采煤机作为现代化矿井安全、高效生产的主要机械设备,是一个将机械、电子电气系统和液压传动系统集成于一体的复杂系统,现如今针对采煤机的研究受到越来越多的关注。其中摇臂作为直接承担着综采面截割煤壁、动力传送的重任,同时也是采煤机的故障高发区,因此对采煤机摇臂进行寿命预测研究具有重要的实际价值和工程意义。本文分析了采煤机摇臂传动系统和其实际工况特点,以此为基础进行传感器测点部署,根据采集的信号完成特征提取,最终建立摇臂的自适应组合寿命预测模型。首先,对采煤机运行数据进行分析,通过改进K-means聚类算法得到异常数据清洗模型,利用hadoop平台的MapReduce计算框架实现该异常数据清洗模型的并行化设计,最终完成数据清洗,为之后的特征提取和预测工作奠定基础。其次,针对振动信号具有复杂性、非线性等特点,对其进行小波包分解、EMD经验模态分解、VMD变模态分解、LMD局部均值分解,将分解出来的能量分数作为初步的特征指标,然后结合时域、频域特征指标进行相关性分析,实现初步的指标筛选,最后采用PCA技术完成高维数据的降维并选择主元数据作为振动信号的特征指标。然后,针对单一预测模型预测结果可靠性不高的问题,分别建立ARIMA时间序列模型和Elman神经网络模型,并通过对固定权重组合模型和变权重组合模型特点的分析提出自适应的组合预测模型方法,最后实验验证了该组合预测模型的预测准确性。最终,结合采煤机摇臂传动系统特点和实际工况得到采煤机摇臂结构模型,通过主成分分析法确定采煤机摇臂结构模型各信号的权重,以此为基础通过自适应组合预测模型实现摇臂的寿命预测,最终通过实例分析验证该预测模型的可靠性。