带式输送机是选煤厂生产作业时的关键设备,选煤厂生产过程中连续性强、自动化程度高,一旦设备出现故障,没有及时发现处理,极有可能造成重大生产事故。这种非计划停机导致企业的生产率和经济效益受到一定影响,不但影响企业的连续生产,而且可能造成重大安全事故。所以建立完善的故障诊断系统是实现生产安全的重要保障。本文结合带式运输机的运行情况,通过获取皮带运行时的视频数据和托辊运行时的传感器数据,提出了基于多源数据融合的方式来检测带式输送机运行时的皮带跑偏、托辊运行异常等问题。本文主要研究内容如下:（1）设计并实现带式输送机健康状态检测平台。提出一种基于Lo Ra无线传输技术的智能无线传感器,实时采集带式输送机托辊的振动、温度等数据,通过上位机通讯口将采集的数据发送至PC端和云平台进行实时分析,及时监测和发现托辊的运行异常情况。（2）提出了一种基于深度学习和机器视觉相结合的皮带偏移检测方法。对高清摄像头实时捕捉皮带运行的图像信息,采用深度学习YOLOv5目标检测方法获取画面中托辊的位置,根据托辊所在图像中的空间逻辑关系,确定皮带位移的左右最大极限边界。使用Open CV将皮带图像进行Canny运算找到边沿线段,对图像中的皮带边沿线段进行Hough变换,通过多项式回归将皮带边沿进行标记。由皮带边沿线段与托辊边沿线段进行实时相对距离的检测,进而获得皮带的实时偏移量,完成了对带式输送机皮带跑偏的检测。（3）提出基于树突神经网络DDNet的多源异构数据融合算法。将智能无线传感器获取的带式输送机托辊运行时的振动、温度、距离数据等信息和图像处理后的信息进行多源数据融合,完成对带式输送机托辊振动异常诊断和皮带运动的偏移定位。最终的处理数据可通过4G网络传输于云平台进行存储与可视化查看。实际部分应用和一些仿真实验结果表明,基于深度学习和机器视觉对皮带跑偏故障的算法可以准确预测皮带运行情况,准确率可达90%以上。基于树突神经网络DDNet的数据融合算法可以对托辊的异常故障进行分类与定位预测准确率可达98%。多源异构数据融合的选煤厂带式输送机健康状态检测平台可以有效将本文研究的算法进行部署与实现,该平台能够协助工作人员进行设备的维护与诊断,从而提高了选煤厂生产效率,使其生产安全得到有效保障。