多源信息深度融合的行星齒輪箱故障診斷方法

陳仁祥 黃鑫 胡小林 徐向陽(yáng) 黃鈺 朱孫科

摘要：行星齒輪箱運(yùn)行工況復(fù)雜，振動(dòng)激勵(lì)源多，僅依靠單一征兆域會(huì)導(dǎo)致故障診斷結(jié)果不確定性高。為此，對(duì)行星齒輪箱多通道多征兆域深層特征信息進(jìn)行融合，提出基于多源信息深度融合的行星齒輪箱故障診斷方法。首先構(gòu)建多個(gè)深度殘差卷積神經(jīng)網(wǎng)絡(luò)（Deep Residual Convolution Neural Network，DRCNN）分別對(duì)行星齒輪箱多通道多征兆域信息進(jìn)行特征學(xué)習(xí)以建立局部特征空間與故障空間的映射;其次提取各子DRCNN所學(xué)習(xí)到的各征兆域深層故障特征以構(gòu)建全局特征空間的證據(jù)體集;最后利用隨機(jī)森林（Random Forest，RF）對(duì)證據(jù)體集進(jìn)行融合以從不同角度充分利用多源故障特征信息，建立起全局特征空間與故障空間的映射，得到診斷結(jié)果。所提方法將特征自動(dòng)提取與信息融合有效統(tǒng)一為整體，增強(qiáng)了方法的智能化與自適應(yīng)能力。多工況下行星齒輪箱故障診斷實(shí)驗(yàn)結(jié)果表明所提方法診斷不確定度小、精確度高，能夠有效對(duì)行星齒輪箱故障進(jìn)行診斷。

關(guān)鍵詞：故障診斷;行星齒輪箱;深度殘差卷積神經(jīng)網(wǎng)絡(luò);隨機(jī)森林;多源信息深度融合

中圖分類(lèi)號(hào)：TP165⁺.3;THl32.41文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1004-4523（2020）05-1094-09

DOI：10.16385/j.cnki.issn.1004-4523.2020.05.024

引言

行星齒輪箱廣泛應(yīng)用于風(fēng)力發(fā)電、石油、航空航天等領(lǐng)域，對(duì)國(guó)民經(jīng)濟(jì)發(fā)展具有重要意義。其振動(dòng)激勵(lì)源多，故障關(guān)聯(lián)性強(qiáng)，故障還呈現(xiàn)出多樣性與不確定性，難以?xún)H依靠單一故障信息對(duì)其進(jìn)行精確診斷。

近年來(lái)，國(guó)內(nèi)外眾多學(xué)者將信息融合技術(shù)應(yīng)用到機(jī)械故障診斷領(lǐng)域中，取得較好效果。張明等提出徑向基神經(jīng)網(wǎng)絡(luò)與加權(quán)證據(jù)融合理論結(jié)合的方法對(duì)往復(fù)式壓縮機(jī)進(jìn)行診斷;李凌均等研究融合多源譜信息的矢雙譜分析技術(shù)，有效提高了齒輪箱故障診斷準(zhǔn)確性;cai等提出基于貝葉斯神經(jīng)網(wǎng)絡(luò)信息融合診斷方法，有效診斷了熱泵故障;郭文勇等提出基于多信息的模糊神經(jīng)網(wǎng)絡(luò)故障診斷方法，對(duì)柴油機(jī)缸套磨損故障進(jìn)行了有效性診斷。saflzadeh等利用多源信息融合方法對(duì)滾動(dòng)軸承振動(dòng)故障進(jìn)行了診斷研究。以上信息融合診斷方法主要融合人工提取特征，存在以下問(wèn)題：（1）依賴(lài)于人的專(zhuān)業(yè)知識(shí)和經(jīng)驗(yàn)，需要復(fù)雜的信號(hào)處理技術(shù)支持;（2）機(jī)械設(shè)備運(yùn)行工況復(fù)雜，振動(dòng)激勵(lì)源多，不同零部件的振動(dòng)特征信息相互影響，使得現(xiàn)有人工構(gòu)造特征不可避免地會(huì)帶來(lái)信息丟失;（3）特征提取方法泛化能力和魯棒性差，對(duì)環(huán)境噪聲或硬件干擾引起的系統(tǒng)變化敏感。一旦因以上原因降低所選特征對(duì)故障的表征能力，勢(shì)必影響信息融合診斷結(jié)果。

