矿井排水泵是煤矿井下排水工作的核心设备,虽然井下有多台排水泵,但涌水量大时经常需要多台同时工作。因此一旦排水泵设备出现故障,将会导致煤矿安全生产遭受巨大损失。为了保障其正常工作,需要在排水泵设备故障发生时迅速找出故障原因及位置,并在故障发生前对其健康状况精准预测,这对矿井排水泵的安全可靠运行具有重大意义。在排水泵电机、离心泵和大型设备故障诊断的研究基础上,针对现阶段矿井排水泵故障诊断及健康预测的不足,本文提出了基于多源感知的矿井排水泵故障诊断及健康预测系统。结合矿井排水泵机电设备中的常见故障,对系统的整体方案进行了设计,并基于系统中的相关功能,设计了系统的层次架构,即多源信息感知层、边缘解析决策层、异构网络传输层以及平台共享迁移层。对水泵电机的轴承音频信号进行了时域、频域的特征提取,选取分帧峭度作为轴承故障诊断指标,利用变分模态分解算法（Variational Mode Decomposition,VMD）进行离心泵振动信号分析,以峭度指标作为衡量标准,得到离心泵的故障诊断模态分量,同时将定子绕组温度作为水泵电机的另一故障诊断指标。为满足排水泵对故障诊断及预测的高要求,依据长短时记忆网络（Long Short-Term Memory,LSTM）对时序数据的处理特点,结合卷积神经网络（Convolutional Neural Network,CNN）对于数据局部特征的提取优势,设计了萤火虫算法优化的卷积-长短期记忆混合神经网络（CNN-LSTM）故障诊断模型。基于许疃煤矿排水泵轴承数据进行了网络的性能测试,结果表明,优化的CNNLSTM网络故障诊断及预测输出效果优异,准确率最高,可以满足矿井排水泵故障诊断和健康预测的要求。最后对系统进行了功能测试与验证,针对水泵电机轴承和离心泵的几种故障,对优化的CNN-LSTM神经网络模型进行测试,并选取三种网络进行效果对比,最终得出,所设计的混合神经网络故障诊断结果准确率最高,预测输出误差极小,具有较强的实时性,总体性能表现优异。系统通信与云端展示测试中,异构网络在进行数据传输时工作稳定,上位机相关功能正常。所设计的基于多源感知的矿井排水泵故障诊断及健康预测系统的性能满足要求,能够实现对矿井排水泵的故障诊断及健康预测,具有很高的理论和实用价值。图[72]表[17]参[80]