主通风机在通风系统中占据重要位置,能够有效排出有害气体、供应空气,进而保证井下工作环境稳定、作业人员安全。煤矿主通风机引起的安全事故频发,暴露出滚动轴承、电机、叶片、油路等结构存在的安全隐患。当驱动端滚动轴承出现故障时,其对称性被破坏,导致其安全性能迅速下降,对通风系统构成巨大威胁。因此,及时的主通风机轴承故障诊断是确保煤矿主通风机安全运行的关键。本文以高瓦斯矿井主通风机监控数据为基础,分析了主通风机轴承故障机理,引入了一种信号处理与深度学习算法结合的主通风机驱动端轴承故障诊断方法。本文的主要工作如下。明确主通风机轴承故障诊断的研究基础,引入了主通风机轴承故障诊断的应用场景与思路,介绍了主通风机结构、典型轴承故障、监测参数与测点。一方面,主通风机轴承故障诊断的应用场景为高瓦斯矿井,研究对象为关键故障部件驱动端滚动轴承。另一方面,本文分析了四种驱动端轴承故障,并介绍了采集振动信号的加速度传感器所测位置。针对高瓦斯矿井主通风机轴承非线性的振动信号提取与风机轴承早期故障诊断问题,引入了一种小故障样本背景下小波包与深度森林算法结合的故障诊断方法。在不同的健康状态下开展实验,以保证轴承数据的多样性和不同健康状态下轴承故障诊断的准确性。首先,整理传感器采集到的监测数据。接着,借助小波包分析方法,对信号进行分解与降噪,提取到有能量差异的有效特征参量。然后,将特征提取所得的特征参量作为深度森林算法的输入向量,训练故障诊断模型,进而确定轴承故障发生的位置和故障类型。以山东某X矿风机驱动端轴承监测数据为样本进行案例分析。以煤矿主通风机驱动端滚动轴承振动数据为例,经过数据预处理、特征提取、故障诊断等步骤验证风机故障诊断方法的有效性,并与其他诊断方法进行了比较研究。分析结果可以发现,该过程不仅验证了特征提取方法的有效性,还验证了信号处理与深度学习方法结合的诊断模型处理小故障样本数据的诊断能力。综上所述,本文所引入的故障诊断方法能够较好地解决主通风机轴承故障类型多、数据样本少、故障间关联耦合度高等问题,且在实际煤矿生产中具有广阔的应用前景。该论文有图46幅,表13个,参考文献91篇。