深度學(xué)習(xí)以其非凡的特征學(xué)習(xí)能力，已在諸如圖像分類(lèi)、目標(biāo)檢測(cè)等領(lǐng)域取得一系列研究成果，并在故障診斷領(lǐng)域得到了成功運(yùn)用。如Jia等利用深度神經(jīng)網(wǎng)絡(luò)對(duì)軸承以及行星齒輪故障進(jìn)行了有效診斷。Lu等采用堆疊去噪自動(dòng)編碼對(duì)旋轉(zhuǎn)機(jī)械故障進(jìn)行了診斷。chen等提出了樣本擴(kuò)展深度稀疏自動(dòng)編碼的滾動(dòng)軸承故障程度診斷方法。這些基于深度學(xué)習(xí)的故障診斷方法都具有很好自適應(yīng)性和診斷能力，然而目前它們僅用于針對(duì)單一征兆域信息進(jìn)行特征學(xué)習(xí)，由于行星齒輪箱故障模式復(fù)雜，耦合性強(qiáng)，難以?xún)H依靠單一征兆域信息對(duì)進(jìn)行精確診斷。

為解決以上問(wèn)題，本文將深度殘差卷積神經(jīng)網(wǎng)絡(luò)（Deep Residual Convolution Neural N etwork，DR-CNN）與信息融合相結(jié)合對(duì)行星齒輪箱故障進(jìn)行診斷。首先構(gòu)建多個(gè)DR-CNN以學(xué)習(xí)行星齒輪箱多通道多征兆域中所隱含的深層故障特征，初步建立局部特征空問(wèn)與故障空間之間的映射關(guān)系。然后提取各子DR-CNN所學(xué)習(xí)的深層故障特征，構(gòu)建起全局特征空問(wèn)的證據(jù)體集。再利用隨機(jī)森林網(wǎng)絡(luò)（Random Forest，RF）對(duì)證據(jù)體集中多源特征信息進(jìn)行融合，以從不同角度反映行星齒輪箱故障狀態(tài)，達(dá)到充分利用各方面信息的目的，并最終建立起全局特征空問(wèn)與故障空問(wèn)的映射，形成基于多源信息深度融合的行星齒輪箱故障診斷方法。這樣既解決了僅依靠單一征兆域進(jìn)行故障診斷時(shí)不確定性高的問(wèn)題，最大程度避免了漏檢、誤檢的發(fā)生，又克服了傳統(tǒng)信息融合難以避免人主觀(guān)因素影響的缺點(diǎn)，將特征自動(dòng)提取與信息融合有效統(tǒng)一為整體，增強(qiáng)了信息融合過(guò)程的智能化以及自適應(yīng)能力。

1理論基礎(chǔ)

1.1DRCNN網(wǎng)絡(luò)模型

傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)主要面臨著兩個(gè)問(wèn)題：（1）隨著網(wǎng)絡(luò)深度增加，會(huì)出現(xiàn)梯度消失（爆炸）;（2）較深的網(wǎng)絡(luò)會(huì)出現(xiàn)精度退化。為解決這兩個(gè)問(wèn)題，He等提出了深度殘差卷積神經(jīng)網(wǎng)絡(luò)（DRCNN），其借助堆疊網(wǎng)絡(luò)擬合殘差的方式來(lái)解決精度退化和梯度消失問(wèn)題。DRCNN以獨(dú)特學(xué)習(xí)策略能有效地從輸人數(shù)據(jù)中拾取特定故障特征分布，網(wǎng)絡(luò)層級(jí)越深，輸入層和輸出層相連越接近，特征學(xué)習(xí)效果越好。因此，使用DRCNN實(shí)現(xiàn)故障特征自動(dòng)學(xué)習(xí)。

DRCNN網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，主要由卷積層、池化層、批標(biāo)準(zhǔn)化層以及殘差單元組成。殘差單元結(jié)構(gòu)如圖2所示，其殘差定義為：

4）將各故障不同通道不同征兆域時(shí)頻圖集Emn隨機(jī)劃分為訓(xùn)練集和測(cè)試集，在訓(xùn)練集上分別利用各DRCNN學(xué)習(xí)時(shí)頻圖集Emn中所隱藏的故障特征，初步建立局部特征空問(wèn)與故障空問(wèn)之問(wèn)的映射，并提取各子DRCNN所學(xué)習(xí)到的特征以構(gòu)建全局特征空問(wèn)的證據(jù)體集c。

