煤矿通风机是保证煤矿安全运行的重要机电设备。煤矿通风机主要功能是为井下一线作业人员提供新鲜风流,满足井下人员对氧气的需要,稀释、抽出井下有毒有害气体和煤尘、粉尘及降温,保证安全生产,煤矿通风机一旦故障或停止工作,将会对煤矿井下安全作业带来巨大威胁,造成严重的社会经济损失。基于此,对主通风机的常见故障问题,通过在线监测系统做出预测诊断不仅能降低设备的故障率,延长其使用寿命,还能减少事故发生率,这对煤矿的安全生产非常重要。煤矿通风机故障发生率具有模糊性、突发性及不确定性等特点,所以其故障征兆、故障类型难用一般线性关系的数学函数来表示。本文以矿用风机为研究对象,在研究国内外煤矿主通风机故障诊断系统的基础上,依据通风机的工作特性,研究了主通风机故障振动原理及振动的分析方法。运用了基础理论分析、数值模拟及实验相结合方法,运用混合编程及接口技术对通风机振动数据进行传送,实现主通风机在线监测及故障诊断分析预警。通过经验模态分解(EMD)对通风机振动信号数据进行分解,但是由于EMD对有脉冲及噪声干扰信号进行分解时会出现模态混叠等问题,所以采用集合经验模态分解(EEMD)对振动信号进行分解,依据本征模态能量的分布提取其故障特征值。通过极限学习机算法对煤矿通风机的故障类型进行诊断。由于ELM随机设置隐含层的输入权值和阈值的缺陷,本也就通过粒子群算法(PSO)对其隐含层参数优化。通过变速算子和激发因子对PSO算法进行改进(IPSO),使粒子群在隐含层参数优化的过程中能够降低其计算时间。利用IPSO-ELM算法对煤矿通风机进行故障诊断分析,并将其与BP等其他算法作对比分析,结果表明IPSO-ELM算法在准确率、稳定性、快速性等方面均具有显著优势。利用上位机与MATLAB的交互作用,对振动监测的数据进行故障类型诊断,表明本课题故障诊断算法模型的具有可行性,能够实现对煤矿通风机故障的有效监测,实现信号数据传输快速稳定和故障识别准确率高等特点。