采煤机作为煤矿开采的主要设备之一,拥有庞大的体型、复杂的结构,其关键零部件剩余寿命(remaining useful life,RUL)预测值受工作环境恶劣、操作空间狭窄等因素的影响难以准确获得,使采煤机健康状态评估困难,严重威胁煤矿安全生产及工作人员的生命安全。当前采煤机关键零部件可靠性分析手段局限于基于软件、数学模型等静态仿真的理论化分析,未利用监测数据进行挖掘和分析,导致分析结果片面、准确度差、效率低、智能化程度滞后等缺陷。研究和利用先进的理论与方法,从煤机装备大数据中挖掘信息,高效、准确地识别装备的健康状态,成为煤机装备健康监测领域面临的新问题。结合深度学习极强的非线性拟合能力优势,提出了基于深度学习的采煤机关键零部件剩余寿命预测方法。依据监测对象实际退化趋势和监测数据特征,将监测数据划分为全寿命周期和非全寿命周期两类数据,分别采用分类和回归的思想构建深度神经网络剩余寿命预测模型,表征监测数据与剩余寿命之间潜在的非线性映射关系,并通过试验验证了模型的性能。在模型研究的基础上,构建了采煤机关键零部件剩余寿命预测体系架构,以采煤机摇臂易损件作为实例对象,分析了构建的两种模型在关键零部件剩余寿命预测方面的可行性。主要研究内容如下:(1)研究了采煤机各部件工作性能,分析了其关键零部件失效现象和原因。结合深度学习基本模型,从结构、特征学习和反向参数优化三方面阐述了各模型原理。提出了基于深度学习的采煤机关键零部件剩余寿命预测方法。(2)针对全寿命周期数据,提出基于分类思想的剩余寿命预测模型构建方法。依据监测手段和监测数据特性,引进3 sigma准则去噪方法去除监测数据中的粗大误差。采用分层抽样手段获取训练集和测试集,确保数据的完整性。构建不含池化层的深度卷积神经网络(deep convolutional neural network,DCNN)预测模型,提高模型特征学习能力。经试验验证,该模型具有高预测性和强泛化能力的优势。(3)针对非全寿命周期数据,提出基于回归理念的剩余寿命预测模型构建方法。采用快速傅里叶变换(fast Fourier transform,FFT)获取频域信息。研究自编码器(auto-encoder,AE)自监督学习特性,提取输入的时域和频域数据特征。通过在门循环单元(gated recurrent unit,GRU)网络隐藏层添加前向层,构建双向门循环单元(bidirectional gated recurrent unit,biGRU)预测模型,实现特征的双向学习;将AE提取的特征作为预测模型的输入,驱动bi-GRU预测剩余寿命。经试验验证,该模型具有准确预测能力。(4)从模型结构、数据预处理和预测结果三方面对比了文章构建的两种预测模型。结合实际煤矿情况,构建基于深度学习的采煤机关键零部件剩余寿命体系框架。将构建的深度学习模型嵌入物联网数据分析层预测监测对象剩余寿命,研究了采煤机监测数据传输策略,以采煤机摇臂易损件高速区和低速区齿轮、轴承为实例对象,探讨了构建的两种模型在摇臂易损件剩余寿命预测方面的可行性。基于深度学习的采煤机关键零部件剩余寿命预测方法,通过深度学习利用机械监测信号训练深度神经网络,其优势在于能够摆脱对大量信号处理技术与预测经验的依赖,克服了传统预测方法的缺陷,完成特征的自适应提取,实现了自主学习和动态预测,提高了预测结果的准确性和分析手段智能化程度,为采煤机预测性维护策略的有效实施提供指导。