5）采用隨機(jī)森林對(duì)由4）獲得的證據(jù)體集c中多源特征信息進(jìn)行決策融合，最終建立全局特征空問(wèn)與故障空問(wèn)的映射，至此本文所提方法框架構(gòu)建完成。

6）利用測(cè)試集進(jìn)行驗(yàn)證，得到最終診斷結(jié)果。

3試驗(yàn)案例

3.1試驗(yàn)數(shù)據(jù)

使用行星齒輪箱故障來(lái)驗(yàn)證所提方法的可行性和有效性。如圖5所示，行星齒輪箱故障模擬試驗(yàn)臺(tái)主要由編碼器、采集卡、傳感器、行星齒輪箱等組成。在試驗(yàn)臺(tái)上模擬行星齒輪箱4種故障狀態(tài)：正常、缺齒、齒根裂紋、齒面磨損。在行星齒輪箱水平和垂直方向分別安裝加速度傳感器以獲取多通道故障信號(hào)，采樣頻率為30.72kHz，采樣時(shí)問(wèn)為2。13s。在電機(jī)轉(zhuǎn)頻為30，40Hz下，每種轉(zhuǎn)頻負(fù)載電流分別為0，0.38，0.67A等共計(jì)6種工況下，每種故障均各采集3組信號(hào)。采用問(wèn)隔采樣方式獲取故障樣本，構(gòu)建故障各通道時(shí)域樣本集s，其中單個(gè)樣本長(zhǎng)度為4096點(diǎn)。

針對(duì)行星齒輪箱故障的正常、缺齒、齒根裂紋、齒面磨損等試驗(yàn)數(shù)據(jù)進(jìn)行研究，由此構(gòu)建識(shí)別框架θ={F1，F(xiàn)2，F(xiàn)3，F(xiàn)4），其中，F(xiàn)1為正常，F(xiàn)2為缺齒，F(xiàn)3為齒根裂紋，F(xiàn)4為齒面磨損。采用圖4所示時(shí)頻分析方法對(duì)故障各通道時(shí)域樣本集s進(jìn)行處理，并創(chuàng)建故障各通道各征兆域訓(xùn)練集和測(cè)試集，如表1所示。

圖6為行星齒輪箱不同故障時(shí)域波形及頻譜，其僅單獨(dú)從時(shí)域或頻域角度對(duì)故障進(jìn)行表征，難以從時(shí)頻空域進(jìn)一步揭示其故障特征。由此，本文提出通過(guò)構(gòu)建多通道多征兆域時(shí)頻圖集E={E11，E12，E21，E22），利用各DRCNN從時(shí)頻空域中拾取更具有判別性的故障特征，其中E11為水平傳感器信號(hào)EEMD征兆域時(shí)頻圖集，E12為水平傳感器信號(hào)WPT征兆域時(shí)頻圖集、E21為垂直傳感器信號(hào)EE-MD征兆域時(shí)頻圖集，E22為垂直傳感器信號(hào)WPT征兆域時(shí)頻圖集。圖7為正常、缺齒、齒根裂紋、齒面磨損的水平傳感器信號(hào)EEMD和WPT征兆域時(shí)頻圖，限于篇幅其余通道征兆域時(shí)頻圖本文不再贅述。

對(duì)比圖6和7，本文所構(gòu)建各征兆域時(shí)頻圖中包含了更加豐富的信息量，從不同側(cè)面反映了與故障有關(guān)的信息。對(duì)比圖7（a），（c），（e），（g）或（b），（d），（f），（h）可知，在行星齒輪箱各故障問(wèn)，其能量分布特點(diǎn)存在著顯著差異，即其能量強(qiáng)度以及能量波動(dòng)歷經(jīng)時(shí)問(wèn)均存在明顯不同。同時(shí)對(duì)比（a）和（b），（c）和（d），（e）和（f），（g）和（h）可知，在不同征兆域上同一故障展現(xiàn)出了不同特征信息，這也為本文所提方法的可行性提供了根據(jù)。相反，時(shí)域波形及頻譜所提供的信息就顯單調(diào)，難以從中準(zhǔn)確提取出能夠判定行星齒輪故障的特征。

