电牵引采煤机是煤矿综采工作面核心设备,直接影响井下生产安全和效率。随着高采高效矿井建设和薄煤层开采,采煤机的工况进行监测及时获得故障预兆信息,保障安全生产和预知维护迫在眉睫。传统故障诊断方法提取故障特征费时费力,采煤机工况下典型故障数据少、有标签数据不足,给故障诊断造成很大困难。深度学习通过无监督或半监督特征学习算法和分层特征提取可自动提取数据特征,但是需要大量数据去理解潜在的数据模式。迁移学习用于解决训练数据不足的问题,近年来得到广泛关注。因此,论文研究深度迁移学习故障分类方法,将模拟平台传动故障数据训练后获取的故障诊断知识迁移至采煤机故障诊断应用,对实现小样本下的设备故障诊断具有重要意义。论文分析采煤机摇臂部传动系统故障机理与振动特性,针对矿用设备结构几何参数已知与未知两种情况,确定不同的迁移学习策略实现煤机摇臂部传动系统故障分类;提出基于模型迁移学习的模式识别与分类方法解决设备传动系统结构参数未知时故障诊断问题,通过构建预训练深度卷积神经网络模型,将其网络参数迁移至采煤机故障诊断模型中,进一步微调参数实现权值更新及模型优化并结合多标签分类方法,进行复合故障诊断。论文针对煤矿井下采煤机工作时振动信号干扰因素多,呈非线性、非平稳性等问题,研究基于奇异值分解的降噪方法,提出奇异性检测的有效秩阶次确定方法,对原始含噪信号进行奇异值分解确定有效秩阶次后,对表示噪声的奇异值进行处理后得到降噪信号。通过将一维原始信号转换为二维时频分布图像,作为模型的输入图像数据集。针对煤矿井下采煤机工况下典型故障数据少、有标签数据不足等问题,提出一种基于深度迁移学习的采煤机摇臂部传动系统故障诊断方法。构建预训练深度卷积神经网络模型,将其网络参数迁移至采煤机故障诊断模型中,锁定低层网络不参与更新,对高层网络参数微调实现权值更新与模型优化直至误差最小化,获得迁移故障诊断模型。通过研究正则化、网络稀疏性优化、层数据分布特征优化等算法对模型训练正确率的影响,确定模型优化方案,从而降低过拟合、提高泛化能力。并搭建故障模拟实验平台验证算法的有效性。针对复合故障数据分类难的问题,提出一种基于深度迁移学习的复合故障多标签分类方法。研究了单一故障诊断模型与复合故障诊断模型的关联与差异性,将多标签分类方法与深度迁移学习方法结合,对单一故障诊断模型网络结构进行改进,实现复合故障数据分类,并验证方法的可行性。最后,采集采煤机摇臂部传动系统振动信号数据进行方法验证。实验结果表明论文提出的基于深度迁移学习的故障诊断方法能够实现不同设备监测数据间的故障诊断知识迁移,且识别出采煤机故障并获得了较高的诊断精度,验证了方法可行性。相对于传统智能诊断方法,收敛速度快且诊断精度高。此方法能够实现基于实验室数据和少量应用数据样本的高精度设备状态识别与分类。