针对井下掘进机故障诊断频发，传统诊断方法和BP神经网络诊断周期长的情况，以常村煤矿矿用EBZ-160TY型掘进机为背景，提出基于PSO-BP神经网络模型的掘进机截割部智能诊断模型。该模型能够弥补BP神经网络模型收敛周期长、局部最优搜索差的缺点，实现模型的快速收敛和故障准确预测。通过设置PSO-BP神经网络模型参数、样本数据训练，同时经过数据测试，确定PSO-BP神经网络模型预测结果故障预测率为100%,而BP神经网络的预测精度为80%,且在同时间下，PSO-BP神经网络较BP神经网络预测精度更高。在同精度下，PSO-BP神经网络模型收敛速度更快，在精度为1×10-5时，PSO-BP神经网络模型仅需7步，BP神经网络平均需要198.5步。综合测试结果说明，PSO-BP神经网络模型能够较快实现掘进机故障的预测，且达到较高的预测精度，为掘进机故障诊断提供依据。

0 引言
1 工程背景
2 PSO-BP神经网络
2.1 BP神经网络算法
2.2 PSO算法
2.3 PSO-BP神经网络诊断流程
3 PSO-BP神经网络模型
3.1 PSO-BP网络构建
3.1.1 BP网络部分
3.1.2 PSO算法部分
3.2 样本数据选取及训练
3.2 数据测试
4 结论