摘要：电机作为各类电驱设备的主要动力装置，具有结构简单、控制方便、能效高、无污染等优点。在电机运行过程中，受载荷多变、零部件老化、散热条件差等影响，故障频发，进而降低电驱装置的工作效率和稳定性。此外，电机故障种类繁多，各故障的征兆与表现又极其相似，不同故障产生的原因也错综复杂，这极大地提高了电机故障诊断的难度。传统的电机故障诊断过程中多是基于单一传感器信号，存在不确定性大、诊断精度差等问题，为克服上述缺点，提出一种基于多传感器参数融合的电机故障诊断方法，基于振动加速度计和电流传感器信号，结合BP神经网络算法和D-S证据理论对电机故障进行准确辨识，提高电机故障诊断的准确性。简要介绍了多传感器数据融合技术的结构框架，在分析异步电机典型故障机理的基础上，对基于BP神经网络学习算法和D-S证据理论的多传感器数据融合电机故障诊断系统进行详细分析，并通过实例对所提出故障诊断方法的有效性进行验证。研究结果表明，采用所提出的多数据融合电机故障诊断方法可以高置信度地诊断出电机的故障类型。

      关键词：电机故障诊断；数据融合；神经网络；证据理论

      中图分类号：TM28     文献标识码：A