煤炭资源在我国能源体系结构中具有非常重要的地位和作用,采煤机作为煤矿生产过程的关键设备,是集机械、电子、电气、传动、液压等为一体的复杂机械。采煤机设备的安全、稳定运行对于保证煤炭生产的安全、促进企业生产效率具有重要意义。由于采煤机常处于潮湿、粉尘颗粒多、电磁干扰严重等复杂井下运行环境,时常出现轴承破损等采煤机关键部件故障。一旦出现此类故障,将导致整个煤矿生产过程停滞,乃至瘫痪。针对采煤机滚动轴承故障,本文在深入研究与分析采煤机运行环境、工作特点、影响因素等导致采煤机轴承故障的基础上,提出一种将RBF神经网络(RBF, RBF Neural Network)与自适应步长萤火虫算法(ASGSO, self-Adaptive Step Glowworm Swarm Optimization)相耦合的拟合算法实现对采煤机滚动轴承故障非线性系统的有效辨识。RBF神经网络具备了强大的时变数据处理能力及网络稳定性,因此更能直接表征本质非线性系统的动态特性。以小波包和RBF神经网络为基础,提出了由小波包分解提取各个节点特征能量谱与自适应步长萤火虫算法优化的RBF神经网络进行分类辨识的采煤机滚动轴承故障诊断方法。对振动传感器输出的信号进行小波包分解,运用基于代价函数的局域判别基(LDB)算法对小波包分解进行裁剪,获取最优的特征能量谱,经处理后作为特征向量训练ASGSO-RBF神经网络,建立诊断模型。充分利用经改进后的ASGSO算法强大的全局多目标搜索能力对RBF的权值与中心、宽度在求解空间中进行快速精确的在线搜索,并结合辨识理论建立基于ASGSO-RBF耦合算法的采煤机滚动轴承故障辨识系统。利用井下实际采集到的各影响因素监测数据进行辨识实验,结果表明：在较高学习效率的前提下,其辨识精度和泛化能力明显强于单一的RBF神经网络、GSO-RBF耦合模型以及工程常用的BP神经网络且具有较强的鲁棒性。该方法对井下采煤机故障灾害的防治提供了充分的理论指导。