基于机器学习的行星齿轮箱故障诊断方法依赖人工选择特征向量，而特征向量选择的优劣很大程度上决定了诊断方法的准确率。卷积神经网络（CNN）能自动提取特征，但用于行星齿轮箱故障诊断时难以通过单一振动信号对故障做出精确诊断。针对上述问题，提出了一种基于多信息融合和CNN的行星齿轮箱故障诊断方法。对行星齿轮箱的三向（水平径向、垂直径向与轴向）振动信号和声音信号进行数据层融合，将一维的振动信号和声音信号通过并联方式整合为一个二维信号；将二维信号作为CNN的输入，利用多个卷积层和最大池化层进行深度特征提取和信息过滤，最终通过Softmax分类器实现故障分类。搭建了行星齿轮箱故障诊断实验台，采集不同转速和负载工况下行星齿轮箱正常和故障状态的振动信号和声音信号，并输入CNN中进行训练和验证。在相同条件下选取水平径向振动信号、垂直径向振动信号、轴向振动信号、声音信号4种单源信息分别与CNN相结合的方法进行对比，以验证基于多信息融合和CNN的行星齿轮箱故障诊断方法的优越性，实验结果表明：轴向振动信号+CNN和声音信号+CNN 2种方法的故障识别准确率分别为74.07%和75.13%；水平径向振动信号+CNN和垂直径向振动信号+CNN 2种方法的故障识别准确率分别为89.70%和87.09%；基于多信息融合和CNN方法的收敛速度最快，故障识别准确率最高，为93.33%。

安标国家矿用产品安全标志中心科技创新基金项目（2019ZL004,2019ZL005）；国家自然科学基金项目（51975569）；

0 引言
1 基本理论
1.1 多信息融合
1.2 CNN
2 行星齿轮箱故障诊断
2.1 数据预处理
2.2 CNN结构
3 实验及结果分析
3.1 实验条件
3.2 实验结果
4 结论

史志远,滕虎,马驰.基于多信息融合和卷积神经网络的行星齿轮箱故障诊断[J].工矿自动化,2022,48(09):56-62.DOI:10.13272/j.issn.1671-251x.2022060011.