基于多數(shù)據(jù)融合的電機(jī)故障診斷方法研究

（河北機(jī)電職業(yè)技術(shù)學(xué)院電氣工程系，河北 邢臺(tái) 054000）

電機(jī)作為各類電驅(qū)設(shè)備的主要?jiǎng)恿ρb置，具有結(jié)構(gòu)簡單、控制方便、能效高、無污染等優(yōu)點(diǎn)，被廣泛運(yùn)用于各類機(jī)電設(shè)備。電機(jī)的運(yùn)行狀態(tài)不僅對(duì)其本身，更會(huì)對(duì)整個(gè)機(jī)電系統(tǒng)的正常運(yùn)行產(chǎn)生巨大影響。然而，電機(jī)故障種類繁多，各種故障類型的征兆與表現(xiàn)又相似，且不同故障產(chǎn)生的原因也錯(cuò)綜復(fù)雜，這給電機(jī)故障診斷帶來了很大難度。若能在電機(jī)運(yùn)行過程中精確地辨識(shí)電機(jī)運(yùn)行狀態(tài)及故障類型，便能極大地提高生產(chǎn)效率，降低維修成本。

傳統(tǒng)的電機(jī)故障診斷方法多以單一的傳感器數(shù)據(jù)信息為樣本，對(duì)電機(jī)故障進(jìn)行診斷。其中，定子電流信號(hào)是一種典型的故障判別依據(jù)，文獻(xiàn)[1]提出一種對(duì)轉(zhuǎn)子斷條故障進(jìn)行診斷的方法，對(duì)電機(jī)啟動(dòng)電流進(jìn)行小波分析，實(shí)現(xiàn)了轉(zhuǎn)子斷條故障的在線診斷；文獻(xiàn)[2]采用基于電機(jī)電流信號(hào)分析（motor current signature analysis，MCSA）的故障在線監(jiān)測與診斷方法，通過分析定子電流的Hilbert模量頻譜，實(shí)現(xiàn)了異步電機(jī)轉(zhuǎn)子故障準(zhǔn)確診斷；文獻(xiàn)[3]提出一種電機(jī)典型故障通用診斷系統(tǒng)，通過理論推導(dǎo)確定了電流信號(hào)中的故障特征參數(shù)，并通過實(shí)驗(yàn)驗(yàn)證了所提出故障診斷系統(tǒng)的可行性。

電機(jī)振動(dòng)信號(hào)也蘊(yùn)含著一些典型故障信息，文獻(xiàn)[4]提出一種基于小波變換和BP神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷系統(tǒng)，通過小波變換從電機(jī)振動(dòng)信號(hào)中提取到故障特征量，并通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別，提高了故障診斷的準(zhǔn)確性；文獻(xiàn)[5]針對(duì)振動(dòng)信號(hào)的特點(diǎn)，提出一種基于自回歸（autoregressive，AR）模型的分析方法，消除了特征提取過程中的“頻率模糊”現(xiàn)象，實(shí)現(xiàn)了對(duì)電機(jī)故障信息的快速提取；文獻(xiàn)[6]通過分析氣隙偏心故障與機(jī)座振動(dòng)信號(hào)的關(guān)系，得到氣隙偏心故障所對(duì)應(yīng)的特征頻率，并通過模擬試驗(yàn)對(duì)該故障特征頻率進(jìn)行驗(yàn)證；文獻(xiàn)[7]以振動(dòng)信號(hào)為依據(jù)，提出一種異步電機(jī)滑環(huán)面損傷的故障診斷方法，通過對(duì)比故障前后振動(dòng)信號(hào)的小波能量譜分布及占比狀況，得到故障特征信息，為電樞滑環(huán)面故障診斷提供依據(jù)。

此外，一些學(xué)者還通過分析電機(jī)轉(zhuǎn)速信號(hào)以辨識(shí)電機(jī)故障類型，文獻(xiàn)[8-9]提出一種階次自分離方法，提取到蘊(yùn)含在轉(zhuǎn)速信號(hào)內(nèi)部的異常波動(dòng)成分及故障特征，實(shí)現(xiàn)了對(duì)輪轂電機(jī)的故障診斷；文獻(xiàn)[10]針對(duì)定子電流中存在的電機(jī)斷條故障特征頻率易被基頻淹沒的缺陷，提出一種基于瞬時(shí)轉(zhuǎn)速的電機(jī)故障診斷方法，研究發(fā)現(xiàn)，轉(zhuǎn)速信號(hào)不僅能在頻域上良好地反映故障情況，其波動(dòng)程度和平均轉(zhuǎn)速還能反映故障的嚴(yán)重程度。

