矿山装备传动系统的健康运行是保障煤矿安全、高效生产的先决条件。振动分析是开展矿山装备传动系统故障诊断的一种有效技术手段,也是目前的研究方向之一。本文以MG620/1660-WD采煤机为研究对象,在运用仿真软件对其传动系统进行传动特性分析的基础上,设计采煤机摇臂工况模拟及振动监测试验台,布置合适的传感器测点,引入时频分析方法对所采集的振动信号进行升维处理,构建以多层神经网络模型为框架的深度迁移学习模型,对其典型故障进行了识别研究。在分析摇臂传动系统结构的基础上,运用Solid Works对摇臂传动系统进行三维建模。结合采煤机摇臂运行工况,运用ADAMS仿真软件,对采煤机摇臂各级齿轮传动进行传动特性分析,得到各结构的角速度及角加速度运动曲线,为试验平台传感器测点的布置提供理论依据。根据轴承和齿轮的传动原理,对其故障振动信号特征进行分析。根据对采煤机振动形式的分析,探讨奇异值分解和EMD信号降噪方法,在此基础上结合采煤机摇臂运行状态仿真信号,调整两种降噪方法的降噪阶次参数,根据降噪效果确定出适合采煤机摇臂振动信号的降噪方法。运用连续小波变换和短时傅立叶变换时频分析方法对信号进行升维处理,探究适合采煤机摇臂振动信号非平稳非连续特点的升维方法。根据采煤机摇臂故障识别现有数据集少的特点,探讨深度迁移学习方法在小样本场景的识别准确度。在总结采煤机摇臂常见故障形式的基础上,有目标的搜集和建立故障振动数据集。以Res Net50神经网络模型作为基础框架,构建适用于采煤机摇臂故障识别的深度迁移学习模型。划分训练集和测试集,对模型进行算法优化以提高其识别速度和准确性,对比分析确定合适的超参数,并建立验证集对模型的识别效果进行评价。结合采煤机摇臂振动监测的功能需求,设计采煤机摇臂工况模拟及振动监测试验台,搭建振动监测系统,布置传感器测点。将采集得到的振动数据构建成故障识别模型的训练集与测试集,对被测摇臂不同测点的振动信号进行信号处理和故障识别实验,对所构建的故障识别模型进行评价和验证。该论文有图76幅,表20个,参考文献91篇。