随着工业朝着智能化和信息化的方向发展,工业跟随着互联网的发展也进入了大数据时代。在这个背景下,传感器每时每刻采集了大量用于监测机械设备运行状态的数据,使得以数据驱动为基础的智能故障诊断技术成为了故障诊断的趋势。在实际的工业生产中旋转机械起着举足轻重的作用,而齿轮则是旋转机械中最为重要的零部件之一,它传递着轴与轴之间的动力使得机械设备能够正常运行。齿轮的运行状态和使用寿命直接决定着整个设备的运行状态以及生产效率,是保障机械设备运行的关键。在齿轮故障诊断中,模型的分类能力和传感器采集的数据是影响诊断结果的重要因素之一,而目前使用单一模型进行齿轮故障诊断仍是常用的诊断方式。如何通过模型融合提高齿轮故障诊断的效率和准确率是本文的研究重点。因此,本研究做了如下工作:首先提出了一种多模型特征级融合齿轮故障诊断模型。该模型在特征提取阶段使用了卷积神经网络自适应地从每个传感器中提取故障特征,这在一定程度上减少了在特征提取时对专家经验的依赖,提升了诊断效率。在融合阶段提出了一种特征融合算法用于融合各传感器的特征。通过实验分析对比发现,卷积神经网络能有效从原始数据中提取故障特征,而且所提出的特征融合方法能有效融合各传感器的故障特征。然后提出了一种改进DS融合算法用于处理不同分类模型在诊断时出现的冲突问题。该改进算法是通过距离矩阵和模糊偏好矩阵产生联合权重共同修正原始证据体的基本概率分配,并且通过修正原始基本概率分配中的0因子避免“一票否决”现象的发生,最后利用传统的DS证据融合方法将修正的证据体和原始证据具体进行融合。随后将改进的DS融合方法应用到的多模型决策融合齿轮故障诊断方法中。不同的分类模型受自身的模型结构和数据敏感程度的影响,难免会产生冲突的诊断结果,实验结果表明,通过改进的DS融合方法对多模型的诊断结果进行融合提高了诊断准确率。最后针对复杂多变的实际生产中会经常产生复合故障而复合故障因为各种耦合关系难以诊断的问题,提出了一种基于改进DS算法多模型决策融合的复合故障诊断方法。该方法将复合故障进行拆分成单类型故障,从而降低了单个模型的分类复杂度使得整个诊断模型的综合性能提升,而且在决策级上使用改进DS算法融合进一步提升了诊断的准确率。通过从准确率、查准率、召回率和F1值四个方面进行对比,该模型有着较为优异的诊断效果,可以为从数据方面进行复合故障的诊断提供一种新的研究路线。