我国是目前世界上煤炭开采大国,长期以来,煤矿设备及人员的可持续性工作一直制约着煤炭开采业安全生产的发展,给国家和人民的生命财产带来了极为重要的影响。另外,智能化煤矿开采逐渐成为技术创新所主导新型煤矿开采方式,但是如果作为煤巷掘进过程中主要设备的掘进机在智能化发展中滞后,势必会引起掘进效率的低下,造成经济损失,影响煤矿正常的掘采效率及经济社会效益。因此,在煤巷掘进过程中保证掘进机快速、稳定、有效的开展掘进工作是保证煤矿安全生产的一项重要任务。目前,煤巷掘进机状态监测及故障诊断的方法主要是在线阈值判断,缺乏智能化整机故障诊断理论及方法。在线阈值是一种传统方法,用电机的电流超限报警及漏电保护等方式判断故障情况。液压部件故障诊断也是通过局部数据分析事后判断。此方法的不足之处在于:局部部件的故障发现往往是影响整机工作造成停机停产的条件下进行,属于事后维修,阈值判断的条件过于单一,故障链传播长,难以确定和定位具体故障点。整机系统故障诊断技术在复杂系统故障诊断中应用广泛,通过系统各个观测点的数据分析,来判断掘进机故障传播路径,智能推理预测故障可能发生发展趋势。与在线阈值判断相比,整机系统故障诊断适用于复杂系统的运行评价,有别于类似元器件诊断评价方法,具有经济、高效、预测范围大、分析推理灵活等优点。目前,掘进机状态监测与故障诊断技术的研究现状主要有:（1）开发以嵌入式硬件为平台的掘进机状态监测及故障诊断系统平台,多为数据显示及信息阈值判断平台;（2）利用模糊神经网络搭建掘进机故障诊断信息专家平台,理论分析缺乏更有效手段;（3）具体针对掘进机的液压、电气、机械等部件开展机构的故障诊断,注重细节,但缺乏整机系统的故障诊断推理。分析总结众多掘进机故障诊断现状之后,本文提出了基于PSO-BP、故障树、故障Petri网等复合网络拓扑结构的掘进机故障诊断技术。围绕掘进机整机系统状态监测和故障诊断展开研究,完成了基于多种网络结构的掘进机故障诊断模型,建立了基于PSO优化算法模型,分析掘进机故障传播机理及路径,并通过现场测试数据对理论模型的性能和分析结果进行了验证。本文主要研究成果和结论如下:（1）建立BP神经网络的掘进机故障诊断模型。本章通过对振动信号的分析,确定了表征掘进机截割部故障的特征值,并将已确定的特征值作为神经网络的输入向量。通过实验确定了神经网络的结构并经过测试确定了网络初始参数,建立了BP神经网络,测试了网络的性能,针对掘进机截割部不同工作状态,通过BP网络的数据分析,准确识别截割作业的不同正常或故障状态,并根据该网络存在的不足引入了PSO算法对BP神经网络进行了优化,建立了PSO-BP神经网络并测试了网络性能,最后通过BP网络与PSO-BP网络的比较展示出优化效果。（2）建立动态故障树的掘进机故障诊断模型在对掘进机整机的结构分析的基础之上,构建了掘进机常见的典型故障的故障树模型,通过对故障树的定性分析确定了故障树的最小割集,确定的导致掘进机发生故障的可能故障源的组合。并通过层次分析法获取了掘进机故障树底事件的相对概率值,完成的掘进机故障树的定量分析,定性求解出了各故障源在掘进机系统中的重要度。并依据该结果给出了掘进机故障的最优排查路线,为实现掘进机故障源的快速查找及系统设计的薄弱环节提供了依据（3）建立故障Petri网的掘进机故障诊断模型分析传统Petri网在故障诊断领域应用基础上,给出了故障诊断问题的不同建模分类及一种理论表达,并抽象出故障诊断领域的三大科学技术问题;在此基础上从故障Petri网定义、关联矩阵改进、状态方程、变迁状态标识表达等几个方面论述了基于故障Petri网的掘进机诊断推理方法理论定义及技术实现;最后验证并指出了智能诊断函数的表达形式及故障传播路径智能推理一致性表达。（4）多网络拓扑结构的掘进机故障诊断优化研究开展基于掘进机实测信号的PSO-BP网络优化研究,当目标精度为10^-3时,得到的BP神经网络的平均训练步数为100.2步,PSO-BP神经网络的平均训练步数为4步;当目标精度为10^-5时,得到的BP神经网络的平均训练步数为198.5步,PSO-BP网络的平均训练步数为7步。可知PSO-BP网络训练时可以更快地达到目标精度,训练速度远快于BP神经网络,并且精度提升时PSO-BP网络的训练步数增加量也远小于BP神经网络。故障树-Petri多种复合网络拓扑故障诊断模型的研究,完善掘进机故障诊断数学理论方法。