通风机作为煤矿的主要辅助设备,其正常运行是煤矿安全生产、救灾通风、合理通风的重要保障,一旦出现异常,将会对煤矿造成巨大的经济损失甚至危及井下人员安全。因此,对煤矿主通风机进行及时的故障诊断很重要。本文以煤矿主通风机为研究对象,结合PLC、MATLAB、工控机等设计数据采集系统,然后对数据进行特征提取、故障诊断。改进希尔伯特-黄变换(HHT)算法并将它用于轴承振动信号特征提取方法。由于原始的HHT方法存在模态混叠、均值曲线拟合以及端点效应等缺点,本文对HHT算法的核心部分经验模态分解(EMD)进行改进,提出自适应局部均值的EMD算法。运用全部极值点和零点间的数据作为局部特征尺度,求得的局部均值更接近理想均值;引入正交指数评价极值点阶次特性与频率分量之间的对应关系,实现自适应确定极值点的优化阶次。通过仿真对比说明改进算法能够减少计算时间和迭代筛选次数,并将该改进算法用于风机振动时域信号分解,得到一系列固有模态函数(IMF),最后采用固有模态函数能量熵的方法提取出故障特征值,为故障诊断奠定数据基础。运用极限学习机(ELM)算法进行风机故障诊断。针对ELM随机选择隐含层输入权值和阈值的缺陷,引入粒子群算法(PSO)对其隐含层进行参数寻优。为了克服引入PSO造成的网络训练耗时过长、容易陷入局部最优的问题,运用量子行为粒子群(QPSO)对ELM进行优化,实现隐含层参数寻优,同时,为增强对未知样本的学习能力,网络训练的目标函数同时考虑经验风险最小化和结构风险最小化,并将该算法用于煤矿主通风机故障诊断中。仿真对比说明该算法在进行故障诊断时的准确性、时效性均能达到令人满意的效果。