一种用于大规模矿山设备故障预测与剩余可用寿命估计的 TCN-注意力融合模型

为何对采矿机械进行智能维护至关重要

现代矿场依靠成群的巨型卡车和挖掘机，在恶劣环境中几乎不间断地工作。当这些设备之一无预警发生故障时，生产可能陷入停滞，工人也可能面临危险。本文提出了一种利用传感器数据流和先进人工智能的方法，能够早期发现问题并估计设备剩余可用寿命，将突发性故障转变为可预测、可管理的事件。

从事后修复走向提前规划

几十年来，重型设备常常在发生故障后才维修，或按固定计划保养，而这些计划并不能完全反映真实的磨损情况。随着矿场仪表化程度提高，工程师们现在从齿轮箱、液压泵等关键部件收集大量振动、温度、压力和运行数据。传统模型和较简单的机器学习方法能利用其中一部分信息，但在应对现实设备在恶劣环境中表现出的复杂、变化的行为时力有不逮。作者认为须采用更灵活的方法——既能学习跨越数月的缓慢退化模式，又能对突发变化作出反应。

为大型机械构建分层数据“神经”系统

研究的核心是一个深度学习模型，类似于为采矿设备构建的神经系统。它输入多通道时间序列数据——数十个随时间变化的传感器读数——并将其传入时序卷积网络。该网络同时查看多个过去时间步，使用精心间隔的滤波器，能够捕捉短时冲击和长期趋势，而无需逐时刻处理数据。在此骨干之上，作者添加了一个双分支注意力模块：一支学习在机器历史中哪些时刻最重要，另一支突出哪些传感器信息最具参考价值。通俗地说，模型学会在评估设备健康时“回放”并“放大”最具指示性的时段和测量值。

同时预测健康状态与剩余寿命

研究者没有构建独立工具，而是将系统设计为同时回答两个问题：设备当前处于何种状态，以及在多长时间内可能发生故障。一条输出分支将当前健康状况划分为四个等级，从正常运行到即将故障；另一条分支以小时为单位估计剩余可用寿命。两项任务共享大部分内部表示，训练过程中会根据各自误差的不确定性自动调整对每个目标的重视程度。这种共享学习使模型能利用一个任务的线索提升另一个任务的表现——例如，识别出典型严重退化的信号应与短剩余寿命相吻合。

在真实卡车与挖掘机上的测试

为验证方法效果，团队将其应用于来自中国一座露天铜矿的丰富数据集。在18个月内，他们监测了12辆大型运矿卡车和挖掘机，每台配备最多21个传感器，记录了800多起故障及完整的运行至失效历史。经过仔细清洗、对罕见故障情况的重平衡和特征提取后，他们将模型与多种替代方法进行了比较，包括经典技术和近期深度学习方法，如 LSTM 网络、Transformer 以及其他时序卷积系统。新模型在故障预测准确率上取得最高（约92%），在剩余寿命估计误差上最低，能够解释真实寿命变异的90%以上。在模拟传感器丢失和测量噪声的情况下，该模型的性能也比竞争方法更为稳健，下降更为平缓。

对矿场及其他领域的意义

从实用角度看，研究表明将时序卷积与跨时间与传感器的注意力机制结合，能把原始监测数据转化为可靠的早期预警和到故障时间的估计。对矿场运营者而言，这意味着更少的意外停机、更合理的维修计划、更高效的备件管理以及更好的安全性。更广泛地说，这项工作为任何由复杂设备产生传感器数据流的行业——从风力涡轮机到工厂机器人——提供了预测性维护的范式，有助于构建更智能、更有韧性的基础设施。

引用: Mao, J., Xu, W., Li, D. et al. A TCN-Attention fusion model for fault prediction and remaining useful life estimation of large-scale mining equipment. Sci Rep 16, 13746 (2026). https://doi.org/10.1038/s41598-026-43145-z

关键词: 预测性维护, 采矿设备, 剩余可用寿命, 深度学习, 传感器数据