煤矿带式输送机是煤矿生产系统的关键运输设备,具有“矿山动脉”之称。一旦发生故障,必将带来不可估量的财物损失,甚至人员伤亡。如何对带式输送机出现的故障进行准确的分析并得出有效的故障决策模型,根据其实时运行状态,及时发现故障征兆并预警,已成为煤矿企业亟待解决的问题。本文针对煤矿带式输送机故障种类繁多且各征兆存在交杂严重影响故障诊断时效性和可靠性的问题,采用粗糙集与神经网络相结合的故障诊断技术,深入研究了粗糙集(RS)与Levenberg-Marquardt优化的BP(Back Propagation)神经网络相结合应用于煤矿带式输送机故障诊断的可行性和有效性,建立了一种分类更精准,容错性更好,时间复杂度更低的APRSNNS(近似精度粗糙集神经网络)故障诊断模型。深入研究煤矿带式输送机典型故障的故障机理,选取出有效的故障征兆参数。为使粗糙集约简算法具有更好的容错性降低实际应用中不可避免的误差干扰,以粗糙集属性约简算法为基础,提出一种改进的?误差因子启发式近似约简算法,实现对实际故障征兆条件属性的约简。针对粗糙集属性约简数据需离散限制,分析常用的粗糙集离散化方法的特点,提出以相对属性依赖度为启发信息的SOM离散方法,在有效离散的同时进一步优化突出关键征兆属性。建立粗糙集神经网络优化组合的智能带式输送机故障诊断模型。分析BP神经网络理论算法及其训练过程,针对其应用缺点引入L-M算法改进标准BP学习算法,提出优化的APRS与L-MBP神经网络松耦合的故障诊断模型并应用于煤矿带式输送机的故障诊断。将最优约简属性集与全体属性集分别作为LMBP网络的学习样本和测试样本进行故障诊断仿真对比分析,并与标准BP神经网络故障诊断模型比较,结果表明本文的模型更具有故障诊断优势,能够充分删除冗余信息,加快网络训练速度,减小诊断误差,是一种更高效的适用于大型自动化生产系统的故障诊断模型。