,,

(1.安徽大学电子信息工程学院，安徽 合肥 230601；2.安徽大学高节能电机及控制技术国家地方联合工程实验室，安徽 合肥 230601)

0 引言

无刷直流电机具有高转速、低噪声和容易控制等优点，被广泛应用于工业自动化领域中[1]。长时间的运行和恶劣的工作环境可能会导致电机发生多种机械和电气故障，如轴承故障、转子故障、定子故障和传感器故障等。因此，电机的状态监测和故障诊断对于保障电机的正常运转、减少停机时间、避免生产事故具有十分重要的意义。

传统的电机故障诊断通常包含信号采集、信号处理和模式识别3个阶段[2]。在信号采集阶段，可用于诊断电机故障的信号包括电流、振动、噪声和声发射等。在信号处理阶段，多种信号处理方法，如小波变换、希尔伯特变换和随机共振等可用于提取电机时域、频域或者时频域中的故障特征信息[3]。在模式识别阶段，神经网络、支持向量机和决策树等分类器，可以将电机的健康或者故障模式聚类区分从而实现诊断[4]。

除以上传统的故障诊断技术之外，深度学习是近年来发展快速的一种人工智能的技术。由于其突出的优势，深度学习被广泛应用于语音识别、机器翻译和计算机视觉等多个领域。

在此基础上，提出一种结合连续小波变换(CWT)和基于卷积神经网络(CNN)的深度学习方法，用于无刷直流电机多种机械和电气故障的检测和分类。

1 方法描述

利用安装在无刷直流电机基座上的加速度传感器采集的振动信号，实现电机故障诊断。……