通风机被广泛用于仓库、工厂等,特别是在矿山等工业生产的环境,为工作环境提供源源不断的新鲜空气以及降低有害气体浓度,以确保生产运行的顺利和工作人员的生命安全。叶片作为通风机的关键部件,长期承受高离心力和气动负荷,极容易产生裂纹、断裂故障,甚至还会引发重大安全事故。因此,对其进行状态监测和故障诊断,及时监控叶片裂纹发展趋势是杜绝此类事故的重要途径。因此,对工作环境复杂的叶片裂纹实现定量故障诊断具有重要的理论意义和应用价值。鉴于此,本文将建立一个SOM神经网络的通风机叶片裂纹位置诊断系统,该系统将大大提高故障诊断的准确率和效率。通过对通风机叶片建模并对其进行动力学分析,推导了叶片的动力学方程,获得了裂纹状态下的叶片固有特性;对叶片进行模态分析,利用小波变换对模态分析得到的振型图进行处理,分析了不同因素对通风机叶片裂纹位置的影响,得到了相应的变化规律。结果表明:通风机叶片的裂纹位置与其振型图的小波系数cD和cV值相关。利用模态试验方法对不同裂纹位置的单裂纹叶片进行了振动信号的测量,通过二维小波变换处理得到了相对应的小波系数图,构建了叶片裂纹的特征向量。根据叶片裂纹位置与小波系数图之间的规律搭建了基于SOM(SelfOrganizing Maps,自组织特征映射)神经网络的裂纹位置诊断系统。通过将叶片裂纹特征向量的一部分作为训练数据,剩余部分作为测试数据,进行SOM神经网络的训练与校验,实现对通风机叶片裂纹位置的识别和区间分类,完成故障诊断。利用实际叶片对本文搭建的诊断系统进行验证,证明本文提出的诊断系统能够有效诊断通风机叶片裂纹位置故障,效率更高、更准确。