3.2殘差卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

為從多通道多征兆域時(shí)頻圖集E中學(xué)習(xí)到各征兆域有效故障特征，需首先構(gòu)建合適的DRCNN模型。通過(guò)前期試驗(yàn)結(jié)果以及試驗(yàn)條件，構(gòu)建了一個(gè)包含16個(gè)殘差學(xué)習(xí)單元的DRCNN模型，輸入維度設(shè)置為224×224×3，其中每個(gè)殘差單元由3個(gè)卷積層以及1個(gè)旁路連接組成。表2為DRCNN第一個(gè)殘差單元具體網(wǎng)絡(luò)參數(shù)，c1，c2，c3，C4為卷積層;BNl，BN2，BN3，BN4表示批歸一化層（BatchNormalization）;Actl，Act2，Act3為激活層，激活函數(shù)選用ReLu函數(shù)，其中C4，BN4位于旁路連接處。實(shí)驗(yàn)平臺(tái)配置如下：WindowslO 64位操作系統(tǒng)，內(nèi)存192GB，程序運(yùn)行環(huán)境為Matlab2018b。

3.3試驗(yàn)結(jié)果與分析

3.3.1行星齒輪箱故障初步診斷

首先，選擇合適的超參數(shù)以初步建立起局部特征空問(wèn)與故障空問(wèn)的映射，完成故障的初步診斷，并學(xué)習(xí)局部有效故障特征。根據(jù)前期試驗(yàn)結(jié)果，將最小批量（MiniBatchSize）設(shè)置為100、學(xué)習(xí)率為0.0001，最大迭代次數(shù)（MaxEpochs）為30次，采用交叉熵?fù)p失函數(shù)（Cross-Entropy）對(duì)DRCNN進(jìn)行優(yōu)化。各子DRCNN在相應(yīng)通道征兆域訓(xùn)練集中的特征學(xué)習(xí)精度和誤差變化曲線(xiàn)如圖8所示，其展示了局部映射建立的全過(guò)程。圖8中，HWPT，VWPT，HEEMD，VEEMD中的H，V分別代表水平、垂直傳感器振動(dòng)信號(hào);WPT，EEMD分別代表小波包變換與EEMD變換。

觀(guān)察圖8，隨著迭代次數(shù)增加，各子DRCNN在不同征兆域中的特征學(xué)習(xí)精度不斷提高，學(xué)習(xí)誤差則不斷下降，局部映射逐步建立。當(dāng)Epochs=30次時(shí)學(xué)習(xí)精度和誤差均已進(jìn)入收斂階段，局部映射建立完成。圖8中不同曲線(xiàn)的收斂速度、精度存在明顯差異，即局部映射建立過(guò)程呈現(xiàn)出不同變化趨勢(shì)，說(shuō)明各征兆域所包含的故障判別信息量不同。經(jīng)對(duì)比可知，垂直傳感器信號(hào)EEMD征兆域包含了更多判別信息，其在收斂速度以及精度上均表現(xiàn)最好，訓(xùn)練精度達(dá)到98.13%。

將各征兆域的測(cè)試集樣本輸入到已訓(xùn)練好的DRCNN中，得到初步診斷結(jié)果s={S1，S2，S3，S4}，其中S1為時(shí)頻圖集E11初步診斷結(jié)果（表3），s2為時(shí)頻圖集E12初步診斷結(jié)果（表4），s3為時(shí)頻圖集E21初步診斷結(jié)果（表5），S4為時(shí)頻圖集E22初步診斷結(jié)果（表6），其中結(jié)果表示DRCNN對(duì)各故障預(yù)測(cè)的平均概率值，其代表各DRCNN對(duì)故障的平均預(yù)測(cè)傾向。為了衡量各DRCNN對(duì)每類(lèi)故障的不確定度大小，將DRCNN在測(cè)試集上對(duì)各故障診斷誤差作為不確定度。另外為了避免隨機(jī)因素的影響，本文在5個(gè)不同的測(cè)試集上對(duì)各DRCNN模型進(jìn)行測(cè)試。

由表3-6可知，單一征兆域信息對(duì)各故障均有著不同程度的不確定性，這說(shuō)明不同通道、不同征兆域信息確實(shí)對(duì)診斷精確度有較大影響。這主要是因?yàn)閱我徽髡子蛐畔⒋嬖诓煌陚湫?，?dǎo)致其診斷結(jié)果出現(xiàn)不確定性，特別是水平傳感器信號(hào)EEMD征兆域信息以及WPT征兆域信息，由初步診斷結(jié)果s，和s2可知，其可信度水平偏低，平均不確定度偏高，難以單獨(dú)用于故障診斷。為了探究造成不確定性的原因，本文提取各子DRCNN全連接層特征并利用t-SNE算法對(duì)其進(jìn)行維度約簡(jiǎn)以便于特征可視化，如圖9所示。

