矿用通风机是为煤矿井下提供新鲜空气的关键设备,一旦发生故障,轻者会影响使用造成经济损失,严重情况下会导致机器损坏甚至人员伤亡。矿用通风机的主要故障有不平衡、轴不对中、松动、碰摩以及轴承故障,其中轴承故障又包含内圈、外圈、滚动体、保持架等故障类型。在矿用通风机的故障诊断中,基于振动的故障诊断方法是信号最容易获取、应用效果最佳的一种方法。为了对矿用通风机的故障做出准确的判断,并给出准确的维修建议,本文基于振动信号分析方法,提出了一种新的诊断流程,先通过时域特征参数确定是否发生故障,再通过卷积神经网络确定故障类型,最后通过PeakVue峰值法确定风机损伤程度。为了验证方案的可行性,利用实验台来模拟风机运行中可能出现的故障类型,采集了实验台正常状态、内圈故障、外圈故障、滚动体故障、保持架故障、基座松动、碰磨故障以及轴不对中故障、不平衡9种运行状态下的振动数据。首先,选取了7大时域特征参数作为是否发生故障的标准,求出10组正常状态下特征值的平均值作为判断依据。然后通过卷积神经网络对故障类型做出判断,由于使用传统卷积神经网络模型存在准确率不高,稳定性较差等问题,在模型中使用了参数优化以及模型优化的方法,提出了一种基于批量归一化的一维卷积神经网络模型。由于卷积神经网络通常应用于二维图像或三维视频领域,故通过将卷积核改进为一维卷积核来实现对采集的一维振动数据的直接卷积,并且采用了批归一化层来防止过拟合,利用实验台采集的数据对该方法进行验证。实验结果表明该方法平均诊断准确率高达98.43%,并且与其它模型相比稳定性更高。该方法实现了大量样本下旋转机械不同故障类型的故障特征自适应提取与故障类型的准确识别。为了对通风机的损伤程度做出判断,并能给出合理的维修建议,采用了PeakVue峰值法来对通风机故障中产生的应力波进行检测,以分析处理后的冲击值作为了判断标准,并按照冲击值的范围给出了维修建议。基于以上提出的诊断流程,开发了一套矿用通风机故障检测软件,实现了对通风机从有无故障的诊断到故障类型识别、再到损伤程度判断的检测功能,这对于矿用通风机的运行状态诊断有着实际的意义。