随着船舶智能规范的提出和船舶航运业碳排放问题的日益严重，船舶正在逐渐向智能化和大型化转变。电机作为重要的动力设备在船舶上得到广泛的应用，电机的结构和功能越来越复杂化，一旦电机发生故障将会影响船舶的安全航行，因此对船舶电机故障进行准确预测和诊断十分重要。传统的故障诊断方法主要依赖于阈值报警和专家经验决策，有时会由于专家经验欠缺导致准确性不高。随着船舶智能规范对于电机设备维护的要求不断提高，传统的故障诊断方法已经不能满足船舶行业发展的需要，近年来随着计算机技术的发展，基于人工智能方法的故障诊断方法因其强大的数据挖掘能力而得到广泛的使用。 本文以Marathon_D369A型三相异步电动机为研究对象，以电机电流和振动信号为基础，对电机故障运行时的信号特征提取方法和电机故障种类的识别方法进行研究。本文的主要研究内容如下： （1）对于三相异步电机的内部结构和工作原理进行分析，建立电机在abc三相静止坐标系下的磁链方程、电压方程、转矩方程、运动方程。对于三相异步电机转子偏心、匝间短路、转子断条、电压不平衡、缺相5种故障模式进行机理分析。介绍了卷积神经网络（CNN）模型的几种经典网络层和优化算法。通过实验台架完成了故障电机实验数据的采集和预处理。 （2）通过数据驱动的方法挖掘电流参数隐含的故障信息，采用短时傅里叶变换、循环谱分析、快速谱峭度三种特征提取方法分别对电机电流信号中的时域特征、循环平稳性特征和谱峭度特征进行特征提取并分别生成二维特征图像，采用卷积神经网络模型（CNN）对图像故障特征进行识别从而实现对电机的几种常见故障类型进行故障诊断。通过对比分析表明采用基于快速谱峭度的特征提取方法可以达到较高的诊断精度且神经网络的收敛速度较快。 （3）针对传统的卷积神经网络模型收敛速度慢，电机故障诊断实时性和准确性差的问题，通过引入卷积注意力模块（CBAM）对残差神经网络（ResNet）在通道维度和空间维度的故障特征识别能力进行优化，搭建一种CBAM-ResNet神经网络模型。进行了模型对比实验、变工况对比实验、不同样本量对比实验和泛化性实验，结果表明该模型相较于传统卷积神经网络具有更高的收敛速度和准确度且泛化性较好，此外通过不同样本量对比实验发现该方法在故障数据出现缺失时模型精度和实时性会受到影响。 （4）针对故障样本缺失时基于单一信号的故障诊断方法诊断精度低的问题，提出了基于特征图像的信息融合方法和基于多通道神经网络的信息融合方法，分别通过图像预处理和搭建MC-CBAM-ResNet双通道神经网络的方式，对电机的电流和振动信号进行特征层融合并输出诊断结果，实验表明信息融合的方法可以有效改善样本缺失导致的问题。

[1]曾德芳. 基于LEAP模型的长江航运能源消耗及碳排放趋势研究[D]. 重庆: 重庆交通大学, 2021.

[2]赖永发. 船舶电力推进系统故障诊断方法研究[D]. 武汉: 武汉理工大学, 2020.

[3]李宁博. 基于卷积神经网络的船舶电机轴承异常检测研究[D]. 大连: 大连海事大学, 2021.

[4]中国船级社. 智能船舶规范[S]. 北京: 中国船级社, 2020-03-01.

[5]张猛. 基于多维度特征融合和GBDT增强分类的列车制动系统故障诊断[D]. 北京: 北京交通大学, 2018.

[6]刘军. 船舶岸电故障诊断系统的研究与应用[D]. 南京: 南京邮电大学, 2021.

[7]Guo Y, Wang J, Chen H, et al. An expert rule-based fault diagnosis strategy for variable refrigerant flow air conditioning systems[J]. Applied Thermal Engineering, 2019, 149: 1223-1235.

