采煤机截割部摇臂齿轮箱承担着综采工作面截割部动力传动的重任,其故障与否直接影响采煤机正常工作。而传统的故障诊断方法-BP神经网络采用基于梯度下降的算法,存在容易陷入局部极小值、收敛速度慢等不足,这些不足严重影响了BP网络的应用。然而粒子群算法(PSO)有很好的全局收敛特性。因此,为了提高网络的性能,采用粒子群算法来优化BP神经网络,将改进的PSO引入神经网络的拓扑结构,用PSO的迭代代替BP中的梯度修正。结果表明:提出的改进方案可以有效地优化神经网络,提高其在采煤机齿轮箱故障诊断中的应用价值。

针对采煤机齿轮箱运行过程中很容易发生润滑不良或异常磨损等故障的问题,提出了一种基于偏最小二乘回归的采煤机齿轮箱故障诊断方法。选取采煤机齿轮箱内润滑油的铁元素含量、黏度、酸值和水分为检测指标,在对数据进行初值化及主成分提取处理后,建立了采煤机齿轮箱磨损状态的偏最小二乘回归模型。采用某煤矿采煤机齿轮箱的实际运行状态诊断对该偏最小二乘回归模型进行了检验,结果表明在齿轮箱正常磨损情况下,润滑油中铁元素含量实测值与预测值的误差较小,故障情况下二者误差较大,从而可准确判断出齿轮箱的磨损状态和故障情况。