通过分析煤矿机械齿轮和轴承故障类型与原因后,将振动信号作为检测故障的依据,以频域分析法作为判断煤矿机械故障类型的方法,简化了分析过程。利用数据挖掘技术快速获取有用的知识和模型,有效提高了系统整合大量数据的能力,建立了数据仓库用来存放可用于支持决策的数据,及时发现设备的微小变化并预测故障部位,减少了煤矿机械故障发生概率。

根据煤矿机械振动信号高低频组成成分变化规律的差异，提出了一种基于经验模态分解（EMD）和支持向量机（SVM）的煤矿机械振动信号组合预测方法。将滚动轴承振动信号进行EMD分解，得到相对平稳的本征模态函数（IMF）分量，并将波动程度相近的IMF分量进行重构，得到高频子序列和低频子序列，采用SVM分别对高频子序列和低频子序列进行预测，将2个预测结果叠加,得到最终预测值。选取轴承实验数据对组合预测方法的有效性进行验证，结果表明该方法的均方根误差、平均绝对误差和平均绝对百分比误差均小于直接预测方法。将该组