采煤机是煤炭开采的关键设备,由于工作环境恶劣,易出现各种故障。液压调高系统是采煤机易出现故障的主要部分,其作用是实现摇臂的调高和截煤,一旦发生故障,严重影响采煤机的安全运行和工作效率。因此,快速有效的对液压调高系统进行故障诊断,不但可以提高企业经济效益,而且可以预防重大事故的发生。液压调高系统的故障征兆与故障类型存在复杂非线性映射关系,故障原因多样且具有不确定性,在监测其运行状态时存在大量的冗余数据,造成诊断效率低下。本文提出粗糙集与RBF神经网络相结合的故障诊断方法,利用粗糙集降低输入特征维数,去除冗余信息,简化神经网络结构,减少网络训练时间和计算量,大大提高诊断效率。本文的主要研究内容是:首先,在深入分析采煤机结构及工作原理基础上,以MG750-1940WD型采煤机为研究对象,在Matlab环境下采用Sim Hydraulics软件建立了采煤机液压调高系统模型。通过对液压调高系统工作原理与常见故障的分析,对典型故障如液压泵内泄漏故障、电液换向阀卡死故障、液压缸外泄漏故障进行故障仿真,研究并分析不同的故障对整个液压系统的影响。其次,粗糙集-RBF神经网络故障诊断方法选取采煤机液压调高系统中的流量、压力、速度、位移等特征向量作为故障征兆,以典型故障为故障类型建立原始故障决策表,运用粗糙集理论对液压调高系统的原始故障数据集进行等距离散化处理、利用ROSETTA软件中的Genetic algorithm约简算法进行属性约简,去除输入信息中的冗余,挖掘隐含知识和潜在规律,得到最小条件属性集和规则。以处理后的数据集作为RBF神经网络的训练样本,根据最小条件属性集确定RBF神经网络初始拓扑结构,采用高斯函数作为径向基函数,以梯度下降算法作为网络学习算法,通过网络训练建立液压调高系统的故障征兆与故障类别的映射关系,使用Python编程语言进行故障诊断。最后,利用Python编程语言实现两种方法的分析比较,第一种是RBF神经网络故障诊断方法,将归一化后的原始故障数据集导入RBF神经网络中,实现液压调高系统的故障诊断。第二种是粗糙集-RBF神经网络故障诊断方法,将粗糙集进行离散并约简后的故障数据集作为RBF神经网络的输入,实现液压调高系统的故障诊断。仿真结果表明,在相同目标误差下,粗糙集-RBF神经网络的性能优于单纯的RBF神经网络,其结构更加简单,收敛速度更快,网络学习效率及故障诊断准确性更高,在采煤机液压调高系统中有很好的实际应用效果。