滚动轴承是煤矿通风机的重要零件,对其进行运行状态监测是保证煤矿安全生产的关键技术,本文将不同状态下,通风机轴承振动信号作为研究对象,以信号特征参数为主要依据实现轴承故障预警及分类诊断。在故障预警环节,利用轴承处于不同运行状态时,振动信号的梅尔频率倒谱系数存在差异这一特点,将其第一维参数与信号谱熵相乘得到谱熵梅尔积特征(MFPH),提高信号特征的抗噪能力,同时最大化正常信号与故障信号间的差异;通过贝叶斯信息准则确定分类簇数,利用模糊C均值聚类算法自适应获取信号谱熵梅尔积特征参数的高低门限,最后通过双门限法找到故障起始点,实现自适应故障预警。在信号分解环节,以经验模态分解(EMD)为基本分解方法,采用相关系数法剔除结果中的虚假分量;采用支持向量回归机(SVR)延拓再分解的方法抑制端点效应问题;使用自适应集总局部积分均值分解(AELIMD)算法,通过噪声数据辅助分析缓解EMD的模态混叠现象,通过与EMD、互补集总经验模态分解的对比实验,证明应用AELIMD方法分解信号能得到更真实的频率成分。在特征提取环节,介绍了信号能量、排列熵及加权排列熵特征向量的构成方法,进行基于真实滚动轴承振动信号的分析实验,证明能量向量因稳定性不好,故不适合作为代表特征,而相比于排列熵,加权排列熵特征向量同类中特征更统一,不同类间差异更明显,因此将其确定为表征信号的特征向量。在分类诊断环节,以极限学习机(ELM)作为故障分类的基础方法,用差分进化(DE)算法对ELM输入权值及隐藏层阈值进行参数寻优;为使结果更逼近全局最优解,加入模拟退火(SA)算法进行二次寻优;最后,进行轴承实际振动信号状态分类实验,将ELM、DE-ELM及SA-DE-ELM模型作为分类器,并通过支持向量机及其相应改进算法进行对比,证明在加权排列熵特征提取的条件下,应用SA-DE-ELM模型鉴别轴承故障类型能获得更高的准确率且诊断时间更短。该论文有图73幅,表14个,参考文献109篇。