Bajo la tendencia de neutralidad de carbono, la adopción de equipos de transporte de minerales eléctricos está aumentando constantemente. La monitorización precisa del estado operativo de las válvulas de retención eléctricas en bombas de diafragma es crucial para garantizar la seguridad del transporte. Sin embargo, identificar con precisión las características operativas de las válvulas de retención eléctricas bajo excitaciones complejas y entornos ruidosos sigue siendo un desafío. Este artículo propone un método de monitorización del estado de las válvulas de retención eléctricas basado en la integración de Adaptive Focal Loss (AFL) con redes residuales y Máquinas de Aprendizaje Extremo (AFL-ResNet-ELMs). En primer lugar, para abordar el problema de la representación de características poco claras en señales de vibración unidimensionales, se emplean operaciones en escala de grises para transformar los datos unidimensionales en imágenes en escala de grises con características más distintivas. Luego, se utilizan redes residuales para extraer las características de estado de la válvula de retención, con Máquinas de Aprendizaje Extremo sirviendo como clasificador de características. En segundo lugar, para superar el problema de la distribución desequilibrada de datos industriales, se diseña una nueva función de Adaptive Focal Loss. Esta función enfoca el proceso de entrenamiento en muestras de datos difíciles de clasificar, equilibrando la dificultad de reconocimiento entre diferentes muestras. Finalmente, se realizan estudios experimentales utilizando datos de vibración medidos industrialmente de la válvula de retención eléctrica. Los resultados indican que el método propuesto logra una precisión promedio del 99,60% en la identificación de cuatro estados de salud de la válvula de retención. Este método proporciona un enfoque novedoso para la monitorización de la seguridad de los procesos de transporte de tuberías de lodo.