齿轮箱是旋转机械工作中的重要结构,也是最容易出现故障的结构。然而目前针对齿轮箱的故障诊断大都是基于降噪、滤波及特征提取等,这些过程太过于繁琐,并且在处理复杂工况时特征的提取十分困难。本文基于深度学习技术,对残差网络进行改进处理,结合特征融合技术,实现了对旋转机械故障诊断研究。本文研究了以下内容:首先,本文将残差网络运用到齿轮轴承的故障诊断之中,其中的残差模块使用了跳跃连接,能够搭建更深的层数来改善神经网络的训练效果。针对噪声干扰问题,采取基于soft attention机制的残差收缩网络模型,利用其自适应阈值块来根据噪声大小设置相应的阈值,对网络的残差模块进行改进,在保证数据特征的完整程度的基础上很大地提高了网络模型的抗噪能力;另一方面在DDS试验台进行试验,提取所需要的故障数据。经过试验分析,验证所提模型具有良好的抗噪能力。其次,对网络结构进行改进,提出基于多尺度特征融合的残差收缩网络故障诊断模型,该模型针对故障信号的时变性强,敏感波段不一致这一问题,利用多尺度卷积核与特征融合模块来深度提取数据中的特征信息,如此神经网络既融合了低层卷积层特征信息丰富的特点,又融合入了高层卷积层特征敏感度高的优点,使得网络具有更优良的学习能力与分类能力,使得训练网络的迭代次数大幅下降,故障诊断效率大幅提升。最后,利用首层卷积层的敏感特性,设置尺寸合适的大尺度首层卷积核,通过采用GAP、Dropout等来减少网络过拟合问题;最后使用凯斯西储大学的变负载数据对网络的泛化性能进行网络模型的交叉训练与测试,采用优化算法来改善网络的泛化能力;结果表明改进后的网络模型具有很高变负载自适应能力,网络模型泛化能力得到明显改进。