回转窑是建材、冶金等行业的重要热工旋转机械设备,它主要由筒体、轮带、托轮和传动部件组成。窑筒体在长期的运转过程中,由于高温和重载会产生热弯曲变形和中心线偏差等故障,将给企业造成巨大的经济损失。目前,回转窑故障诊断的技术还停留在事后检测阶段,不利于窑的正常生产和设备维护。本文通过对托轮径向位移振动信号的数据采集,对回转窑筒体运行状态的在线监测和故障状态识别进行研究,实现对回转窑运行故障的早期发现。其研究主要内容如下:首先,对托轮受力进行力学分析,说明筒体弯曲变形和窑中心线偏差对托轮的影响,指出托轮的位移振动变化信号中包含有筒体（KH）谐波和托轮（RH）谐波,这两个谐波的幅值可以反映筒体的两种典型故障程度。此外,对信号采集方案进行设计,并选取信号检测设备,通过对实际所采集到的信号进行傅里叶变换,获取到上述KH和RH两个谐波,验证了通过监测托轮振动信号来反映回转窑运行状态的正确性和可行性。为了对采集的托轮位移振动信号更好地进行故障特征信号的提取,采用小波包分解的方法对该信号进行分解重构,并选取合适的小波基。使用该方法能够有效地提取该振动信号中KH和RH谐波的幅值,将其结果与两种先进成熟的测量方法所得的结果进行对比,验证了该方法的正确性。最后,针对粒子群算法（PSO）优化GRNN参数时间较长、分类精度较低的问题,对粒子群算法中惯性权重进行自适应调节得到APSO算法,并将其应用到GRNN的参数寻优,并建立由APSO算法优化GRNN神经网络模型对回转窑筒体故障的识别。选取振动信号中具有明显故障时频域特征参数组成特征向量,通过三种不同的神经网络模型来验证APSO-GRNN神经网络在回转窑筒体故障状态识别应用中的优越性。通过结果得出,综合分类时间和分类准确率两大因素来看,APSO优化GRNN的故障识别性能较为优越,从而验证了该方法的可行性。