振动筛是石矿加工行业的关键设备之一,常用于物料筛分和清洗,发生故障,将导致整条生产线停工,经济损失巨大。因此研究振动筛故障诊断方法及研制相应的振动筛故障监测系统,对预防振动筛故障具有重要的学术价值和实际工程意义。结合振动筛实际使用情况,其常见故障有大梁断裂、弹簧断裂、侧板开裂、螺栓断裂和筛网磨损等,根据这些故障类型,搭建振动筛故障实验平台,提取振动筛故障的振动加速度信号。采用时域分析和小波变换技术,提取d1层小波系数能量、d2层小波系数能量、d3层小波系数能量、a3层小波系数能量、偏态因素、峰态因素、裕度指标和峰值指标这八个特征量构建振动筛故障特征向量。分别采用BP神经网络、支持向量机、基于主成分分析的支持向量机这3种方法研究振动筛的故障识别方法。研究结果表明,BP神经网络算法的识别率只有86%且运算耗时为10.12s,而支持向量机算法的识别率最高,达99.82%,运算时间仅为8.63 s。为了保证算法在DSP系统里具有较好的移植性,采用主成分分析提取累计贡献率为94.9%的前两主元,分析各特征量在这两个主元中的贡献率,选取贡献率最大的两个特征量用于支持向量机的故障识别,从而降低了信息冗余,基于主成分分析的支持向量机算法具有运算速度最快,为6.21 s,故障识别率高达91.85%,能实现振动筛故障监测系统的程序移植。根据振动筛故障特征量的分析和故障识别算法的研究,设计振动筛故障监测系统的硬件部分。其中,以低通滤波器为核心,设计了能提取振动筛故障特征频段信号的调理模块;为了实现12路信号同步高速采集,设计了基于AD7606芯片的信号采集模块;搭建以DSP芯片为处理器的微控制器模块,实现大量数据的快速运算和故障识别算法的运行。软件部分权衡了可行性和实时性,对故障识别算法进行简化,设定两个特征量的故障阈值,以此判断振动筛故障。最终完成振动筛故障监测系统样机制作并进行测试实验,实验了振动筛激振力不平衡、弹簧刚度变化和弹簧高度变化三类故障类型。结果表明,故障识别率达80%,对企业预防振动筛故障具有实际应用价值。