分析上述研究可知，雖然電機(jī)電流、振動(dòng)、轉(zhuǎn)速信號(hào)中包含一些與電機(jī)某些故障類型相對(duì)應(yīng)的可檢測參數(shù)，然而，由于所建立的故障特征模型及電機(jī)運(yùn)行環(huán)境存在很多不確定因素，單參數(shù)故障診斷具有不確定性，甚至可能會(huì)導(dǎo)致錯(cuò)誤的診斷結(jié)果[11]。另外，電機(jī)實(shí)質(zhì)上是一個(gè)機(jī)—電—磁強(qiáng)耦合的復(fù)雜系統(tǒng)，其故障特征與故障形式往往不是簡單的一一對(duì)應(yīng)，而是具有復(fù)雜的非線性關(guān)系。只有盡可能全面地收集故障特征，并對(duì)這些數(shù)據(jù)進(jìn)行綜合分析，才能對(duì)電機(jī)故障做出準(zhǔn)確的判別。

針對(duì)上述問題，本文提出一種基于多傳感器數(shù)據(jù)融合的電機(jī)故障診斷方法，振動(dòng)加速度計(jì)和電流傳感器被用于采集電機(jī)機(jī)座振動(dòng)信號(hào)和定子電流信號(hào)，以此作為依據(jù)對(duì)電機(jī)故障進(jìn)行綜合診斷。簡要介紹了多傳感器數(shù)據(jù)融合技術(shù)的基本結(jié)構(gòu)，分析了異步電機(jī)的故障機(jī)理，對(duì)基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法和D-S證據(jù)推理的多傳感器數(shù)據(jù)融合電機(jī)故障系統(tǒng)進(jìn)行分析，并通過實(shí)例對(duì)系統(tǒng)的有效性進(jìn)行驗(yàn)證。

1 多傳感器數(shù)據(jù)融合技術(shù)

多傳感器數(shù)據(jù)融合技術(shù)最初起源于軍事應(yīng)用場合，如通過綜合分析多個(gè)雷達(dá)信號(hào)以達(dá)到精確鎖定目標(biāo)物準(zhǔn)確位置的目的[12-13]。因多傳感器數(shù)據(jù)融合技術(shù)具有較好的容錯(cuò)性、高精度、快速處理能力、強(qiáng)互補(bǔ)性等優(yōu)勢，逐漸在眾多領(lǐng)域得到應(yīng)用和發(fā)展。當(dāng)多傳感器數(shù)據(jù)融合技術(shù)應(yīng)用于電機(jī)故障診斷過程時(shí)，可將其看成一種通過對(duì)多傳感器獲得的故障特征信息進(jìn)行綜合分析，以準(zhǔn)確辨識(shí)電機(jī)故障類型的過程。根據(jù)融合對(duì)象或融合過程發(fā)生的階段，可以將數(shù)據(jù)融合抽象為3種形式：數(shù)據(jù)層融合、特征層融合和決策層融合。這3種結(jié)構(gòu)層次各具特色，具體分析如下。

圖1為數(shù)據(jù)層融合結(jié)構(gòu)圖，該結(jié)構(gòu)不對(duì)傳感器采集到的信號(hào)數(shù)據(jù)做任何處理，而是直接融合傳感器信號(hào)，根據(jù)融合結(jié)果的特點(diǎn)，提取相應(yīng)特征，從而進(jìn)行故障識(shí)別，這種結(jié)構(gòu)對(duì)傳感器的同質(zhì)性要求較高，信息耗損率最小，但系統(tǒng)容錯(cuò)性較差，計(jì)算量也很大。

