矿井提升设备是煤矿开采的重要设备,完成对物料和人员的提升运输工作,开展对提升设备故障诊断的研究,及时发现运行过程中的故障征兆,并给出决策建议对煤炭安全生产具有重要意义。随着现代传感技术和监测技术的不断发展,提升设备监测数据呈现出规模大、维数多等特点,合理挖掘和运用监测数据中隐藏的故障信息,判定故障类型,是进行故障诊断工作的重要一环。本文以矿井提升设备为研究对象,开展了基于深度自动编码（Deep Auto-encoder,DAE）算法的故障诊断研究,自动学习故障数据中的特征信息,旨在提高监测数据的利用率,避免人为主观干预对诊断结果的影响,实现对矿井提升设备的故障诊断。本文分析了矿井提升设备的结构和工作原理,总结了常见的故障类型,得到了故障类型和故障原因的映射关系,由此确定了监测参数及诊断标准;建立了基于稀疏自动编码（Sparse Auto-encoder,SAE）的故障诊断模型,引入了Dropout、Adam和层次分析法（Analytic Hierarchy Process,AHP）优化算法,对诊断模型的基本参数设置问题进行了探究,采集实验室提升机正常状态和故障状态下的监测数据,对模型进行了训练,并对诊断结果进行了正确性分析;为了验证SAE诊断模型的适用性,总结了故障诊断系统的需求,结合系统总体架构,基于Java和HTML等编程语言实现了系统功能模块设计、数据库设计、开发环境设计,建立了网络环境下的故障诊断系统,并在某矿进行了试运行,应用效果良好。本文取得的成果如下:（1）提出了基于SAE的故障诊断方法。该方法使用无监督学习的方式自动获取更具代表性的特征信息,提高诊断识别的准确性。使用MNIST数据集对模型的性能进行试验,试验结果表明SAE模型能够解决训练时间长和故障数据局部最优点的问题,诊断模型准确率可以达到94%,在有效诊断海量数据的同时,具有一定的可信度。（2）提出了基于Dropout、Adam的模型优化算法。在传统SAE模型的基础上,引入了Dropout、Adam算法优化训练过程,加快了诊断模型的训练速度,此外由于提升机监测数据稀疏性的特点易造成局部最优点的现象,Adam算法减少了稀疏数据的局部最优点对模型训练的影响,提高了模型的诊断准确性。（3）建立了网络环境下的故障诊断系统。将诊断模型应用在提升机故障诊断中,开发了网络环境下的故障诊断系统,对诊断模型进行试运行。该系统采用Spring Boot框架简化运算方式,大大减少了代码运算量,方便后续系统的维护和优化。该系统能够实现前后端数据的传输和交互,及时响应后端程序,可视化展示诊断模型的运行结果,实现了故障诊断、数据展示、诊断标准等功能,方便用户的阅读和使用,为后续的实际生产应用做出了探索。