矿井提升机是广泛应用于煤矿产业的关键设备,其稳定性和安全性是煤矿生产和井下工作人员生命的重要保障。滚动轴承是提升机设备中的核心部件,其运行状态直接影响到提升机的效率及安全。如何对轴承部件的故障进行高效精准的诊断,进而实现对设备的智能维护,是当前大型煤矿生产中亟待解决的问题。首先,针对传统诊断方法中人工提取特征的不稳定性,以及数据稀缺的情况,本文提出了一种基于深度神经网络的双层次故障诊断算法,对无噪声的轴承振动数据进行精准的故障检测。算法通过滑动窗口重叠采样技术扩充数据集,使用自编码技术提取数据中的特征。将所提取的特征作为双层次神经网络的输入,采用反向传播算法训练双层次故障诊断分类器。最后通过集成学习投票决定故障的具体分类。本文利用凯斯西储大学的轴承公开数据集,模拟理想状态无噪声环境下的轴承故障诊断,从而验证所提算法的有效性,并将所提算法与经典的支持向量机、反向传播算法进行了对比实验,实验结果表明所提算法的故障诊断平均准确率约为99.95%,明显高于对比算法。其次,针对工业数据实际噪声较大以及机械运行负载变化的问题,本文提出了一种基于域适应批标准化的双层次神经网络故障诊断算法。所提算法将自适应批标准化方法与无噪双层次故障诊断算法融合,并且增加Dropout层,提高网络的泛化能力。在训练阶段中,以反向传播算法训练神经网络模型,记录所有批标准化层的缩放变量和平移变量。在诊断阶段,若测试集与训练集域分布不同,则计算测试集的均值与方差并用其替换掉已训练模型中各批标准化层的均值与方差,再进行缩放和平移,从而达到域适应的效果。将所提方法在不同噪声,不同负载以及噪声变负载混合三种情况下对其故障诊断性能分别进行了验证。实验结果表明所提方法具有较高的抗噪性、变负载能力以及故障诊断准确率。综上所述,本文对提升机轴承无噪故障诊断以及有噪且变负载的故障诊断问题进行了研究,分别提出了基于深度神经网络的双层次故障诊断算法以及基于域适应批标准化的双层次神经网络故障诊断算法。实验结果表明,所提算法可以出色完成复杂工作环境状态下的提升机轴承故障诊断任务,对煤矿的故障诊断及智能生产具有一定指导作用。该论文有图21幅,表10个,参考文献111篇。