圖1 數(shù)據(jù)層融合結(jié)構(gòu)圖Fig.1 Structural diagram of data level fusion

圖2為特征層融合結(jié)構(gòu)圖，這種結(jié)構(gòu)首先需要提取各傳感器采集到信號(hào)的特征信息，并將這些特征信息進(jìn)行融合，根據(jù)融合結(jié)果識(shí)別故障信息。這種結(jié)構(gòu)對(duì)各傳感器的同質(zhì)性不作要求，系統(tǒng)的容錯(cuò)性較好，計(jì)算量也較小，但在特征提取過程中會(huì)存在信息丟失。

圖2 特征層融合結(jié)構(gòu)圖Fig.2 Structural diagram of characteristic level fusion

圖3為決策層融合結(jié)構(gòu)圖，決策層融合針對(duì)所有傳感器信息進(jìn)行單獨(dú)處理，分別提取特征信息并進(jìn)行識(shí)別，并對(duì)單獨(dú)識(shí)別的結(jié)果進(jìn)行融合，從而進(jìn)行故障判別。該結(jié)構(gòu)對(duì)原始信息的損失量最大，對(duì)前期特征提取和故障識(shí)別要求較高，但容錯(cuò)性較高，計(jì)算量也最小。本文正是基于這種融合模式，對(duì)所提出電機(jī)故障診斷系統(tǒng)進(jìn)行設(shè)計(jì)。

圖3 決策層融合結(jié)構(gòu)圖Fig.3 Structural diagram of decision level fusion

2 電機(jī)故障機(jī)理

異步電機(jī)的主要故障類型包括電氣類故障與機(jī)械類故障，其中，電氣故障包括定子繞組故障、轉(zhuǎn)子繞組故障等；機(jī)械故障包括轉(zhuǎn)子故障、軸承故障等。要想實(shí)現(xiàn)對(duì)電機(jī)故障的精確辨識(shí)，首先需要對(duì)電機(jī)的故障機(jī)理進(jìn)行分析。

2.1 基于定子電流的電機(jī)故障機(jī)理

當(dāng)定子繞組發(fā)生短路故障時(shí)，定子繞組的對(duì)稱性會(huì)遭到損壞，其電流成分中的奇次諧波，特別是5次諧波會(huì)因三相繞組的非對(duì)稱性而增強(qiáng)[14]。定子短路故障體現(xiàn)在定子電流的特征頻率為

式中：f為電源頻率；s為異步電機(jī)轉(zhuǎn)差率。

當(dāng)電機(jī)存在定子短路故障時(shí)，分析定子電流的頻譜圖，會(huì)發(fā)現(xiàn)定子短路故障狀態(tài)時(shí)的定子電流頻譜圖中特征頻率處幅值較正常狀態(tài)時(shí)偏大，且偏離程度與故障嚴(yán)重程度成正比，這樣就可以對(duì)定子短路故障進(jìn)行識(shí)別。

當(dāng)異步電機(jī)沒有故障時(shí)，定子電流頻譜中只有一個(gè)工頻成分。而當(dāng)存在轉(zhuǎn)子斷條故障時(shí)，在定子電流頻譜中距離電源頻率2s位置會(huì)存在一個(gè)邊頻帶，基于定子電流的轉(zhuǎn)子斷條故障判別原則是電流頻譜中存在如下式所示的特征頻率：

2.2 基于振動(dòng)信號(hào)的電機(jī)故障機(jī)理

當(dāng)異步電機(jī)沒有故障時(shí)，定子機(jī)座受旋轉(zhuǎn)力作用，會(huì)發(fā)生頻率為2f的振動(dòng)。但當(dāng)異步電機(jī)存在定子繞組故障時(shí)，機(jī)座振動(dòng)信號(hào)會(huì)加強(qiáng)，且在正常頻率之外，還會(huì)存在4f，6f，8f等諧波成分。通過振動(dòng)加速度計(jì)檢測電機(jī)機(jī)座的振動(dòng)信號(hào)的特征頻率，即可判別電機(jī)是否存在定子繞組故障。

當(dāng)異步電機(jī)存在轉(zhuǎn)子偏心故障時(shí)，機(jī)座振動(dòng)信號(hào)中存在2種特征頻率，分別為靜態(tài)偏心特征頻率fjt與動(dòng)態(tài)偏心特征頻率fdt，其頻率值分別為

