水泥回转窑是大型重载低速旋转设备,窑主要由筒体、托轮支撑及传动系统组成。窑在长期高温、多尘恶劣工况下运行,因为筒体内部温度分布不均、热膨胀、雪球效应等,回转窑难免会发生各种故障,其中筒体弯曲形变和窑中心线偏移故障的影响最大,这将严重影响其产量和经济效益。由于窑初期故障隐蔽,演变时间很长,等发现问题时故障已经严重了,故窑的早期故障诊断十分重要。因此,窑运行状态监测是水泥企业实际工程的迫切需求。本文开展基于自适应白噪声完备集合经验模态分解方法（CEEMDAN）特征提取和人工鱼群优化概率神经网络（AFSA＿PNN）窑故障模式识别及监测系统的研究。本文研究的主要内容如下:（1）窑故障主要类型是筒体弯曲形变和窑中心线偏移两种。通过对回转窑与托轮的力学分析和动力学建模仿真分析,发现托轮位移信号中含有KS（Klin Shell）、KR（Klin Roller）谐波成分。它们分别是筒体弯曲形变和窑中心线偏差的特征信号。在对某水泥厂5000t/d回转窑的托轮实际测量数据进行处理实验,证明KS和KR谐波成分可以分别反映筒体弯曲和各托轮受力状况即窑中心线偏差的故障程度。（2）首先通过仿真对比实验,得到CEEMDAN算法对托轮轴径向位移信号的特征提取的优势及可行性。再用CEEMDAN算法处理某水泥厂的托轮轴径向位移数据信号,由此准确提取出KS和KR两种故障特征谐波来诊断窑的故障类型。最后根据2种专利测窑仪器检测结果来验证诊断窑故障类型的正确性。验证结果表明CEEMDAN算法能准确提取出窑的KS和KR故障特征谐波。（3）根据提取窑的特征参数,希望智能分析出窑的故障状态,为此对概率神经网络（PNN）和人工鱼群算法（AFSA）基本结构和算法进行研究。通过数据分析,选取的数据是64×7的矩阵,前面48个样本作为PNN的训练样本,后16个样本作为验证样本。实验结果表明:在耗时相差不大的情况下,优化后诊断识别准确率明显提升;AFSA＿PNN算法可以准确有效的识别出窑故障的各种模式。（4）将上述的CEEMDAN和AFSA-PNN方法应用到实际项目的设计中,设计了回转窑在线监测系统,最后通过数据仿真初步测试了基于CEEMDAN和AFSA-PNN方法设计的软件,测试结果说明该软件有较好的准确性和鲁棒性。