El escenario de mantenimiento de fallas en la inteligencia de equipos mineros de carbón está compuesto por videos, imágenes, señales y registros de procesos de reparación. Los datos de texto no son los datos principales que reflejan el fenómeno de falla, sino más bien el procesamiento secundario basado en la experiencia operativa. Enfocándose en la dificultad de extraer conocimiento de fallas de los limitados registros de procesos de mantenimiento textuales, se propone un método de modelado de red estática completamente conectada hacia adelante basado en el conocimiento de dominio de cuatro dimensiones de estructura física, asociación interna, monitoreo de condiciones y mantenimiento de fallas, para aumentar la eficiencia en la construcción de un grafo de conocimiento de mantenimiento de fallas. Identificar con precisión la correlación intrínseca entre las anomalías del equipo y las causas de las fallas solo a través del conocimiento de dominio y datos débilmente acoplados es difícil. Basándose en el grafo de conocimiento estático completamente conectado de la rozadora de cabeza de carretera, se utiliza el algoritmo de agrupación DBSCAN basado en la entropía de información y densidad para procesar y analizar muchos conjuntos de datos históricos de monitoreo de condiciones para optimizar las relaciones de entidad entre los fenómenos de falla y las causas. El algoritmo DBSCAN mejorado consta de tres etapas: en primer lugar, extracción de datos de entidad relacionados con la información de falla del grafo estático completamente conectado; en segundo lugar, cálculo de la entropía de información basado en el conjunto de datos reales que describen la información de falla y la condición operativa histórica, respectivamente; y en tercer lugar, comparación de los valores de entropía de las entidades y análisis de la relación intrínseca entre el fenómeno de falla, los datos de condición operativa y las causas de las fallas. Basándose en el almacenamiento de topología estática completamente conectada en la base de datos Neo4j, se calcula el algoritmo DBSCAN basado en la entropía de información y densidad utilizando Python para identificar los pesos de relación y mostrar dinámicamente la topología optimizada del grafo de conocimiento. Finalmente, se estudia un ejemplo de rozadora de cabeza de carretera tipo EBZ200 para mantenimiento inteligente para analizar y evaluar el método de modelado de grafo de conocimiento hacia adelante y de cuatro líneas principales y el método de optimización de relaciones de entidad dinámica para el grafo de conocimiento estático completamente conectado.