觀(guān)察圖9可知，導(dǎo)致各子DRCNN不確定性的主要原因是缺齒、齒根裂紋和齒面磨損三種故障難以被完全分離，從而造成誤檢、漏檢。另外可以看出各子DRCNN診斷結(jié)果中各故障的聚集性相對(duì)分散，說(shuō)明不同通道各征兆域的確均存在信息不完備。由圖9（c）可知，雖然在垂直傳感器信號(hào)EEMD征兆域信息中DRCNN能很好地將大部分故障分離，但仍有少部分齒根裂紋故障與缺齒故障混疊。而在其余子征兆域信息中DRCNN難以完全分離缺齒、齒根裂紋和齒面磨損三種故障，三者問(wèn)均存在不同程度的交集。以上結(jié)果進(jìn)一步說(shuō)明單一征兆域信息難以對(duì)行星齒輪箱故障進(jìn)行準(zhǔn)確診斷，故需融合多通道多征兆域特征對(duì)其進(jìn)行故障診斷。

3.3.2行星齒輪箱深層特征融合診斷

為了避免僅依靠單一征兆域所造成的故障診斷不確定性，本文提取各子DRCNN所學(xué)習(xí)到的各征兆域深層故障特征以構(gòu)建全局特征空問(wèn)的證據(jù)體集c，并利用由100個(gè)決策樹(shù)分類(lèi)器集成的隨機(jī)森林樹(shù)對(duì)證據(jù)體集c中多源特征信息進(jìn)行融合，最終建立全局特征空問(wèn)與故障空問(wèn)的映射關(guān)系，得到融合診斷最終結(jié)果，如圖10所示為特征融合后診斷結(jié)果。由圖10可知本文所提方法將幾乎所有故障樣本正確分類(lèi)，每類(lèi)故障都具有很好的聚集性。

為了清晰顯示所提方法對(duì)訓(xùn)練集中每一類(lèi)故障分類(lèi)效果，本文采用混淆矩陣（Confusion Matrix）對(duì)分類(lèi)結(jié)果進(jìn)行可視化，由圖11（a）可知，本文所提方法將每類(lèi)故障幾乎全部正確分離，有效地避免了漏檢、誤檢情況的發(fā)生，不同故障的召回率和精確率均在98%以上，說(shuō)明了本文所提方法能很好地對(duì)故障進(jìn)行診斷，其診斷精度達(dá)到99.6%，這主要是因?yàn)楸疚耐ㄟ^(guò)融合各征兆域深層故障特征將各征兆域不完備信息加以綜合形成了相對(duì)完備的診斷信息，為故障診斷提供了更具判別性的故障診斷信息。為了避免隨機(jī)因素影響，也用在5個(gè)不同測(cè)試樣本集上對(duì)所提方法進(jìn)一步驗(yàn)證，平均診斷結(jié)果如表7所示，其中某一測(cè)試樣本集診斷結(jié)果可視化模糊矩陣如圖11（b）所示。

由表7可知，在測(cè)試集上除了F2缺齒故障外，其余故障平均不確定度re（O）均為0，最終以99.96%的診斷精度將各類(lèi)故障進(jìn)行了準(zhǔn)確分類(lèi)，這說(shuō)明了本文所提方法對(duì)行星齒輪箱故障診斷確實(shí)有效。

為了與其他智能方法進(jìn)行比較，本文采用多通道時(shí)頻圖集+DRCNN、多通道時(shí)域數(shù)據(jù)+DRC-NN、多通道特征+支持向量機(jī)（Support VectorMachine，SVM）三種方法對(duì)行星齒輪箱故障進(jìn)行信息融合診斷。首先提取10種行星齒輪箱故障常用特征，分別為：標(biāo)準(zhǔn)方差、峰值、偏態(tài)、峰度、波峰因數(shù)、波形因數(shù)、沖擊系數(shù)，均方根值，MF（Mean Fre-quency），MC（Frequency Center），以上特征均能較好地刻畫(huà)行星齒輪箱故障特征信息，其定義在文獻(xiàn)[21]中有具體描述;然后將所提取到的不同通道的故障特征構(gòu)建為常用特征的證據(jù)體集P;最后采用以Fine Gaussian為核函數(shù)，Gamma值為1.2的SVM對(duì)證據(jù)體集P進(jìn)行融合識(shí)別。其中證據(jù)體集P中每個(gè)樣本均由上述不同通道信號(hào)特征組成，共3000樣本，其中20%用于訓(xùn)練SVM，其余用于測(cè)試。為了避免隨機(jī)因素干擾，上述試驗(yàn)也均在不同測(cè)試集上進(jìn)行5次。采用上述三種故障信息融合診斷方法的結(jié)果也示于表7中。

