烧结风机是钢铁厂烧结生产过程中所使用的核心设备,可为烧结料的充分燃烧提供足够的氧气。风机在工作过程中,发生各种故障都会引起异常振动。因此,振动信号可以为风机故障诊断提供有效依据。本文以烧结风机为研究对象,采用振动信号分析方法对故障特征进行提取,使用人工智能方法对故障特征进行识别,提出了基于小波包和极限学习机结合的故障诊断方式。对所涉及的理论、方法和关键技术进行了深入的研究,主要工作如下:(1)故障诊断的研究难点与关键技术研究。根据国内外故障诊断技术研究现状,总结了烧结风机故障产生的原因及其危害,分析了对机械设备进行故障诊断的必要性;阐述了常见信号处理和故障诊断方法及其应用领域;给出了风机常见故障类型和征兆及其故障诊断实现过程。(2)基于小波包分析的故障特征提取。根据烧结风机的振动信号特点,采用小波包分析方法提取故障信号特征,该分析方法可分析信号在各时刻和各空间中不同尺度上的变化情况。通过仿真实验证明:小波包变换可有效提取风机振动特征,能很好地区分不同状态的风机振动信号。(3)基于在线连续极限学习机的风机故障诊断。针对实际工业过程中风机受工作环境的影响传统故障诊断方法难以对变化环境下风机产生的状态信息进行准确分类的问题,引入了连续学习的思想提出了基于OSELM的风机故障诊断方法。该方法训练速度快,泛化能力强,还可对小波包分析提取出的特征向量进行再学习,自适应工作环境准确识别故障信息。(4)实例分析。采用烧结厂中实际风机振动数据建立了基于OSELM风机故障诊断模型,分析了OSELM算法隐含层个数和激活函数的选取对其诊断性能影响。通过实例分析,证明了OSELM在风机故障诊断的可行性,与普通ELM网络进行对比,在线学习的方式在容许稍微损耗训练时间的前提下提高故障诊断精度,具有良好的工程应用前景。(5)风机诊断系统的GUI设计。为便于用户使用,将算法和实际工程应用进行有机融合,设计了烧结风机故障诊断GUI。通过人机交互的方式提高使用的便捷性,灵活性,可把本文中所使用的方法生动的展现在用户面前,便于用户快速了解和方法的推广应用。