带式运输机作为煤矿井下的核心运输设备,其稳定高效地运行尤为重要。目前煤矿带式运输机的健康管理主要依赖于人工定期巡检和实时故障诊断,前者容易导致维修不足和维修过剩,而后者无法预防故障的发生。针对当前煤矿带式运输机故障预防能力不足的问题,本文基于数据挖掘和神经网络预测方法,对煤矿带式运输机进行状态参数预测和故障类型识别。论文的主要工作和创新点包括:(1)以赵固一矿现役带式运输机为研究对象,分析其基本结构和故障机理。研究设备传动系统三种故障的产生原因并筛选故障对应的监测参数,建立煤矿带式运输机故障数据信息库。针对传动系统故障影响因素种类多、数量大的问题,采用小波阈值和关联规则算法对其进行降噪、降维,挖掘出有效故障信息,提高数据的信息密度。(2)针对目前煤矿带式运输机监控系统无法预测故障这一不足,建立基于DPNN神经网络的故障预测模型,为提高模型预测的精确度和自适应能力,采用极限学习和PSO-LM组合学习算法进行优化。将基于该算法的预测模型与PSO-LM算法、PSO算法和LM算法优化后的预测模型进行仿真对比,从而验证本文所提出预测方法的有效性。(3)基于RBF神经网络建立煤矿带式运输机故障分类模型,与传统BP神经网络模型进行对比,通过实验仿真验证RBF神经网络的优越性。与离散过程神经网络进行组合,并结合实际数据对煤矿带式运输机故障状态进行预测,验证了组合模型预测的可靠性。(4)针对实际工况和预测需求,选择相应的功能模块并设计预测系统的硬件结构。基于DPNN-RBF组合神经网络预测模型,采用C#与MATLAB混合编程对预测模型进行软件开发。系统实现了对运输机状态实时监测和故障预测功能,软件系统运行稳定、界面友好,易于操控。本论文紧密结合当前煤矿智能化实际需求,将基于神经网络的故障预测方法应用于煤矿带式运输机。本文建立的故障预测系统具有实际应用价值,同时采用的技术和方法可供其他领域故障预测的研究提供参考。