现代工业的进步与信息技术发展密不可分,愈来愈趋于智能化。大型化工业设备往往会经历长时间不停机连续运转,在运转期间设备可能会产生相互撞击的情况,或是设备零部件之间产生相互摩擦的问题,甚至设备运转环境亦有可能对设备零部件进行腐蚀,产生故障隐患,长此以往会发生重大的故障,造成庞大的经济损失以及工作人员伤亡。若能够随时掌握零件运行时的状态,即可了解零件的磨损程度,在发生重大故障之前可对发生磨损零部件进行检查并更换,最小程度减少损失,节约成本。近年来,机器学习和人工智能领域发展势头强劲,并在各个领域均有涉及。将其与传统故障诊断相结合不但能够解除故障隐患,而且利用机器代替人为排除故障,可以节约人工成本增加安全性降低设备维修的难度,已经逐渐成为热门钻研方向。针对现有风机故障诊断系统的局限性,本文设计出基于改进烟花算法(ImFWA)的风机智能诊断系统。BP神经网络收敛速度较慢,因此本文提出了一种改进烟花算法优化BP神经网络模型,使用智能寻优算法计算出较优权值和阈值,提高BP神经网络的性能。传统烟花算法容易陷入局部最优,本文改进高斯密度函数优化增强型烟花算法,避免原始算法中智能加速收敛的假象,增强火花随机性与精度。本系统包括五大模块,分别为信息录入模块、风机故障诊断系统管理模块、原始数据处理模块、风机故障诊断模型构建模块和风机故障诊断模块。系统重点是原始数据处理模块和风机故障诊断模型构建模块,这也是本文改进算法具体实现模块。原始数据处理功能中通过最大相关峭度解卷积算法减轻噪声影响,而后计算四种时域特征作为特征向量,训练集即为所获特征向量。在风机故障诊断模型构建模块中,采用本文改进的烟花算法优化BP神经网络训练故障诊断模型。改进BP神经网络模型能够有效提高故障分类的准确率。通过测试,系统可以精准分类风机轴承数据,界面美观而简洁,能够达到用户所设定功能和性能方面的需求。通过大量对比实验证明,相较于传统BP神经网络和RBF神经网络,本文提出的改进烟花算法的风机智能诊断模型有更高的准确率。