振动筛是一种重要的物料筛分处理机械,在工业生产中用作对原始物料的分级、脱水等,由于其作用不可或缺,故在煤炭、石矿等化工行业中承担着重要的角色。近年来,振动筛的需求量逐年增加,市场前景极好。然而在实际工业生产中,因为长时间的连续工作且所处工作环境恶劣,振动筛容易发生一系列故障,造成生产线停止生产,给企业带来直接的经济损失。因此,深入研究振动筛故障诊断,开发一套振动筛健康状态监测方法极有必要,具有重要的学术价值和实际工程意义。本文以振动筛为研究对象,分析振动筛故障原因以及常见故障类型,设计并搭建振动筛故障实验平台,完成平台硬件和软件的选型和设计;在此基础上分别设计了三类故障实验,即激振力不平衡、弹簧刚度变化和弹簧高度变化故障,进行实验。针对采集到的原始加速度信号数据,经过预处理之后得到可用的加速度信号,再经过一次和二次积分,以及去除趋势项之后分别得到可用的速度信号和位移信号,利用李萨如图像将X、Y维度的位移图像进行合成,得到其二维振动轨迹信息,实现对振动筛故障实验数据的实时处理。设计将变分模态分解和多尺度排列熵相结合应用于振动筛故障特征量提取,将振动筛加速度信号进行变分模态分解,并采用频谱估计法选出含有故障信息的敏感分量,分别计算不同尺度下加速度信号的排列熵值,选取对故障敏感的尺度因子所对应的排列熵值,组成故障特征向量组,完成故障特征提取工作。针对特征向量组,分别运用变量预测模型模式识别、BP神经网络、支持向量机、基于RBF网络模型的变量预测模型模式识别对振动筛故障进行识别算法研究,检验和分析不同故障识别算法的识别率。对比发现:变量预测模型模式识别分类识别率为93.50%,BP神经网络识别率为87.00%,支持向量机识别率为91.50%,基于RBF网络模型的变量预测模型模式识别分类识别率为96.00%,验证了第四种识别算法具有更好的适用性和更高的分类效果。完成系统的开发后,在工业现场对振动筛故障监测系统进行测试分析,获取不同故障条件下的测量数据。分别改变激振力大小、弹簧刚度大小和弹簧高度大小,进行测试实验。结果表明:基于RBF-VPMCD诊断算法的故障监测系统可以识别这三类故障,平均识别率为94.27%,在后续的工作中有待继续完善。该振动筛健康状态监测方法具有较高的精度与实用性,可以用于振动筛故障诊断,为振动筛健康状态监测提供了一种新的思路,具有一定的参考意义。