研究背景：煤焦化关键设备长期处于极端工况，行业面临三大痛点：传统“事后维修+计划维修”模式停机损失大、安全风险高；运维数据爆炸但价值密度低，故障样本占比不足1%；机理模型与数据模型严重割裂，导致预测结果在边界工况下失真，严重制约预测性维护工程落地。 本成果首创“数据知识双驱动”的煤焦化关键设备预测性维护模型体系，攻克了复杂装备知识固化与多尺度物理建模统一性、多工况无监督异常检测动态阈值自适应、数据驱动特征与物理机理模型双向耦合、云边端异构环境下模型全生命周期协同管理等关键技术难题。 创新性与先进性： 针对复杂装备泛化难，创立“部件-组件-单机”三级分层建模方法，每级集成智能报警、诊断、评价与预测算法，实测诊断准确率达92%，模拟验证准确率98%。 针对变工况误报漏报，提出基于LSTM-AE-POT的工况自适应无监督预警技术，嵌入工况信息引导模型学习，基于极值理论分工况独立计算自适应阈值，在HUST数据集上F1-score达99.73%，从根源上解决工况干扰。 针对寿命预测失准，研发实测数据与物理机理双向耦合的寿命预测模型，通过动态失效阈值优化算法，在强噪声复杂工况下预测准确率超90%，实现数据适应性与物理可解释性的统一。 针对边缘测海量数据实时处理难题，构建“端-边-云”协同平台，支持模型动态更新与在线学习，设备综合健康评估偏差≤5%。 可推广性：成果不依赖单一硬件平台，核心算法通过迁移学习可低成本适配冶金、煤化工等流程工业。项目积累的高质量多源故障数据集，填补行业空白，累计访问量超2万次，已被NASA等国际顶尖机构采纳为训练样本，显著降低跨领域推广门槛。 经济社会效益与行业进步：成果已在安徽碳鑫科技等大型产线全面部署，应用期间累计成功预警隐患40余次，1年内产生直接经济效益264.6万元，并通过早期干预显著延缓设备大修周期，推动设备运维从“被动抢修”向“主动预测”转型。