基于决策级信息融合的电力推进系统电动机故障诊断

项目概述

永磁同步电动机（PMSM）是电推进系统的核心部件，健康状态关系系统安全运行。其故障会引发多物理量变化，依靠单一的信号源难以实现准确故障诊断。针对这一问题，提出一种基于卷积神经网络与门控循环单元（CNN-GRU）和改进Dempster-Shafer（D-S）证据论证结合的决策级多通道信息融合故障诊断方法。采用解析法和有限元仿真对永磁同步电机局部退磁和转子偏心故障振动、电流频域特征进行定量分析，增加诊断结果的可解释性。基于Pignistic概率距离和加权邓熵改进D-S证据理论，建立了CNN-GRU与改进D-S证据理论结合的决策级融合诊断模型。最后，搭建了电机故障模拟实验器，利用实验数据对模型进行验证。结果表明：相比于单通道诊断结果，多通道故障诊断更具优势。融合4通道情况下，基于多源数据的决策级故障诊断，3种工况条件下的诊断准确率分别达到了100%、100%和99.3%。所提方法能够精确识别永磁同步电机故障类型，为电推进系统故障诊断提供了参考，具有一定的工程应用价值。