刮板运输机是现代化煤炭回采工作面的核心运输设备,它通过电机驱动刮板链条运输原煤,与液压支架和采煤机相互配合完成煤炭开采和运输任务。刮板运输机一旦出现设备故障,会造成煤炭堵塞巷道的后果,给煤矿安全生产带来十分恶劣的影响,实时监测刮板运输机运行状态显得尤为重要。诊断刮板运输机运行状态是通过收集并分析其驱动装置相关状态参数数据实现的。现有的诊断方法使用的传感器种类单一,而且大多数需要实体线路传输数据,安装难度较大,实际功耗较高;监测目标没有覆盖整个驱动装置;未能构建完整的故障诊断体系;更没有相应的运行状态监测系统。本文首先对矿用刮板运输机运行原理进行分析,确定了需要监测的故障类型。研制了基于ZigBee技术的温度、液位、振动加速度和转速的低功耗无线传感器。其具有体积小、功耗低和安装灵活的特点,从而增加了监测系统的可靠性。为了实时、有效地分析多种传感器数据,本文提出了一种BP神经网络矿用刮板运输机运行状态监测基础模型,并在此基础上引入遗传算法,提高了神经网络诊断精度,建立一种多传感器数据融合的故障诊断优化模型。该优化模型输入驱动装置的传感器数据,输出刮板运输机常见故障,实现了对刮板运输机运行状态的在线监测。本文结合煤炭开采工作环境,设计了矿用刮板运输机运行状态监测系统平台,实现了传感器数据采集、监测信息实时显示、数据分析、数据管理、系统设置以及控制操作等功能,形成了一套较为完整的刮板运输机运行状态在线监测系统。最后,针对本文构建的监测系统进行应用验证和测试。通过对比实验,发现优化模型的诊断准确率高于基础模型,提高了13.5%。同时在与传统监测方法的比较过程中,发现本文提出的方法的诊断准确率比传统方法高20%。本文建立了矿用刮板运输机运行状态监测模型和监测系统,科学合理地解决了矿用刮板运输机故障难以准确、实时诊断的问题。为矿用刮板运输机故障诊断提供了一个合理的方法,有效降低了矿山设备管理成本,保障了煤矿的生产效率和生产安全。