随着大数据、互联网、传感器以及人工智能技术的快速发展与日益广泛的应用,传统机械制造业引入人工智能技术是实现行业转型的必然趋势。轴承作为最为常见的机械零部件之一,在机械设备中承载着重要的作用。且随着传感器技术、数据处理技术与智能诊断技术的日新月异,轴承健康状况的智能诊断技术成为了学术研究热点。而实际生产中,某一不影响正常生产或未达到更换标准的初期故障可能继而促使轴承复合故障(Compound fault)的形成,且设备复杂的运行环境也常常导致复合故障发生的状况。因此,对轴承复合故障的检测和诊断存在着较大的困难,正因这些难题使得轴承复合故障检测和诊断技术的研究成为国内外研究的热点。另外随着采集数据量的增加,以数据驱动的方式挖掘有用信息成为可能,智能获取目标数据特征的方法也有了长足的发展。如何充分利用多源信息进行故障特征的智能挖掘和信息融合是本文的研究重点。主要研究工作有以下三点。首先提出了一种面向冲突改进的D-S(Dempster-Shafer)证据理论算法,该算法在针对传统D-S证据理论的缺陷问题上使用皮尔逊相关性系数(Pearson Correlation Coefficient,PCC)和0元素修正进行改进。改进后的方法在很大程度上考虑各个证据体在整体识别框架中的重要程度,使得融合后的结果在排除误差较大的证据体后能够保证融合后目标的一致性,从而提升了融合准确性和克服冲突的能力。随后在改进的D-S证据理论的基础上,结合轴承复合故障数据继续对D-S证据理论的实际应用进行改进。在特征自提取上使用SAE(Sparse Auto-encoder,SAE),自动提取来自各个传感器各类别的故障特征,得到所有故障类型的压缩特征用于分类模型的训练,实验验证了该方法在轴承单一故障检测(Single Fault Detection,SFD)的结果上表现出较高的识别精度。接着在单一故障检测研究的基础上,通过对所有实验标签进行重新计算,对融合后的样本单一检测相加的结果作为复合故障类型,与真实的样本标签进行准确率计算。结果展示了从单一故障检测到复合故障诊断研究的意义和准确性,也证明了改进的融合方法的适用性。最后本文考虑复合故障诊断过程以及特征提取方法和融合方法的简化,以减少复杂的人工改进和计算,做到特征提取和融合的自动化。摒弃所有的复杂计算和融合手段,由繁到简的思路设计了两级卷积神经网络(Convolutional Neural Networks,CNN)的轴承复合故障诊断的方法,通过多组实验分析和比较,在轴承复合故障诊断的识别上具有较高的识别效果,由此证明了两级CNN融合的有效性和优势。综上研究内容与实验验证,多源信息融合技术可以在复杂的轴承复合故障诊断问题上综合不同来源信息的优势,实现诊断目标与实际情况的尽可能一致,提升轴承复合故障诊断的精度。另外,前沿的算法技术在轴承复合故障特征自动提取和诊断精度的提升上具有重要的作用。因此,特征自提取和多源信息融合的结合研究在应对轴承复合故障诊断上存在很大的研究潜力和价值。