異步電機(jī)軸承故障診斷也多以振動(dòng)信號(hào)為依據(jù)，當(dāng)電機(jī)軸承存在故障時(shí)，機(jī)座振動(dòng)信號(hào)的頻譜中會(huì)含有相應(yīng)特征頻率成分，且不同故障類型所呈現(xiàn)出特征頻率也不同，其中，軸承外圈故障頻率fod、內(nèi)圈故障頻率fid、滾珠故障頻率fbd、保持架故障頻率fcd分別為

式中：frm為電機(jī)轉(zhuǎn)動(dòng)頻率；db，dp分別為軸承滾動(dòng)體直徑與保持架直徑；l為軸承滾動(dòng)體個(gè)數(shù)；β為滾動(dòng)體接觸角。

3 基于神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的電機(jī)故障診斷系統(tǒng)

3.1 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

BP神經(jīng)網(wǎng)絡(luò)具備強(qiáng)大的非線性數(shù)據(jù)處理能力與學(xué)習(xí)能力，以及抗干擾性等優(yōu)勢，非常適合電機(jī)故障診斷等故障特征不確定性強(qiáng)的場合。電機(jī)是一種機(jī)電強(qiáng)耦合系統(tǒng)，建立準(zhǔn)確的數(shù)學(xué)模型具有很大難度。針對(duì)這種問題，引入神經(jīng)網(wǎng)絡(luò)算法，可以將電機(jī)故障診斷等效成一個(gè)模式辨識(shí)的問題，即把電機(jī)的運(yùn)行狀態(tài)分為正常狀態(tài)與故障狀態(tài)，故障的種類各式各樣，診斷其故障類型即為一種模式識(shí)別的過程。這為電機(jī)故障診斷提供了一種新途徑。

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的基本特點(diǎn)是數(shù)據(jù)向前傳播，誤差向后傳播，如圖4所示，包括輸入層、隱含層和輸出層。其中，wih為輸入層到隱含層的權(quán)系數(shù)，who為隱含層到輸出層的權(quán)系數(shù)，BP神經(jīng)網(wǎng)絡(luò)在使用前需輸入一定樣本（每個(gè)樣本必須包含輸入向量與期望輸出值）進(jìn)行網(wǎng)絡(luò)訓(xùn)練，即輸入數(shù)據(jù)的正向傳播與偏差的反向調(diào)整，對(duì)不同層之間的權(quán)系數(shù)進(jìn)行優(yōu)化，直到誤差量達(dá)到所需的最小誤差閾值之內(nèi)。訓(xùn)練結(jié)束后，便可以針對(duì)類似的輸入樣本，輸出誤差最小的結(jié)果。

圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.4 Structural sketch of BP neural network

3.2 D-S證據(jù)理論

D-S證據(jù)理論實(shí)質(zhì)上是一種辨識(shí)框架，可用Θ表示，具體來說，Θ為一個(gè)完備的命題集合，其集合元素為一系列互斥命題，m為各命題的可信度函數(shù)，也可以稱之為mass函數(shù)，對(duì)任意一個(gè)命題A，mass函數(shù)滿足以下2式：

由式（9）可知，命題集Θ中不包含空命題。而式（10）反映了命題集Θ中所有命題所賦予的可信度之和（也稱為總信度）等于1。

當(dāng)已知所有命題的mass函數(shù)，則可以求出命題集Θ中某一具體命題A的信度函數(shù)Bel（A）和似然函數(shù)Pl（A），即

由式（11）、式（12）可知，命題A的信度函數(shù)是指所有屬于A命題集合中所有命題元素的mass函數(shù)之和。似然函數(shù)是指所有與A相交不為空的命題集合中所有命題元素之和。命題A的信度函數(shù)和似然函數(shù)組成的閉合區(qū)間[Bel(A),Pl(A)]為命題A的信任區(qū)間，是對(duì)命題A的信任程度的一種較為抽象的描述，如圖5所示。

圖5 命題不確定性示意圖Fig.5 The schema of propositional uncertainty

當(dāng)2個(gè)均指向命題A且相互獨(dú)立的證據(jù)的mass函數(shù)分別為m1和m2，這2個(gè)證據(jù)所對(duì)應(yīng)的命題元素分別為Ai和Bj時(shí)，基于D-S證據(jù)合成規(guī)則，可以將命題A的mass函數(shù)融合為

