基于知识的故障诊断是一种有效的故障诊断分析方法,主要通过对理论知识的分析研宄来实现故障诊断,将其用于煤矿刮板输送机传动部的故障分析研宄能够实现故障数据的准确检测、提取及处理。刮板输送机作为连接工作面与外界的重要纽带,在煤矿开采过程中占有十分重要的位置,随着科技不断发展,刮板输送机己经发展到重型化、自动化,由于煤矿井下工作环境恶劣,致使其零部件极易发生故障,主要体现为传动部故障,即减速器、电机和液力耦合器故障。以SGZ1250/2565型刮板输送机为例,分析了其传动部故障产生的原因,研究故障初期的异常现象。针对早期故障异常信号比较微弱无法及时发现,会导致后期产生严重故障,甚至造成矿井停产事故等问题,提出了利用基于知识的故障诊断方法对其故障进行分析与诊断研宄。由于煤矿井下工作面运行属于多种设备协同工作,各种噪声干扰严重,而故障初期异常信号幅值又比较微小,所以刮板输送机传动部故障数据采集十分困难。为此根据混纯理论,建立了混纯Dufing振子数学模型进行异常故障微弱信号的检测,米用了第二代小波变换的分解与重构的特征提取方法,实现了在严重噪声背景下提取故障数据中有用的特征信号。传动部故障监测设备和监测点使用的传感器种类繁多,而由单一传感器检测的数据分析故障会产生较大的误差。基于多传感器数据融合理论,建立了基于数据融合的减速器故障诊断模型,提出径向基神经网络数据处理方法和模糊积分等算法,在特征层和决策层对故障信息进行计算和综合分析,从而提高了系统故障诊断的容错性。针传动部信息处理过程中的故障数据具有非线性小样本的问题,为了准确分析故障类型,提出基于网格搜索法改进的支持向量机故障分类方法,该方法利用支持向量机数据分类的特点,采用网格搜索法对支持向机的核函数参数进行优化,确定了支持向量机核函数的选取准则。为了能够实现更好的分类效果,同时引入了粗糙集理论对冗余信息进行约简,使经支持向量机和粗糙集理论相结合的方法处理后的故障数据样本更加准确。针对刮板输送机传动部旋转机械故障模式具有相互干扰、故障点不确定以及故障征兆模糊多样性等特点,将人工神经网络和量子计算理论相结合,建立了基于量子旋转门的量子神经网络故障分类模型,提出了多激励函数的量子神经网络故障综合分析方法,对刮板输送机传动部的故障进行更为准确的诊断。基于以上分析研究,设计研发了刮板输送机传动部故障监测系统,应用理论分析方法对故障数据进行采集处理,根据结果判断故障类型,并将故障情况与现场实际检修结果进行对比,从而验证监测系统的有效性及准确性。以振动为主要监测目标的验证结果表明,在线监测系统对刮板输送机传动部故障的监测结果与实际故障情况相一致。经现场不断使用调整,验证了该系统应用可靠且适用性强,将其用于煤矿刮板输送机传动部的故障诊断具有较高的可行性,可以减少维修成本,提高经济效益,有助于刮板输送机的维修决策与寿命预测。