由表7可知，采用不同方法對(duì)行星齒輪箱故障進(jìn)行信息融合診斷結(jié)果表明：本文所提出方法效果確實(shí)要優(yōu)于其他信息融合診斷方法，其各故障不確定性均接近或等于0，診斷精度達(dá)到99.96%。另外，可觀(guān)察到多通道特征+SVM方法的信息融合故障診斷精度僅為87.36%，其中齒根裂紋和齒面磨損的不確定度m（θ）分別高達(dá)0.235和0.262，說(shuō)明該方法對(duì)齒根裂紋和齒面磨損故障識(shí)別作用差，難以對(duì)其進(jìn)行有效故障診斷。值得注意的是，利用多通道時(shí)頻圖集+DRCNN方法對(duì)行星齒輪箱故障進(jìn)行信息融合診斷，其故障診斷精度僅為94.3%，明顯低于本文所提方法，而且其整個(gè)訓(xùn)練過(guò)程耗時(shí)高達(dá)到約28h;多通道時(shí)域數(shù)據(jù)+DRCNN的診斷精度也僅為91.7%，耗時(shí)也達(dá)近11h。這主要因?yàn)閱蝹€(gè)DRCNN在同時(shí)處理故障多征兆域時(shí)頻圖集或多通道時(shí)域數(shù)據(jù)集時(shí)，不僅會(huì)使得輸入樣本量過(guò)多，輸入樣本空問(wèn)維度過(guò)大而導(dǎo)致訓(xùn)練時(shí)問(wèn)過(guò)長(zhǎng)，而且由于單個(gè)網(wǎng)絡(luò)泛化能力和容錯(cuò)能力有限，使得其對(duì)多個(gè)征兆域信息的不確定性融合能力受到限制，難以完全消除單一征兆域信息不確定性所帶來(lái)的影響，導(dǎo)致診斷精度偏低。

相比較而言，本文所提方法則采用多個(gè)DRCNN分別從不同征兆域時(shí)頻圖集中進(jìn)行特征學(xué)習(xí)，不僅能緩解單個(gè)DRCNN需要處理的樣本量，較大程度減少了輸入樣本空問(wèn)維度的規(guī)模，使得整體計(jì)算消耗成本較低，而且其泛化能力和容錯(cuò)性更好，能有效消除單一征兆域信息的不確定性，使得最終診斷效果很高，診斷精度接近100%，這進(jìn)一步說(shuō)明本文所提方法不僅對(duì)行星齒輪箱故障具有很好的診斷效果，而且能有效加快數(shù)據(jù)處理速度，節(jié)省計(jì)算資源。

4結(jié)論

針對(duì)融合行星齒輪箱多通道多征兆域深層故障特征來(lái)解決僅依靠單一征兆域進(jìn)行故障診斷帶來(lái)的不確定性高的問(wèn)題，提出了一種基于信息深度融合的行星齒輪箱故障診斷方法。該方法首先利用多個(gè)DRCNN對(duì)多通道多征兆域進(jìn)行特征學(xué)習(xí)以建立各局部特征空問(wèn)與故障空問(wèn)的聯(lián)系，達(dá)到初步診斷的目的;其次提取各征兆域深層故障特征并構(gòu)建特征空問(wèn)的證據(jù)體集;最后利用隨機(jī)森林樹(shù)對(duì)特征證據(jù)體集中多源特征信息進(jìn)行融合，從而實(shí)現(xiàn)行星齒輪箱多源信息融合診斷。所提方法將特征提取與信息融合有效統(tǒng)一為整體，克服了傳統(tǒng)信息融合難以避免主觀(guān)因素影響的缺點(diǎn)，增強(qiáng)了信息融合智能化以及對(duì)故障信號(hào)的自適應(yīng)能力。