當(dāng)具體到電機(jī)故障診斷過程中時(shí)，電機(jī)所有可能發(fā)生的故障集合構(gòu)成辨識(shí)框架，而各種故障類型所可能表現(xiàn)出來的癥狀構(gòu)成證據(jù)集，每種癥狀對(duì)應(yīng)的各種可能性故障均存在一定概率，即為該癥狀下所對(duì)應(yīng)的故障類型可信度函數(shù)。

3.3 基于神經(jīng)網(wǎng)絡(luò)的電機(jī)故障證據(jù)推理

在電機(jī)的故障診斷過程中，不同傳感器多點(diǎn)測試所測得的參數(shù)眾多，從各測點(diǎn)提取到的故障特征可能存在隨機(jī)性和矛盾性。若將大量高維特征信息同時(shí)輸入同一神經(jīng)網(wǎng)絡(luò)進(jìn)行處理，會(huì)導(dǎo)致訓(xùn)練時(shí)間過長，診斷效果變差，甚至?xí)?dǎo)致網(wǎng)絡(luò)輸出結(jié)果發(fā)散。為避免這種情況，各測點(diǎn)信號(hào)首先由對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)進(jìn)行局部診斷，將所測得特征信息空間分解為多個(gè)證據(jù)空間，構(gòu)造相應(yīng)可信度函數(shù)，并利用證據(jù)融合規(guī)則將各證據(jù)體合成為一個(gè)新證據(jù)體，以確定新的信任區(qū)間。最后，利用證據(jù)理論將各證據(jù)空間進(jìn)行決策融合，得出證據(jù)融合后的結(jié)果，實(shí)現(xiàn)對(duì)電機(jī)故障的準(zhǔn)確判斷，基于BP神經(jīng)網(wǎng)絡(luò)算法的多證據(jù)融合故障診斷流程以及系統(tǒng)原理圖如圖6和圖7所示。

圖6 多證據(jù)融合電機(jī)故障診斷流程Fig.6 Multi evidence fusion motor fault diagnosis process

圖7 基于多傳感器的電機(jī)故障診斷系統(tǒng)Fig.7 Motor fault diagnosis system based on multi-sensor

4 應(yīng)用實(shí)例

以某型異步電機(jī)為例，對(duì)本文所提出基于神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的多傳感器數(shù)據(jù)融合電機(jī)故障診斷方法的有效性進(jìn)行驗(yàn)證。圖8為電機(jī)故障診斷試驗(yàn)測試原理圖。

圖8 電機(jī)故障診斷測試原理圖Fig.8 Schematic diagram of motor fault diagnosis and test

首先，在試驗(yàn)臺(tái)上模擬電機(jī)4種典型故障：定子繞組短路、轉(zhuǎn)子斷條、軸承故障、轉(zhuǎn)子與軸承復(fù)合故障。在測試過程中，采用振動(dòng)加速度計(jì)和電流傳感器，分別測得電機(jī)在無故障工況及4種故障工況下的機(jī)座振動(dòng)信號(hào)和定子電流信號(hào)，利用小波變換得到所測信號(hào)在各頻段的小波能量譜，并對(duì)能反映電機(jī)故障的子頻段能量ai進(jìn)行提取，得到電機(jī)故障的特征向量為[a1，a2，a3，…]。

在提取到電機(jī)故障特征向量后，需要對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，此例中用到2個(gè)傳感器，因此需要對(duì)2個(gè)BP子網(wǎng)絡(luò)進(jìn)行訓(xùn)練，每個(gè)子網(wǎng)絡(luò)的輸入單元個(gè)數(shù)等于故障特征向量的維數(shù)，這里取特征向量為6，即在振動(dòng)信號(hào)和電流信號(hào)的小波變換結(jié)果中選取6個(gè)子頻段能量。2個(gè)子網(wǎng)絡(luò)所用到的訓(xùn)練樣本參數(shù)如表1和表2所示。