[8]袁伟. 基于数据的电机故障诊断方法研究[D]. 沈阳: 东北大学, 2019.

[9]贺珂珂. 基于深度学习理论的电机故障诊断方法研究[D]. 兰州: 兰州理工大学, 2019.

[10]Gawde S, Patil S, Kumar S, et al. Multi-fault diagnosis of industrial rotating machines using data-driven approach: A review of two decades of research[J]. Engineering Applications of Artificial Intelligence, 2023, 123: 106139.

[11]黄迅迪, 庞雄文. 基于深度学习的智能设备故障诊断研究综述[J]. 计算机科学, 2023, 50(05): 93-102.

[12]梁纯, 仇文宁. 人工智能技术在船舶电力系统故障诊断中的应用[J]. 舰船科学技术, 2018, 40(16): 52-54.

[13]高旭. 基于多标签分类器的含未知类型电能质量复合扰动识别[D]. 吉林: 东北电力大学, 2022.

[14]吴泽训. 基于卷积神经网络的滚动轴承剩余寿命预测研究[D]. 广州: 广东工业大学, 2022.

[15]赵洁. 基于多传感器信息融合的轨道缺陷在线检测方法的研究[D]. 成都: 西南交通大学, 2015.

[16]Li G, Hu J, Shan D, et al. A CNN model based on innovative expansion operation improving the fault diagnosis accuracy of drilling pump fluid end[J]. Mechanical Systems and Signal Processing, 2023, 187: 109974.

[17]杨少华. 时域自相似振动信号特征提取及其在机械设备异常检测中的应用研究[D]. 济南: 山东大学, 2020.

[18]王加昌, 唐雷, 王媛美, 等. 基于机器学习的故障诊断方法研究[J]. 科技视界, 2021, 11(17): 94-97.

[19]红色石头. 深度学习入门[M]. 北京: 清华大学出版社, 2020.

[20]陈伟. 基于深度迁移学习的异步电机故障诊断方法研究[D]. 徐州: 中国矿业大学, 2022.

[21]宫文峰, 陈辉, 张泽辉, 等. 基于改进卷积神经网络的滚动轴承智能故障诊断研究[J]. 振动工程学报, 2020, 33(2): 400-413.

[22]Kumar R S, Raj I G C, Alhamrouni I, et al. A combined HT and ANN based early broken bar fault diagnosis approach for IFOC fed induction motor drive[J]. Alexandria Engineering Journal, 2023, 66: 15-30.

[23]Zhang D, Ning Z Q, Yang B, et al. Fault diagnosis of permanent magnet motor based on DCGAN-RCCNN[J]. Energy Reports, 2022, 8: 616-626.

[24]Zhang K, Li H, Cao S, et al. Motor current signal analysis using hypergraph neural networks for fault diagnosis of electromechanical system[J]. Measurement, 2022, 201: 111697.

[25]陈轲, 黄民, 李一鸣. 基于CNN-LSTM和注意力机制的轴承故障诊断方法[J]. 北京信息科技大学学报(自然科学版), 2022, 37(06): 26-31.

[26]邱吉尔, 陶洪峰, 程龙, 等. 基于自注意力机制辅助分类生成对抗网络的轴承故障诊断[J].信息与控制, 2022, 51(06): 753-762.

[27]康涛, 段蓉凯, 杨磊, 等. 融合多注意力机制的卷积神经网络轴承故障诊断方法[J].西安交通大学学报, 2022, 56(12): 68-77.

[28]秦琴. 基于信息融合技术的设备故障预测研究[D]. 绵阳: 西南科技大学, 2022.

[29]Sun D, Li Y, Jia S, et al. Non-contact diagnosis for gearbox based on the fusion of multi-sensor heterogeneous data[J]. Information Fusion, 2023, 94: 112-125.

[30]Che C, Wang H, Ni X, et al. Hybrid multimodal fusion with deep learning for rolling bearing fault diagnosis[J]. Measurement, 2021, 173: 108655.

