立式辊磨机是一种效率高、能耗小且运行成本低的大型粉磨装置,现已逐渐成为水泥生产过程中粉磨的主流设备。由于立式辊磨机工作环境恶劣且机械电气结构复杂,运行过程中不可避免的会出现各种故障。利用故障状态预测与诊断技术,可以在故障产生初期或呈现故障趋势时进行预警,及时发现故障特征并根据诊断结果进行维护,从而提高设备的稳定性。而随着现代化工业的发展,立式辊磨机的组成和结构越来越复杂,功能更加完善,各部分之间的联系更加紧密,从而对每一部分的工作可靠性都提出了极高的要求。因此对立式辊磨机故障状态预测及诊断技术的研究十分必要。本文以立式辊磨机液压加载子系统为研究对象,主要研究工作如下:(1)利用现代数字信号处理技术,对立式辊磨机液压加载子系统压力及加速度信号进行预处理,去除噪声干扰的同时提取出能够明显区别出设备故障状态的有用信息。在使用小波分析方法对采集到的信号进行净化去噪处理后,使用集合经验模态分解方法提取出样本熵信号作为特征信息。(2)使用果蝇算法对广义回归神经网络进行优化,基于FOA-GRNN算法,根据之前信号预处理得到的信号特征值进行立式辊磨机液压加载子系统压力及加速度信号预测,并利用MATLAB仿真试验,其结果表明该算法对于立磨液压加载子系统故障状态预测具有良好的性能,能够通过历史数据准确地对未来的状态趋势进行预测。(3)研究相关数据挖掘算法并对其进行优化。在原始RIPPER算法的基础上针对立式辊磨机故障诊断的特殊需求,从执行效率和抗噪性能两个方面进行了优化,通过与近年来的同类算法BFEA算法与IDMK-SVM算法的性能比较,证明了其高效性与准确性。采用改进的RIPPER算法对立式辊磨机液压加载子系统的机械故障进行进一步的诊断识别。当监测对象呈现异常趋势时,判断出其可能发生故障的类型,从而实现立式辊磨机液压加载子系统的故障诊断。