随着经济的发展与当代科技的进步，机械设备在各个工业领域应用越来越复杂化，对设备的故障诊断越来越迫切与科学化。当前我国对机械设备的维护仍采用传统的计划、定期维修制度，造成了物力、人力的巨大浪费，而且多数情况下机组带病试验容易造成设备的损坏。若采用现代故障诊断方法与仪器，则可以将状态监测、预知检修变为现实，使机械设备的维护方式发生根本性的革命，能有效地提高企业的收益。　　本文针对大型旋转机械的轴系统，对故障诊断的理论和方法做了研究与探索，通过试验验证得到了一套适合矿用通风机故障诊断的结论与方法。首先分析概述了轴系几种常见的故障类型，然后介绍了诊断方法的具体流程与原理，并阐述了如何对轴系的状态参数进行采集，并通过各功能模块进行分析处理，最后由系统给出诊断结果。诊断流程包括振动信号采集、信号处理降噪、小波包提取故障特征向量、模糊神经网络系统的智能诊断。　　对振动信号的采集主要采用涡流传感器进行径向振动信号的位移及键相信号的测取。为满足便携式的要求，采用分析软件MATLAB调用研华USB-4711A数据采集卡对数据实时采集，为其单独编写驱动程序。信号在采集、传输和处理过程中不可避免会引入噪声，噪声的存在会影响信号的分析和状态的识别。针对现场噪声的特点，利用小波多尺度分析的特点，可以尽可能地去除噪声，同时减小对信号的影响。通过小波包分析对通风机转子的振动信号降噪分解，提取各频带重构信号的能量作为故障特征向量，用采集数据分别进行BP神经网络与模糊神经网络的智能故障诊断仿真实验，以诊断的正确率作为依据，选取后者作为智能诊断的工具。使用训练样本和测试样本进行网络训练后，可以实现特征向量到故障类型的复杂非线性映射，对故障作出正确判断，有较高精度，能满足实际工作的需要。