乳化液泵站是液压支架供液系统的核心设备,也被称为“动力源”,功能是向工作面提供高压乳化液,一旦发生故障,必然影响到工作面的支护任务。由于乳化液泵站是机电液集一身的复杂设备,工作面工况恶劣、工作强度高加上不规范操作等导致故障频发且故障隐蔽,漫长的维修时间影响着生产效率,甚至治标不治本,使得设备带病作业,存在较大安全隐患。因此,表征工作状态和动态监测数据的映射关系并对故障及时预警、高效识别和精准定位,对乳化液泵站的健康管理具有很重要的工程意义。随着信息产业技术的革命,大数据和人工智能技术日渐成熟,数据作为“矿藏”的价值得到挖掘,为数据驱动的乳化液泵站故障诊断研究指明了方向。以某煤矿的BRW500/31.5型乳化液泵站为研究对象,结合传统故障诊断法和深度学习故障诊断法提出乳化液泵站的分级故障诊断方法,通过实验验证方法的可行性,并开发数据驱动的乳化液泵站分级故障诊断系统,验证系统的功能和性能。主要研究内容如下:（1）依据实习经验,结合某煤矿远程监测中的历史监测数据和相关技术资料,研究乳化液泵站各部件工作性能和工作形式,统计整理乳化液泵站结构和常见故障,并进行了产生原因分析与监测参数表征,对乳化液泵站的故障现状进行分析。（2）面向乳化液泵站状态监测的需求,提出基于参数诊断的乳化液泵站故障诊断方法。结合使用说明书等技术资料,在对该矿乳化液泵站开展长期数据监测与分析的基础上,设置监测参数的异常阈值,实时报警。选取煤矿远程监测监控中心收集的数据作为数据源,开展验证实验,实验结果表明,参数诊断法对乳化液泵站参数报警准确率很高,延迟10秒,具备实用性。（3）面向乳化液泵站精确诊断的需求,提出基于深度学习的乳化液泵站故障诊断方法,分别构建了用于乳化液泵站故障诊断的深度自编码网络模型和深度残差网络模型,两种方法分别以某一时刻所有监测参数和某一时间间隔所有监测参数的特征值作为输入,端到端输出故障形式。预处理煤矿远程监测监控中心收集的数据,开展验证实验,实验结果表明两种方法识别率分别为98.712%和99.212%,前一方法相比后一方法可靠性偏低,而时效性高,兼顾诊断精度和效率,于是选择深度自编码网络的诊断模型作为系统的诊断模型。（4）面向滚动轴承精密零部件故障诊断的需求,提出了基于改进密集连接卷积网络的滚动轴承故障诊断方法,通过多尺度思想和注意力记住增强了模型的抗噪性能和泛化性能,解决了振动信号受环境噪声干扰、泛化能力弱的问题。选用凯斯西储大学轴承数据集开展验证实验,实验结果表明,该方法在理想实验、抗噪实验和变负载实验下分别达到99.8%、98.22%和97.83%,具有一定优越性。（5）在理论研究基础上,开发数据驱动的乳化液泵站故障诊断系统,通过Visual Studio 2010和SQL server 2008R2构建乳化液泵站故障诊断系统,能够在线监测乳化液泵站的运行状态,对故障进行实时分析,系统具有状态监测、故障诊断、数据查询等功能,经过测试,系统运行稳定、诊断结果可靠,操作简单。数据驱动的乳化液泵站故障诊断分析了乳化液泵站故障机理,提出了传统参数和深度学习结合的分级端到端故障诊断方法,开发了数据驱动的乳化液泵站故障诊断系统,形成了乳化液泵站故障监测、诊断与处置为一体的智能模式,有助于乳化液泵站智能健康管理,保障其可靠运行,提升企业经济和社会效益。