滚动轴承作为矿井提升机设备中关键零部件,其健康状态影响着整个提升机的运行状态。由于矿井提升机结构复杂、工作环境恶劣,实现其滚动轴承在线故障诊断较为困难。近些年来,深度学习算法在滚动轴承故障诊断领域取得了丰富的研究成果,但受背景强噪声干扰、实验数据集有限等因素影响,将该方法用于解决实际问题仍存在一定距离。针对矿井提升机轴承在线故障诊断难题,论文主要拟从矿井提升机的滚动轴承故障机理分析,基于变分模态分解（Variational Mode Decomposition,VMD）算法的信噪分离,基于卷积神经网络（Convolutional Neural Network,CNN）的深度学习轴承故障诊断模型优化,在线故障诊断系统研发等角度出发,解决受强噪声背景、变工况条件影响的矿井提升机轴承故障诊断问题。论文主要内容总结如下:根据矿井提升机系统、提升机轴承结构及其故障机理分析,研究了矿机提升机轴承振动特性。针对提升机轴承测试信号受噪声影响严重的难题,研究了基于VMD的信噪分离原理,结合皮尔逊相关系数指标,改进了VMD信噪分离算法,仿真验证了改进VMD算法针对轴承监测信号的信噪分离能力。构建了基于CNN改进的故障诊断模型,分析了改进CNN模型中的卷积核数排布、激活函数选择、训练批量大小对诊断精度的影响,确定了一种适用于改进CNN模型的最优参数配置（6层CNN、加Dropout层、采用单个本征模态分量作为输入）;采用开源试验数据验证了强背景噪声干扰、不同负载工况条件下改进CNN模型的诊断精度和鲁棒性。根据矿井提升机轴承故障诊断系统设计需求,完成了诊断系统的总体设计,开发了系统各功能模块,结合改进CNN模型搭建了基于深度学习的矿井提升机轴承在线故障诊断软件系统,输入仿真试验数据验证了所设计的提升机轴承在线故障诊断系统的可行性,实现了矿井提升机轴承在线故障诊断与历史信息管理,为矿井提升机全生命周期状态监测奠定了技术基础。