电机是现代工业生产和生活中必不可少的设备,一旦发生故障,不仅会影响机械系统的运行,造成严重的经济损失,甚至威胁人员安全。随着电机制造工艺的不断提高、应用范围的不断增加,电机的故障诊断及其健康状态监测的需求也不断提高。但是由于电机的结构复杂,使得能够反映设备状态的数据多样且选择困难,从而难以实现高精度的诊断故障。本文利用多传感器振动数据,从传统故障诊断方法入手,深入分析研究电机故障诊断算法及其工程应用的特点,再通过研究卷积神经网络方法在电机状态检测领域的适用性问题及学习性能的评价问题,利用卷积神经网络较强的模式识别能力,建立软件,用集成模型来描述故障类别,从而实现电机状态监测与故障诊断。本文以多传感器数据为基础,分别以多重分形去趋势波动分析方法和卷积神经网络方法实现电机的故障诊断,并根据算法设计出电机状态监测的软件,具体内容如下:1.分析电机故障发生的原因。文章诊断故障类型分为三类:电机轴承故障、电机匝间短路故障和电机转子断条故障,通过分析上述三类故障发生机理,为电机故障诊断所需数据的类型提供建议,最终确定依靠振动信号作为诊断数据。为了获取更高精度和高效率的故障诊断结果,本文采用多传感器振动信号数据作为诊断数据。2.多传感器数据下基于多重分形去趋势波动分析的电机故障诊断算法研究。研究多传感器数据下基于传统故障诊断方法在电机故障诊断问题上的精度提升效果。介绍多重分形去趋势波动分析、马氏距离判别法、支持向量机。分析多传感器数据的使用原因和使用方法。利用多重分形去趋势波动分析方法提取多传感器的振动数据的特征,分别利用马氏距离判别法和支持向量机作为分类器,获得电机故障分类结果,并形成方法对比。3.多传感数据下基于卷积神经网络的电机故障诊断方法研究。使用卷积神经网络对电机多传感器的振动数据进行处理。不同于多重分形等传统方法将分别提取每组传感器数据特征再合而为一,本文利用卷积层的性质将多组传感器数据卷积至一维信号,实现高效的数据融合,完成高精度的电机故障诊断。4.多传感数据下电机状态监测与故障诊断软件设计。根据文章所使用的算法,设计出基于多传感器的电机状态监测与故障诊断软件。利用C#建立可视化客户端。利用Pyhon实现算法和脚本工具,完成数据采集、数据库管理、数据交互和处理,完成电机的故障诊断,从而实现电机健康状态监测。