转速和载荷的变化使地铁牵引电机轴承信号在结构内部发生不同程度的耦合与畸变,导致不同类型故障的频段相互重叠,难以判断故障类型。针对复杂工况下难以准确诊断地铁牵引电机轴承故障类型的问题,本文提出一种将小波包分解、信息融合与卷积神经网络结合的地铁牵引电机轴承故障诊断方法,并设计了诊断方案来验证。试验中预制了6种故障轴承,以地铁牵引电机轴承实际运转转速2400RPM和实际载荷7k N为基准,结合试验台条件设置了3级转速和载荷,即转速800RPM、1600RPM和2400RPM,载荷5k N、7k N和9k N,整个试验分为54个子试验。并根据试验需要调整好控制系统和采集系统,完成信号的采集。在对信号进行预处理后,通过时域和频域分析,大致确定了故障轴承之间的差异。使用小波包分解原始数据,然后分别提取均方根值(Rms)、峭度值(Kr)和裕度值(C)作为特征并组成特征向量,此时的特征包含了时域和频域信息。使用Python编写了轴承信号处理程序以实现以上功能,对原始数据处理得到特征值并保存至文件。对比数据层融合、特征层融合和决策层融合的优缺点及适用范围后,选定特征层融合为振动信号和声发射信号的融合方案。通过分析不同频段的三种特征值的格式及其物理含义,设计了以相对化和归一化为主的特征值融合方案,最终编写了批量脚本来实现信息融合。搭建了卷积神经网络框架,针对数据特点设置了其结构参数,并设计了不同工况下的地铁牵引电机轴承故障诊断方案。诊断结果显示,本试验中载荷对诊断结果的影响最小;增大训练集的工况范围有助于提高复杂工况下的诊断准确率;基于信息融合的诊断准确率普遍比单一传感器的诊断准确率高;当混合了所有工况的数据时,基于振动信号和声发射信号的诊断准确率分别为96.30%和92.59%,而基于信息融合的诊断方案准确率达到了100%,有效地提高了诊断系统的准确率。