[31]荣经国, 郑玲. 多源信息融合技术在变压器故障诊断中的应用[J]. 电力科学与工程, 2013, 29(11): 21-26.

[32]许瑞振. 基于信息融合的无人机飞行控制系统故障诊断技术研究[D]. 南京: 南京航空航天大学, 2021.

[33]Kheirandish M, Yazdi E A, Mohammadi H, et al. A fault-tolerant sensor fusion in mobile robots using multiple model Kalman filters[J]. Robotics and Autonomous Systems, 2023, 161: 104343.

[34]加力康. 基于多源融合技术的转子系统载荷识别研究[D]. 太原: 太原理工大学, 2016.

[35]Tao L, Sun L, Wu Y, et al. Multi-signal fusion diagnosis of gearbox based on minimum Bayesian risk reclassification and adaptive weighting[J]. Measurement, 2022, 187: 110358.

[36]李凤娟. 基于深度学习和多源信息融合的滚动轴承故障诊断方法研究[D]. 株洲: 湖南工业大学, 2021.

[37]李钊阳. 基于多参数融合的齿轮箱磨损故障监测及其智能诊断方法研究[D]. 北京: 北京化工大学, 2022.

[38]丁紫薇. 基于机器学习的复杂装备故障诊断研究[D]. 西安: 西安工业大学, 2022.

[39]马速良, 武建文, 袁洋, 等. 多振动信息下的高压断路器机械故障随机森林融合诊断方法[J]. 电工技术学报, 2020, 35(s2): 421-431.

[40]Meng L, Su Y, Kong X, et al. Intelligent fault diagnosis of gearbox based on differential continuous wavelet transform-parallel multi-block fusion residual network[J]. Measurement, 2023, 206: 112318.

[41]孙文卿. 基于多源信息融合的风电滚动轴承故障诊断研究[D]. 南京: 东南大学, 2020.

[42]Yu Y, Li J, Li J, et al. Automated damage diagnosis of concrete jack arch beam using optimized deep stacked autoencoders and multi-sensor fusion[J]. Developments in the Built Environment, 2023, 14: 100128.

[43]张燕飞, 李赟豪, 王东峰, 等. 基于多源信息融合的滚动轴承故障监测方法[J].轴承, 2022(12): 59-65.

[44]Jiang G, Jia C, Nie S, et al. Multiview enhanced fault diagnosis for wind turbine gearbox bearings with fusion of vibration and current signals[J]. Measurement, 2022, 196: 111159.

[45]Bai R, Meng Z, Xu Q, et al. Fractional Fourier and time domain recurrence plot fusion combining convolutional neural network for bearing fault diagnosis under variable working conditions[J]. Reliability Engineering & System Safety, 2022: 109076.

[46]Li X, Wan S, Liu S, et al. Bearing fault diagnosis method based on attention mechanism and multilayer fusion network[J]. ISA transactions, 2022, 128: 550-564.

[47]张垚. 基于信息融合的永磁同步电机失磁故障诊断方法研究[D]. 镇江: 江苏大学, 2021.

[48]张龙, 胡燕青, 赵丽娟, 等. 多通道信息融合与深度迁移学习的旋转机械故障诊断[J/OL]. 中国机械工程, [2022-11-20]. http://kns.cnki.net/kcms/detail/42.1294.TH.20221118.1348.002.html

[49]王志福. 电动汽车电驱理论与设计[M]. 北京: 机械工业出版社, 2018.

[50]汤蕴璆. 电机学[M]. 北京: 机械工业出版社, 2020.

[51]高景德. 交流电机机器系统的分析[M]. 北京: 清华大学出版社, 2005.

[52]Thomson W T, Barbour A. On-line current monitoring and application of a finite element method to predict the level of static airgap eccentricity in three-phase induction motors[J]. IEEE Transactions on Energy Conversion, 1998, 13(4): 347-357.

[53]常悦, 徐正国. 基于振动信号分析的感应电机气隙偏心故障诊断[J]. 上海应用技术学院学报: 自然科学版, 2015, 15(2): 135-138.

