通风机是矿井通风系统的必要设备,起着将新鲜空气运送到井下并把有害气体排出矿井的双重作用,一旦发生故障,会对人身安全和经济效益带来巨大威胁。经研究,轴承是风机最容易发生故障的部位,因此,本文主要对通风机轴承故障进行预测诊断。在特征提取部分,本文介绍了堆叠限制玻尔兹曼机(RBM)和深度置信网络(DBN),为了减小人工参与对提取特征质量的影响,使用DBN对采集到的原始信号做特征提取。首先,以图像信号为研究数据,分别验证了迭代次数和隐含层节点数对单层堆叠RBM特征提取能力的影响;然后,在此基础上,从DBN网络重构、与其他特征提取方法对比和提取特征可视化三方面,验证了DBN的特征提取能力;最后,使用轴承信号数据作为研究对象,从DBN网络重构这方面验证其能力。实验证明,DBN对图像信号和轴承信号均有很强的特征提取能力。在故障预测部分,本文介绍了RBF神经网络算法和量子粒子群算法(QPSO),针对RBF神经网络易陷入局部最优的缺陷,提出使用QPSO优化RBF神经网络模型,基于时间序列做步长为2的故障预测。论文使用3个基本函数验证了QPSO很强的全局寻优能力和收敛能力,并对比QPSO-RBF、PSO-RBF和RBF的预测能力,结果证明QPSO-RBF模型预测准确率最高。在故障诊断部分,使用DBN做故障诊断,对从预测模型输出的数据做划分处理后,输入到预先训练好的DBN模型中进行故障分类,通过与其他传统分类模型比较,结果证明DBN模型准确率高,分类能力很强。