摘要： 针对齿轮箱复合故障诊断中特征耦合性强、多源信号融合效率低的问题，提出一种基于多特征并行一维卷积神经网络(1D Convolutional Neural Network，1D-CNN)的智能诊断方法。首先，构建8 通道并行卷积网络，采用64×1大卷积核提取局部冲击特征，并结合Dropout 与批量归一化(Batch Normalization，BatchNorm)防止过拟合；其次，在特征融合阶段，利用常规卷积压缩维度，引入深度可分离卷积(Depthwise Separable Convolution，DSC)减少参数量，并通过自适应平均池化(Adaptive Average Pooling，Adaptive AvgPool)统一特征尺度；最后，在分类器中设计过渡层以增强泛化能力。基于包含8 类复合故障的齿轮箱数据集开展实验，实验结果表明：该方法能够有效解耦多源故障特征，其平均诊断准确率达到98.12 %。通过消融实验验证，多特征并行架构较单通道1D-CNN可提升诊断准确率3.89 个百分点。

关键词: 故障诊断, 齿轮箱, 复合故障诊断, 1D-CNN, 多特征融合, DSC