4号烧结风机(2378AZ／1515型)是韶钢烧结厂的关键设备，开展此类风机的故障诊断工作，对风机运行的可靠性和安全性具有十分重要的意义。人工智能作为上世纪中叶出现的一门技术，在其出现之初就己被用于机械设备的故障诊断工作之中，经过几十年不断的发展与完善，将智能技术与传统的故障诊断技术相结合已成为故障诊断技术发展的必然趋势。 本文全面综述了故障诊断的意义、历史、现状和发展。介绍了几种常见的智能故障诊断技术以及神经网络技术在故障诊断中的现状与发展。提出了利用神经网络对4号烧结风机进行故障诊断的方案，以实现对该风机的故障进行智能诊断。精确的含故障信息的原始数据是进行故障诊断的基础，因此本文中根据该风机的特点，提出了信号采集子系统的整体方案，对信号测点进行了布置，确定了采样的各项参数。研究了信号与处理与变换的方案。采用了模拟低通滤波与数字高通滤波相结合的方法，解决了采集的信号中含有趋势项的问题，取得了很好的滤波效果。同时，提出了一套基于FFT的、将采集到的时域信号转化为特征向量的信号变换方案，为故障特征向量表和神经网络故障样本的建立提供了依据。 本文对4号烧结风机的主要故障类型及其主要来源进行了统计。分析了该风机运行时的动力学特性。通过研究该风机几种常见故障的机理，得出了故障信号的特征，并以此为依据建立了4号烧结风机各种常见故障的故障征兆表，从理论上为故障的精确诊断工作打下了坚实的基础。之后，对故障诊断系统进行了总体设计，确定了本系统中所用神经网络的算法和结构，并根据故障征兆表建立了网络的训练样本。 利用VB开发了故障诊断系统，构建了相关的数据库，它们将故障诊断网络的建立、训练与诊断功能无缝的结合成为一个整体，大大提高了执行效率。同时，利用训练样本数据库与历史记录数据库之间的数据交换，实现了将现场实际故障信号加入到训练样本重新训练神经网络的功能，使得该套系统对4号风机的实际运行情况的适应能力可以得到不断地增强。 针对部分故障频谱特征较为相似，可能造成系统诊断不准确的问题，提出了一种利用风机工艺参数通过神经网络对故障进行辅助诊断的新方法，有效地提高了诊断的准确程度。 结合具体项目，利用该系统对现场采集的实际数据进行分析、诊断。结果表明，该系统运行正常，结果准确，完全满足生产现场的需求。目前该系统已经通过验收，给企业带来了良好的经济和社会效益。