为解决当前大螺旋钻机故障诊断方法存在的准确率较低问题，提出一种将改进PSO(粒子群优化算法)和PNN(概率神经网络)相结合的大螺旋钻机故障诊断系统。首先通过减小惯性因子和学习因子，间接实现粒子速度由大到小的调整，实现对粒子群优化算法的改进，通过基准函数测试证明改进PSO的收敛速度、精度、全局寻优能力均优于GA(遗传算法)、WOA(鲸鱼优化算法)、PSO等常规优化算法。然后利用改进PSO搜索PNN可满足整个样本空间预测需求的全局最优平滑因子，并加载到PNN。实验结果表明，在诊断精度和实时性方面，分别与经验法选取平滑因子的PNN和由GA、WOA、PSO优化后的PNN进行对比，通过改进PSO优化后的PNN故障诊断准确率达到97.5%,同时优化后的PNN运行速度较快，对单组故障数据分析时间为0.785s,以上说明基于改进PSO-PNN的大螺旋钻机故障诊断系统可满足大螺旋钻机对故障诊断准确率和实时性的需求。

1 PSO算法改进
1.1 标准PSO算法
1.2 算法改进方法
1.3 性能测试
2 平滑因子优化
2.1 PNN
2.2 平滑因子优化原理
3 故障诊断模型训练流程
4 实验与结果分析
4.1 实验数据获取
4.2 故障诊断模型训练
4.3 故障诊断效果分析
5 结 论

祝钊,曹鹏.基于改进PSO-PNN的大螺旋钻机故障诊断系统研究[J].煤炭工程,2022,54(11):193-198.