采煤机是煤矿综采成套系统的关键设备之一,大功率、高可靠性、高智能、易于维护是现阶段采煤机研究的趋势。摇臂作为采煤机完成截割任务的重要部件,一旦发生故障,将直接影响到采煤机的运行效率,其可靠性对煤矿的安全高效生产至关重要,摇臂的故障诊断方法研究已然成为采煤机维护工作的重中之重。针对上述问题,本文以采煤机摇臂传动系统为研究对象,在分析实际工况和故障模式的基础上,研究在不同时间尺度下的故障特征向量提取方法,建立了基于改进深度置信网络的智能诊断模型。首先,对采煤机摇臂传动系统的结构进行分析,并结合实际工况环境,分析采煤机摇臂的多种故障形式,对故障形式分类、测试区域划分及测点位置布置进行研究,最终分析各部件振动特性,为特征提取和智能诊断奠定了基础。其次,针对摇臂传动系统在割煤过程中振动信号的非线性、非平稳性问题,研究多阈值小波包去噪方法,对不同频段信号选用不同阈值方法进行去噪,进一步通过EMD分解消除多阈值小波包去噪的局部最优性,得到多个IMF信号分量,结合Shanan信息熵值对多个IMF分量进行特征验算,并进行模拟信号仿真试验。然后,提出基于监督式学习网络的摇臂传动系统故障诊断方法,分析监督式学习模型的训练过程,对模型的学习率、迭代次数等多个输入参量进行研究,通过DDS故障诊断平台进行诊断方案的可行性验证;针对模型诊断效率低的问题,提出基于PSO-BPDBN的采煤机摇臂传动系统故障诊断模型,并进行测试试验。最终,结合特征提取和模式识别方法,进行采煤机摇臂地面测试实验,对采集的信号数据进行特征向量提取,并构建相对应的特征提取样本集,分别对传动系统的高速区和低速区进行测试实验,探究不同诊断方案下的故障诊断效率,验证本文模型的有效性。