[54]王旭红. 异步电机定子绕组匝间故障诊断方法研究[D]. 长沙: 湖南大学, 2012.

[55]彭振宇. 鼠笼式异步电机的转子断条故障诊断与联合仿真建模[D]. 武汉: 武汉科技大学, 2017.

[56]孙志鹏, 陶顺. 基于电流相位估计的三相不平衡条件下配变损耗计算[J]. 电力工程技术, 2020, 39(03): 114-119.

[57]中华人民共和国国家直流监督检验检疫总局. 船舶电气设备 定义和一般规定: GB/T 6994-2006, [S]. 北京: 中国标准出版社, 2006-03-06.

[58]郑晓钦. 多相感应电机缺相运行研究[D]. 武汉: 华中科技大学, 2017.

[59]Ruan D, Wang J, Yan J, et al. CNN parameter design based on fault signal analysis and its application in bearing fault diagnosis[J]. Advanced Engineering Informatics, 2023, 55: 101877.

[60]Wang L, Ye W, Zhu Y, et al. Optimal parameters selection of back propagation algorithm in the feedforward neural network[J]. Engineering Analysis with Boundary Elements, 2023, 151: 575-596.

[61]Ioffe S, Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift [C]//International conference on machine learning. pmlr, 2015: 448-456.

[62]Kingma D P, Ba J. Adam: A method for stochastic optimization[J]. arXiv preprint arXiv:1412.6980, 2014.

[63]Lessmeier C, Kimotho J K, Zimmer D, et al. Condition monitoring of bearing damage in electromechanical drive systems by using motor current signals of electric motors: A benchmark data set for data-driven classification [C]//PHM Society European Conference. 2016, 3(1).

[64]曹洁梅. 基于短时傅里叶变换的岩石声波信号分析方法研究[J]. 路基工程, 2018 (6): 27-30.

[65]周宇. 基于循环平稳信号二维平面表示的滚动轴承早期故障诊断方法研究[D]. 上海: 上海交通大学, 2012.

[66]Dwyer R. Detection of non-Gaussian signals by frequency domain kurtosis estimation [C]//ICASSP'83. IEEE International Conference on Acoustics, Speech, and Signal Processing. IEEE, 1983, 8: 607-610.

[67]田晶, 王英杰, 刘丽丽, 等. 基于Birge-Massart阈值降噪与EEMD及谱峭度的滚动轴承故障特征提取[J]. 航空动力学报, 2019, 34(6): 1399-1408.

[68]Antoni J. Fast computation of the kurtogram for the detection of transient faults[J]. Mechanical Systems and Signal Processing, 2007, 21(1): 108-124.

[69]朱张莉, 饶元, 吴渊, 等. 注意力机制在深度学习中的研究进展[J]. 中文信息学报, 2019, 33(6): 1-11.

[70]Mnih V, Heess N, Graves A. Recurrent models of visual attention[J]. Advances in neural information processing systems, 2014, 2: 2204-2212.

[71]Jaderberg M, Simonyan K, Zisserman A. Spatial transformer networks[J]. Advances in neural information processing systems, 2015, 2: 2017-2025.

[72]Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[J]. Advances in neural information processing systems, 2017, 30: 6000-6010.

[73]Woo S, Park J, Lee J Y, et al. Cbam: Convolutional block attention module[C]//Proceedings of the European conference on computer vision (ECCV). 2018: 3-19.

[74]Pan T, Wang Z, Fan Y. Optimized convolutional pose machine for 2D hand pose estimation[J]. Journal of Visual Communication and Image Representation. 2022, 83: 103461.

[75]He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 770-778.

[76]Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition [J]. arXiv preprint arXiv:1409.1556, 2014.

[77]付忠广, 王诗云, 高玉才, 等. 双通道输入LetNet-5卷积神经网络旋转机械故障诊断模型研究[J]. 热力发电. 2023, 52(03): 81-87.