滚动轴承作为支撑矿井主通风机运行的关键零部件,工作环境复杂,极易引发故障,并且滚动轴承故障发生初期,表征滚动轴承故障的特征微弱、干扰成分多以及故障特征提取困难。为了保证矿井主通风机安全运行,以轴流式主通风机滚动轴承为研究对象,对滚动轴承的故障机理、特征提取和模式识别方法进行研究,并建立主通风机滚动轴承状态监测与故障诊断系统,主要研究内容和结论如下:根据主通风机滚动轴承的故障类型和振动机理,分析了滚动轴承结构、加工与装配误差和故障等内部因素引起的振动形式,得到表面损伤故障激起轴承系统的振动为一系列周期性冲击成分。并建立了外圈、内圈以及滚动体单一损伤点故障的理论模型,分析了各个模型激起轴承系统振动的具体形式,得到单一损伤点激起轴承系统的振动都为一系列周期性冲击成分,仅冲击成分的幅值和周期发生变化。针对矿井主通风机滚动轴承故障发生初期故障特征微弱和特征提取困难等问题,将共振稀疏分解和谱峭度方法分别应用到滚动轴承故障特征提取,仿真分析发现共振稀疏分解能够提取出表征滚动轴承故障特征的周期性冲击成分,谱峭度能够准确定位周期性冲击成分所在的频带。但是故障发生初期单独使用共振稀疏分解和谱峭度对滚动轴承故障信号分解得到的表征故障特征的周期性冲击成分含有一定的干扰成分,影响诊断的准确率。针对上述问题,提出了基于共振稀疏分解与谱峭度的故障特征提取方法,仿真分析发现该方法能够剔除低共振分量中的干扰成分,凸显周期性冲击成分,最后通过实验证明该方法适应于矿井主通风机滚动轴承故障特征的提取,能够将湮没在干扰成分中的周期性冲击成分提取出来,滤除干扰成分,凸显故障特征。将提取的表征滚动轴承故障特征的周期性冲击成分通过峭度、脉冲因子、裕度因子、样本熵和排列熵等参数组成特征向量作为支持向量机分类器的输入能够实现矿井主通风机滚动轴承故障类型的识别。实验发现基于随机参数选择(C,σ)建立的主通风机滚动轴承故障支持向量机分类器的分类准确率受(C,σ)影响较大,很难寻找到最佳参数组合。为了提高矿井主通风机滚动轴承的故障识别率,将PSO-SVM应用到主通风机滚动轴承的故障诊断,通过PSO优化参数组合(C,σ),最终实现全局最优。通过实验证明该方法建立的矿井主通风机滚动轴承故障支持向量机分类器算法实现简单、收敛速度快以及分类准确率高,能够正确识别主通风机滚动轴承的正常状态、内圈故障、外圈故障以及滚动体故障。为了将共振稀疏分解与谱峭度和PSO-SVM应用到矿井主通风机滚动轴承故障诊断,以LabVIEW为平台建立了主通风机滚动轴承状态监测与故障诊断系统,实现了信号的采集、存储、查询、频域分析、特征提取和故障诊断等功能。实验表明系统稳定性好、操作方便以及故障识别率高,并将其集成到FAMC-2型风机集中控制操作台,运行结果表明该系统工作可靠、灵敏度高以及结果准确,为主通风机安全高效运行提供了重要保障。