矿井通风机在煤矿产业的安全生产中起着重要的作用,一旦风机出现故障,即便是短暂的停风,也有可能危及到井下工作人员的生命安全。因此,对风机故障诊断技术的深入研究具有一定的现实意义。本文以矿井主风机振动信号为研究对象,总结了风机故障诊断技术的国内外发展现状,提出了一种基于Hilbert-Huang变换(HHT)时频分析法与模糊神经网络相结合的风机故障诊断方法。首先将短时傅里叶变换、Wigner-Ville分布和Hilbert-Huang变换三种方法进行对比,选择自适应强、局部特性分析更精确的Hilbert-Huang变换作为本文的时频分析方法;其次,将提升小波变换与三种不同的阈值函数降噪方法相结合进行对比,最终选择提升小波与半软阈值降噪法相结合的降噪方法对振动信号进行滤波降噪处理;通过对经验模态分解(EMD)中的模态混叠现象进行优化,使用优化后的集合经验模态分解(EEMD)和希尔伯特谱分析(HAS)得到振动信号的时间一频率一能量的分布,提取每个IMF分量频带内的能量值构成特征向量;最后将特征向量作为模糊系统与神经网络相结合的模糊神经网络的输入,使得对风机故障的识别更加准确。在上述研究成果的基础上,将HHT分析得到的时频特征向量使用模糊神经网络进行故障类型的诊断和识别,诊断结果与实际情况比较符合,所建立的诊断模型对后续的系统研究具有一定的参考价值。