在煤矿安全生产中,作为矿井通风系统的核心设备,煤矿主通风机承担着排放井下瓦斯、矿尘和污浊气体的重任,其正常运转是煤矿安全生产的重要保障。因此,煤矿主通风机的状态监测及故障诊断就显得格外重要。随着人类迈入“大数据”时代,利用“大数据”技术对机械设备进行状态检测和故障诊断已成为必然趋势。当前,机械设备故障检测、诊断的关键在于选择合适的故障诊断算法/故障检测设备。同时,如何充分利用所监测到的海量数据,即从监测数据中及时发现并排除设备运行中的异常,也成为当前机械故障领域内的一个重点研究方向。而传统的主要依靠人工进行机械故障特征提取的故障诊断方法,其故障诊断的成功率主要取决于专业人员的技术水平,显然已无法适应当前“大数据”下的分析要求。因此,本文结合煤矿生产实际,基于振动数据,并结合神经网络及深度学习相关理论技术,对煤矿主通风机轴承的故障诊断方法进行了研究。本文研究了煤矿主通风机故障诊断技术的发展现状,研究了振动信号处理技术,分析了煤矿主通风机轴承的主要故障类型及其振动机理,并在此基础上,对煤矿主通风机轴承振动数据进行了采集与处理。研究了神经网络及深度学习相关理论,重点研究了深度学习领域的两大技术—CNN卷积神经网络及以LSTM长短期记忆网络为代表的RNN循环神经网络,并分别对CNN,LSTM的网络构造、计算图、数学计算表达等进行了解析。最后,利用CNN的特征提取能力以及LSTM的时序数据分析能力,将二者结合搭建诊断模型,以实现对煤矿主通风机轴承的故障诊断,并结合实际振动数据,验证了所提出的故障诊断模型在煤矿主通风机轴承故障诊断中的可行性。结果表明,本次研究中所提出的故障诊断方法能够有效地实现煤矿主通风机轴承的故障诊断,且诊断结果具有较好的准确度,可以在实际系统中应用。