印刷机在印刷行业中的地位至关重要,作为印刷行业中最核心和关键的设备,其运行的可靠性直接关系到印刷生产线的安全与稳定。随着印刷业的快速崛起,企业对印刷机的智能化的需求更加迫切。由于印刷机滚筒运行环境恶劣,滚筒轴承在长时间的运行过程中受到侵蚀,当轴承出现潜在故障时,会导致滚筒质量不平衡运转,使油墨转移精度大幅度降低。因此,滚筒轴承成为滚筒的关键性易损零部件,对凹印机滚筒轴承的准确诊断,对提高凹印机可靠性具有重要的现实意义。本文针对凹印机故障诊断信息源单一,无法对凹印机进行综合评估,提出基于振动信号与电流信号作为凹印机故障诊断依据。采用主成分分析方法对凹印机滚筒轴承的振动信号和电流信号进行特征提取,得到原始信号中蕴含的有效信息。结果表明主成分组成的特征集能够更好的诊断凹印机滚筒轴承的故障种类。关于在创建自组织映射神经网络（Self-organizing Feature Map,SOM）的故障诊断模型时,针对网络权值随机初始化可能会出现样本集中分布在某一区域的问题,提出利用主成分分析获取原始数据分布,将最大的两个特征值对应的特征向量结合输出层神经元的位置进行线性组合,对权值向量进行初始化。进一步提高了诊断模型对滚筒轴承故障识别的准确性。以卷对卷双色套印凹版印刷机为研究对象,利用振动信号采集系统和电信号采集平台,采集不同状态下的凹印机滚筒轴承运行数据,对PCA-SOM神经网络诊断模型进行诊断实验测试。实验结果表明,与传统的SOM故障诊断模型相比,基于PCA-SOM的故障诊断模型对故障类型的区分度更高,且诊断准确率有了较大的提高。