通风机是煤矿企业生产中极为重要的设备之一,轴承作为维持通风机稳定运行的关键部件,起着驱动和减少摩擦的作用,对其进行状态监测和故障诊断具有非常重要的意义。本文以通风机轴承为研究对象,根据轴承振动信号的非线性和非平稳特性,研究了一种基于局部特征尺度分解(LCD)和改进粒子群算法优化的概率神经网络(IPSO-PNN)的故障诊断方法。首先利用小波包改进阈值降噪方法对轴承故障信号进行预处理。然后采用LCD方法对通风机轴承振动信号进行时频域特征值提取,与经验模态分解(EMD)方法相比,LCD方法具有最优的分解精度和最小的重构误差,适用于通风机轴承振动信号的特征提取。基于所获取的信号故障特征参数,建立用于识别通风机轴承故障的概率神经网络(PNN)模型。针对概率神经网络中平滑因子σ参数取值的随机性,采用改进粒子群算法(IPSO)对平滑因子碱进行优化,改进粒子群算法获得的最优平滑因子值为0.25,将其应用到概率神经网络模型进行训练测试。同时在MATLAB环境下对其进行仿真实验,仿真结果表明,IPSO-PNN网络模型轴承故障诊断的准确率达到了 94%,比概率神经网络提高了 17.5%,比PSO-PNN网络提高了 2.17%;诊断时间比概率神经网络降低了 76.19%,比PSO-PNN网络降低了 55.72%。因此,IPSO-PNN网络的诊断方法既提高了通风机轴承故障诊断的准确率,又保证了诊断速率,具有良好的工程实用价值。