随着大数据与工业的结合,煤炭行业逐步升级,生产力逐渐提高,煤炭运输的运力短缺问题促使带式输送机朝着大型化、高速化、智能化的方向发展,导致带式输送机托辊轴承的工作强度越来越大,发生故障的概率也越来越高。托辊轴承一旦失效,会造成不可预估的损失。为此,本文旨在提高带式输送机的智能运行与维护的可靠性和安全性,开展对带式输送机托辊轴承故障的智能诊断与寿命预测的研究。针对托辊轴承早期微弱故障信号在恶劣工况下故障特征不明显,难以对故障类别进行精确诊断与剩余寿命预测的问题,提出了一种基于遗传模拟退火算法与粒子群算法融合的共振稀疏分解特征提取方法,对成分复杂、存在模态混叠的滚动轴承振动信号进行分析,利用融合优化算法的快速全局寻优特性,快速准确的搜寻到最优品质因子,实现轴承故障信号的完美分离,通过仿真与实验的方法验证了本文所提方法的优越性。在融合优化算法的共振稀疏分解方法基础之上,提出了利用滚动轴承故障树模型反演推理故障模式概率从而确定故障训练集,然后利用深度学习对滚动轴承故障的智能诊断方法,针对VGG-19网络模型在变工况样本不均衡数据集下诊断准确率较低问题,将循环生成对抗网络与AdaBN优化后的VGG-19相结合得到变工况样本不平衡故障诊断网络模型,利用循环生成对抗网络来平衡样本数据集,利用AdaBN优化算法解决变工况故障诊断问题,采用对抗训练的方式训练诊断模型,使其在变工况样本不平衡工况时具有较高的故障模式识别准确率与鲁棒性。基于仿真和实验验证了本文所提方法在变工况样本不平衡工况时故障智能诊断性能优于其他网络模型。最后在融合优化算法的共振稀疏分解特征提取的基础之上,提出了卷积神经网络与双向长短时记忆神经网络相结合的故障状态下滚动轴承寿命预测方法,根据时间相关性、单调性与鲁棒性三个特性,对分离出的低共振分量进行故障特征参数提取,确定了可以表征轴承退化特征的6个参数数据集作为输入,利用粒子群算法对其训练的初始参数进行优化选择后利用PHM-2012轴承退化数据集,对该方法进行训练与测试,验证了该方法相比于其他预测模型具有较高的预测精度。该论文有图95幅,表32个,参考文献101篇。