本课题来源于国家863计划资源环境技术领域重大项目“煤炭智能化掘采技术与装备（一）”子课题“智能化超重型岩巷掘进机研制”（课题编号：2012AA06A405），是针对岩巷掘进机工作时，工况复杂、负载多变、动载荷实时识别难度大等问题而提出的。岩巷掘进机的动载荷识别是掘进机自动控制的重要组成部分，对提高掘进机智能化水平及使用寿命具有重要意义。近年来，岩巷掘进机在我国开采领域得到了越来越广泛的应用，但智能掘进技术仍处于起步阶段。煤矿井下现在使用的掘进机大多数自动调节水平较低，以司机凭经验手动操作为主。手动操作掘进机不仅劳动强度大，而且因难以及时准确判断截割载荷状态，导致截齿损耗严重。能否根据负载大小自动调节截割速度就显得尤为重要，而可靠的动载荷识别技术又是自动调节的必备条件。因此，开发智能化超重型岩巷掘进机动载荷识别系统具有非常重要的现实意义。本文在分析岩巷掘进机截割机构动力学特性的基础上，结合先进的信号分析技术、智能识别技术及掘进机实际运行情况，并通过大量动载荷模拟试验，开发了智能化超重型岩巷掘进机动载荷识别系统。本文主要研究内容如下：在查阅大量相关文献的基础上，阐述了智能化超重型岩巷掘进机动载荷识别系统在国内外研究现状及发展趋势。深入分析了不同工况下截割机构的载荷分布，确定了能有效反映截割头动载荷的物理参量，主要包括悬臂振动，截割电动机电流和回转、升降液压缸压力。根据岩巷掘进机截割机构有限的空间范围，选择了适用于井下恶劣环境的多种传感器，完成了监测信息的准确测量。结合项目的功能要求，设计了以数据采集卡及工控机为核心的智能化超重型岩巷掘进机动载荷总体方案。结合动载荷信号为随机信号，频率成分复杂、非平稳的特点，比较了傅里叶变换、小波变换及小波包变换的优缺点，确定了采用小波包变换作为信号处理及特征提取的工具。详细介绍了小波包特征能量提取步骤，并通过分析实测数据得到了振动、电流和压力信号的特征频段范围。结合所选特征频段，选择RBF神经网络及证据组合理论作为动载荷的智能识别方法，并对RBF神经网络和证据理论算法、结构及应用步骤进行简单分析，重点描述了组合神经网络信息识别原理，D-S证据理论动载荷识别原理及基于神经网络和D-S证据理论融合原理。在LabVIEW开发环境下设计了智能化超重型岩巷掘进机动载荷识别的相关应用软件，主要包括LabVIEW平台下MATLAB代码的调用、多传感信号同步采集、小波包特征量提取、神经网络动载荷识别、证据理论融合、数据存储管理以及人机显示界面等程序，并进行了功能调试，调试结果验证了应用软件的有效性。根据掘进机实际运行情况，设计了利用回转液压缸及升降液压缸压力信号先分工况再进行动载荷识别的方案。根据纵向钻进，水平切割，纵向切割三大类工况，系统采用三类工况识别网络。以此为前提，结合截割机构的振动数据、截割电动机的电流及液压缸压力数据，利用数据融合原理，构建了一级和二级RBF神经网络多传感器信息融合动载荷识别模型，提出了将神经网络与证据理论有机结合，优势互补的基于多神经网络与证据理论相融合的掘进机动载荷识别新方法。并用实测数据进行训练、测试及分析。