该成果依托工业互联网平台，采用了“端-边-网-云”架构，运用大数据、云计算、数字孪生等先进技术进行数字赋能，系统采集多种工艺数据、设备故障检测传感数据、生产数据、设备系统维修数据，通过对数据要素的综合利用以及建模，实现了以预知维修为核心的设备智能运维体系。 通过采集设备全生命周期多维度海量生产工艺和工况数据，利用神经网络算法分析及建立设备运转状态数据模型。并以运转状态数据模型为依托，采用可视化的方式建立设备故障诊断机理模型及故障预测逻辑模型。包括多参数正/负相关性判断、骤升骤降趋势判断、阈值控制判断、状态往复判断及多参数复杂逻辑判断等。实现设备在线状态分析报警。 通过对矿业设备加装无线智能温振传感装置，实时监控设备温度及振动数据，结合现场检修抓取设备故障振动趋势、频率特征。以专家诊断经验为依托，同时利用聚类、线性拟合、神经网络等算法，建立通用设备及矿山专有设备智能故障诊断模型。有效应对设备润滑不良、齿轮点蚀/裂纹、轴承磨损、电机连接不平衡/不对中及松动等故障，实现设备远程在线诊断。 通过对设备周期性维保部件的维护及相应设备运行时间的采集，建立设备周期件运维模型，在到期提醒的同时，主动分析更换周期及对齐维修时间，对更换周期对齐不匹配及周期长短不适合的部件给予提示，同时对设备主要部件提供的全生命周期管理。 通过对产线及产线主要设备的梳理，建立计划修排期模型。实现计划修排期及无人化管理，实现点检定修向预测维护管理变革。 基于以上对矿山行业设备运维的智能化管理特性，实现了企业提升设备运转率，降低了设备备件的消耗，减少了设备异常停机时间，进而降低运营成本，为增强企业竞争力提供了有力支撑，直接经济效益增加。因此，我司推荐此成果参与本次申报。