La extracción de tripletes es la tecnología clave para construir automáticamente grafos de conocimiento. La extracción del triplete de relaciones de fallas en equipos mecánicos es de gran importancia en la construcción del diagnóstico de fallas de un malacate de mina. El método de extracción de tripletes en pipeline traerá problemas como la acumulación de errores y la redundancia de información. Los métodos existentes de aprendizaje conjunto no pueden aplicarse a textos de fallas con relaciones superpuestas, ignorando la particularidad del conocimiento profesional en el campo de las fallas de equipos mecánicos complejos. Por lo tanto, basado en el modelo de lenguaje preentrenado en chino BERT Whole Word Masking (BERT-wwm), este artículo propone un modelo conjunto de extracción de entidad y relación MHlinker (enlazador de malacates de mina, MHlinker) para el campo de fallas en malacates de mina. Este método utiliza BERT-wwm como codificador subyacente. En la etapa de reconocimiento de entidades, se construye la matriz de clasificación utilizando el paradigma de extracción de múltiples cabezas, lo que resuelve efectivamente el problema del anidamiento de entidades. Los resultados muestran que este método mejora la capacidad del modelo para extraer relaciones de falla en su totalidad. Cuando se prueba el conjunto de datos de texto de fallas en malacates de mina etiquetado manualmente a pequeña escala, el efecto de extracción de entidades y relaciones se mejora significativamente en comparación con varios modelos de referencia.