风机是一种通过机械能提高气体压力并进行气体传送的装置,广泛应用于人类生产、生活所涉及到的各个领域。当风机发生故障时会直接影响到工业生产以及日常生活,造成重大的经济损失甚至人员伤亡。随着人工智能与物联网技术的发展,建立具有提前预警和快速诊断的风机实时监控系统,可以有效减少上述损失,但在实际调研中发现,即便是国内顶尖的风机企业都尚未将风机监控与诊断系统投入实用或仍处于仅对风机时域信号进行采集监测而未分析诊断的阶段。因此,提升现有神经网络对真实工况下的故障识别率并开发出一套具有实际效用的风机故障监控与诊断系统则显得十分有必要。本文针对用于地铁通风的PYHL-14A型轴流风机,选取合适的神经网络与对应的优化算法相结合获得改进神经网络,并以MATLAB为平台,建立包括信号特征提取、模式训练、故障识别和自学习等一整套功能的风机故障诊断系统。此外,还建立了风机故障实验平台进行故障信号收集与对应故障库的建立。本论文主要工作与成果如下:1、通过大量的文献调研,对BP神经网络、SVM支持向量机以及ELM极限学习机进行对比分析,选取最适合用于本文系统的故障分类神经网络。此外,对遗传算法(GA)、粒子群算法(PSO)以及布谷鸟算法(CS)进行对比分析,选取其中最优异的算法用于神经网络结构的改进。经过分析研究,首次提出了基于ELM-CS改进神经网络建立风机故障识别系统,其效果与未进行优化的神经网络相比在故障识别成功率上提高了 2%,其中转子不对中故障与基座松动故障识别率分别提高了 4.2%与4.1%。2、建立PYHL-14A型风机故障诊断系统并对该系统的整体架构与故障诊断系统进行介绍。此外,本文还对本系统各模块进行详细介绍,并对本风机故障诊断系统进行了故障预警与诊断演示。其中,该系统所拥有的自学习功能使得该系统可以通过传感器进行相关参数的采集以丰富故障库,并基于此进行系统的自学习与升级,从而让本系统更加适合应用于工程实际中。3、针对PYHL-14A型风机本文首次搭建了故障研究平台进行实验数据的测量。详细叙述了本文中实验平台的硬件组成与实现功能,针对几种故障类型进行了故障模拟实验,获取了丰富的故障信号用于数据库的建立并获得训练数据与预测数据。本文所建立的风机故障识别系统无论是从可行性、识别精度还是稳定性与传统系统相比较皆有了显著的提升,具有一定的实用价值。此外,本文中所建立的系统对后续的相关研究起到了关键性作用。