摘要： 针对轴承振动信号易受噪声干扰、变工况及单一传感器提取特征信息不完备的问题，提出基于自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition of Adaptive Noise，CEEMDAN)、快速独立分量(Fast Independent Components Analysis，FastICA)降噪和多输入卷积神经网络(Multiple-input Convolutional Neural Networks，MCNN)的多传感信息融合轴承故障诊断方法。首先分别对多传感采集的振动信号划分数据集，并输入CEEMDAN得到本征模态函数(Inherent Nodal Function，IMF)；随后，选择峭度大于3 的IMF构造观测信号，其余IMF 构造虚拟噪声信号，作为两个输入源输入FastICA，分离出特征向量；最后，设计MCNN识别故障类型。在CWRU和XJTU-SY数据集上的正确率分别为99.94 %和99.64 %。在信噪比为-8 dB的抗噪性能测试中，正确率分别为96.95 %和98.29 %；在信噪比为0 dB 的抗噪性能测试中，正确率分别为99.00 %和99.23 %。对比实验结果表明此方法能够提取更为全面的故障特征信息，获得更高的准确率。

关键词: 故障诊断, CEEMDAN, FastICA, MCNN