摘要: 深度学习网络体系可以利用多个隐藏层从大量输入的数据中自动学习层次表示，已经成为了当今非常具有前景的故障诊断手段。本文利用卷积神经网络(CNN)强大的图像特征学习能力，提出了一种基于深度学习的多信号故障诊断方法。所提出的深度学习模型能够同时从多种传感器信号中进行学习，从而提高诊断模型的鲁棒性，最终实现电机故障诊断的准确识别。首先，通过小波变换将采集到的传感器信号转换为视频分布图(TFD)；然后利用深度卷积神经网络从TFD图像中学习判别表达式。在此之后的全连接层中给出了基于学习特征的感应电机状态预测。为了验证所设计的网络模型的有效性，在各个数据集上进行了对比实验，分析了振动信号和电流信号、以及融合诊断分别对于故障诊断的准确性。实验结果表明了该方法的有效性，能够自动学习和选择适合的特征，有助于准确的故障诊断，较单信号相比具有更准确和稳定的性能，并在一定程度上克服了过拟合的问题。