库】，涵盖了宏观数据、产量数据、进出口数据、价格数据及上市公司财务数据等各类型数据内容。
京公网安备 11010502031895号
