采煤机作为煤炭开采的重要装备,拥有庞大的体型和复杂的构造,其设备安全和稳定对煤炭开采效率有极大影响。由于采煤机工作环境恶劣和长期遭受电磁干扰等因素,导致采煤机故障时常发生。采煤机一旦发生故障,势必影响生产效率,甚至造成重大伤亡事故。因此对采煤机进行实时故障诊断和分析具有重要意义。煤矿为保证采煤机安全生产安装了具有监测和诊断功能的软件,但软件采用的诊断方法较为简单,通常只能够对明显的故障进行诊断且结果片面,未能精准确定具体故障部位、诊断效果差、准确率低、智能化程度滞后。此外,采煤机维护人员依旧使用传统诊断方法,诊断耗时较长且准确率不高,通常需专业设备的协助,对诊断人员也有较高的要求。随着大数据和人工智能的迅速发展,神经网络技术在故障诊断领域取得了大量的研究成果,但在采煤生产中应用仍较少。针对上述问题,本文以采煤机关键零部件为研究对象,研究基于传统诊断方法的参数诊断法和基于神经网络技术的深度残差网络故障诊断方法,分析上述两种方法在采煤机关键零部件故障诊断中应用的可行性。在诊断方法研究的基础上,搭建采煤机故障诊断系统,并验证系统的可靠性和稳定性。结合采煤机常见故障和传统诊断方法,提出了采煤机在线实时诊断的参数诊断方法。根据采煤机使用说明书和实际生产等方面要求,为采煤机故障设置报警阈值,经过参数诊断流程实现故障的诊断。选取煤矿生产现场采集的采煤机数据作为数据源,使用两台电脑模拟矿井数据传输和现场故障诊断进行验证实验,实验结果为参数诊断方法的综合准确率为98.9%,表明该方法对采煤机有较高的故障识别率,具有实用性。此外,设置了不同时间间隔的数据读取方式进行对比实验,结果表明了参数诊断时两条数据的时间间隔为5秒较为合适。基于深度残差网络理论提出了采煤机的深度残差网络（Res Net）故障诊断方法,首先构建深度残差网络故障诊断模型,然后通过dropout策略、BN层和合适的激活函数优化了模型的结构。该方法主要是对采煤机摇臂齿轮箱中的齿轮和轴承进行诊断,诊断结果更加详细,精准确定故障类型和位置。利用摇臂齿轮箱振动数据对深度残差网络故障诊断模型进行验证实验,实验结果为故障诊断的准确率可以达到99.6%,说明模型具有较高的故障识别率。采用混淆矩阵的评估方式分析模型的分类性能,结果为模型的平均分类精度可以99.6%,证明了模型具有较高的分类精度和分类稳定性。利用深度残差网络故障诊断方法和参数诊断方法智能融合的方式,共同完成采煤机摇臂齿轮箱内部齿轮和轴承的故障,既具有实时性,又丰富了诊断结果。使用Visual Studio 2010开发平台和SQL数据库设计并搭建了采煤机故障系统,实现采煤机的监测、故障诊断以及数据查询等功能。系统以逻辑代码实现了参数诊断方法的应用,以调用执行深度残差网络故障诊断模型的方法实现其故障诊断方法的应用。最后经系统测试验证了系统运行稳定,诊断结果可靠。