截齿作为采掘机械的关键部件,它会最直接的对工作效率产生直接影响。由于现场环境恶劣,噪音嘈杂,对于如何提取特征信号是如今需要解决的问题。进行截齿磨损状态识别和预测研究是增强采掘机械工作效率、保障开采安全和推进智能化开采的重要基础。论文主要是利用在截齿截割过程中截齿磨损产生并提取的特征信号和选取的特征参数,对截齿磨损状态识别和预测的影响规律的研究。为此进行了下述工作:本论文提取分析截齿截割时产生的振动和声发射信号,针对提取到的特征信号进行分析。分别针对其进行时域、频域和小波包分析;取振动加速度时域信号均方根值;振动频域信号均方根值;振动信号小波分析的能量和值;声发射信号频域信号均方根值;声发射信号小波分析的能量和值来构建信号的特征样本库。本文分别基于BP神经网络和PNN神经网络建立截齿磨损状态识别模型,经过BP神经网络识别模型和PNN神经网络识别模型的对比分析,得到BP神经网络识别模型最高整体识别准确率为99%与PNN神经网络识别模型的最高识别准确率为100%。本文将灰色GM(1,1)模型和灰色-马尔科夫模型应用到截齿磨损状态预测当中。利用灰色GM(1,1)模型和灰色-马尔科夫模型对截齿磨损状态进行预测。研究结果得到,应用于灰色GM(1,1)预测模型得到的平均相对误差为2.3%,应用于灰色-马尔科夫模型预测得到的平均相对误差为1.06%,通过对比发现,使用灰色-马尔科夫模型更能够贴合实际值曲线,精度提高了54%。为此本文将不同特征参数应用于灰色-马尔科夫模型进行了误差对比。结果表明,振动加速度信号能量和值应用于灰色-马尔科夫预测的效果最好、平均相对误差最小,平均相对误差为1.45%。最后本文将不同信号应用于灰色-马尔科夫模型进行了误差对比。结果表明:相对于两种信号来说,声发射信号更适合应用于灰色-马尔科夫预测模型,相对误差为1.1%。这为实现综采工作面截齿磨损状态的精准预测提供了一种新方法做为参考。该论文有图幅33个,表23个,参考文献152篇。