带式输送机因其运量大、输送距离长、运输效率高等特点而被普遍应用于煤炭生产运输之中。带式输送机处于煤炭运输的中枢环节,其故障导致的意外停机会造成巨额经济损失,甚至引发火灾等恶性次生事故,因此需要保障其安全运行、及时排查安全隐患、防止恶性事故发生。作为复杂的大型机电设备,带式输送机所包含的大量托辊组在运行过程中会经常发生故障,因而需要及时发现和更换。而传统人工巡检方式存在漏检率高、成本高、实时性差等不足。因此有必要通过信号处理、故障诊断等技术及时发现异常托辊,以便采取相应的维护措施。利用故障诊断技术、信号处理技术、人工智能算法等开展了托辊的故障诊断方法研究,提出了基于振动信号分析和算法识别的托辊故障诊断方法。在阐述带式输送机及其托辊结构的基础上,进一步分析了托辊的常见故障以及托辊轴承的故障特征频率。当托辊及其轴承出现异常时,其振动信号的时域波形和频谱会出现差异,这些差异正是信号处理和算法分类的依据。搭建了带式输送机托辊故障模拟实验台,采集了各故障状态下托辊的振动信号,并建立了托辊故障数据集。它与公开轴承数据集一起,为验证后续识别算法提供了数据支撑。为了找到利于诊断的敏感特征以提高算法分类精度,提出了一种基于多域特征优选和SVM的托辊故障诊断方法。该方法首先运用时域、频域和时频域信号分析方法对托辊和轴承数据集提取多域特征,旨在从多角度获取故障信息,并以此构建了多域特征集。然后通过结合Relief F和GA算法对原始特征集进行两阶段特征筛选,剔除冗余特征的同时进行SVM参数的优化,进而得到最优特征子集和SVM最优参数。最后用轴承和托辊诊断实验对所提方法进行验证。实验结果表明:该方法能够在保证准确率的情况下,使用更少量的特征实现带式输送机托辊的故障诊断。为适应不同的诊断需求、克服多变工况和噪声干扰等问题,提出一种基于分支卷积神经网络的托辊故障分级诊断方法。首先根据具体的诊断需求,对托辊和轴承故障划分层级,用多层标签表示健康状态、故障类型和损伤程度;然后通过交替卷积层和池化层构建特征提取块,将分支输出网络与特征提取块融合,设计出一种B-1DCNN（branch onedimension convolutional neural network）模型。最后用轴承和托辊故障诊断实验进行了验证。实验结果表明:该方法成功实现了对托辊和轴承故障从简单到精确的分级诊断,对噪声干扰和变工况情况具有良好的鲁棒性;与SVM和BPNN算法相比,所提方法应用流程更简单、诊断效果更好。