表1 振動(dòng)特征向量訓(xùn)練樣本Tab.1 Training samples of vibration eigenvector

表2 定子電流特征向量訓(xùn)練樣本Tab.2 Training samples of stator current eigenvector

2個(gè)BP子網(wǎng)絡(luò)的的輸出節(jié)點(diǎn)個(gè)數(shù)均為5個(gè)，代表著上述的電機(jī)運(yùn)行狀態(tài)，表3為2個(gè)BP子網(wǎng)絡(luò)的期望訓(xùn)練結(jié)果。

表3 BP神經(jīng)網(wǎng)絡(luò)期望輸出Tab.3 Expected output of BP neural network

為降低測試成本，選擇了異步電機(jī)軸承滾珠故障進(jìn)行實(shí)驗(yàn)，對(duì)振動(dòng)加速度計(jì)和電流傳感器信號(hào)分別進(jìn)行小波變換處理后，得到軸承滾珠故障所對(duì)應(yīng)的振動(dòng)特征向量與電流特征向量，利用這2組特征向量對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，得到了2個(gè)BP子網(wǎng)絡(luò)的初步診斷結(jié)果為

O振動(dòng)=[0.0035,0.120 5,0.040 0,1.0060,-0.0870]

O電流=[-0.0832,0.0985,0.1440,1.2035,-0.0088]

為提高故障診斷的準(zhǔn)確性與可信度，基于DS證據(jù)理論對(duì)上述2個(gè)輸出結(jié)果進(jìn)行融合。具體來說，證據(jù)理論辨識(shí)框架中的元素為Ai（i=1～5，分別對(duì)應(yīng)著正常工況、定子繞組短路、轉(zhuǎn)子斷條、軸承故障、轉(zhuǎn)子軸承復(fù)合故障）。

結(jié)合電機(jī)軸承故障工況下的BP子網(wǎng)絡(luò)輸出結(jié)果，得到相應(yīng)可信度函數(shù)，如表4和表5所示。需要注意的是，表中的m（φ）對(duì)應(yīng)著診斷結(jié)果為不確定的可信度函數(shù)。

表4 振動(dòng)信號(hào)子網(wǎng)絡(luò)可信度函數(shù)分配Tab.4 Distribution of reliability function for vibration signal subnetwork

表5 電流信號(hào)子網(wǎng)絡(luò)可信度函數(shù)分配Tab.5 Distribution of credibility function for current signal subnetwork

基于D-S證據(jù)融合規(guī)則，得到融合診斷結(jié)果如表6所示。綜合分析圖4～圖6可知，當(dāng)證據(jù)融合判定準(zhǔn)則為Bel＞0.5且m（φ）＜0.2時(shí)，若只以電流子網(wǎng)絡(luò)的置信區(qū)間作為診斷依據(jù)，則診斷結(jié)果只能為不確定，而經(jīng)過數(shù)據(jù)融合之后，電機(jī)軸承故障工況所對(duì)應(yīng)的置信區(qū)間與不確定結(jié)果的可信度函數(shù)較單一信號(hào)子網(wǎng)絡(luò)時(shí)小，提高了軸承故障這一診斷結(jié)果的可信度，也符合實(shí)驗(yàn)中的故障模擬工況。

表6 電機(jī)各運(yùn)行狀態(tài)的置信區(qū)間Tab.6 Confidence intervals of motor operation states

5 結(jié)論

為克服基于單傳感器的電機(jī)故障診斷方法存在的不確定性大、精度較差等缺陷，提出一種基于BP神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的多傳感器數(shù)據(jù)融合電機(jī)故障診斷方法，振動(dòng)加速度計(jì)和電流傳感器被用于采集電機(jī)機(jī)座振動(dòng)信號(hào)和定子電流信號(hào)，以此作為依據(jù)對(duì)電機(jī)故障進(jìn)行綜合診斷，并結(jié)合神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法和D-S證據(jù)推理理論，對(duì)電機(jī)的故障類型進(jìn)行綜合診斷。通過對(duì)電機(jī)軸承故障診斷實(shí)例進(jìn)行分析，驗(yàn)證了所提出系統(tǒng)的有效性，研究結(jié)果表明：采用基于多傳感器數(shù)據(jù)融合的故障診斷系統(tǒng)可以高置信度地診斷出電機(jī)的故障類型。