电动单轨吊作为煤矿井下辅助运输系统中的重要工具,主要用于运送生产材料、人员和设备,同时完成井下设备的提升、吊装工作。电动单轨吊运行过程中,蓄电池组和驱动电机一直处于高负荷运转状态,极易出现各种健康问题,给矿井安全生产带来极大隐患。针对这一现状,本文结合嵌入式技术、物联网技术、云计算及边缘计算、人工智能算法,设计了一种集在线监测、故障预测功能于一体的电动单轨吊健康状况监测系统。电动单轨吊工作时处于移动状态,无法通过有线网络对其监测数据进行传输;而WiFi等传统无线通信方式在煤矿井下环境中存在各种干扰,导致数据传输距离受限;此外,低功耗广域网（LPWAN）虽然通信距离长,但难以传输音频等大数据量信息。因此,本文将深度神经网络布署于嵌入式平台上,对音频数据进行智能分析,并通过LPWAN将分析结果发送至监测中心,避免大数据量信息传输导致的网络拥塞和延迟,从而提高系统监测效率。当前的电机健康状况监测方法普遍存在传感器难以安装、信号不易采集、诊断精度不高等问题,本文提出一种基于音频深度时序特征的电动单轨吊电机故障预测方法。该方法利用MFCC对音频数据进行预处理,并获取其13维特征;考虑到音频信号的时序性,通过GRU与MLP构建深度神经网络模型对音频特征进行处理和分类,实现电机的故障预测。在此基础上,建立电机故障音频数据集,用于对所提模型进行训练和验证。最后,本文对系统各项功能进行了实验分析与现场测试。结果表明,该系统能够实现对电动单轨吊蓄电池组和驱动电机各项数据的在线监测,达到了预期的设计目标;同时,本文提出的模型能够准确识别出电动单轨吊驱动电机的4种典型故障,为其安全可靠运行提供了有效解决方案,具有一定的实际应用价值。图[32]表[14]参[83]