摘要： 齿轮箱故障的振动信号具有非线性、非平稳性，再加上齿轮箱运行工况复杂的特点，导致传统的信号处理方法难以有效提取齿轮箱故障特征，严重影响传动精度和设备运行安全。基于此，本文研究振动信号无量纲指标与经验模态分解(Empirical Mode Decomposition, EMD)信息熵进行特征融合的方法，并利用随机森林（Random Forest, RF）对不同特征之间的重要性进行比较、排序，有效克服信息冗余，同时将新构建的样本集作为输入，对LSTM（Long Short-Term Memory）神经网络进行训练，实现对齿轮箱不同局部故障的有效识别。并利用东南大学实验数据验证所提方法的有效性，通过与其他方法对比证明本文所提方法具有计算效率高和识别精度高的特点，可为齿轮箱的智能诊断提供新的实践和方法基础。

关键词: 关键词：故障诊断, 齿轮箱, 融合特征, 无量纲指标, 随机森林, LSTM神经网络