当今社会,电机设备在工业制造中有着较高的地位,它的出现以及发展,给工业带来了巨大的利益,除此之外,它在我们的日常生活中也起到了举足轻重的作用。任何一个工业部门和家庭都需要各种各样的电机,它作为当今世界上使用最普遍、数量最多的供电设备和动力机械,在大部分领域都有所涉及。由于电机在国内外工业中的广泛应用,因此设备故障问题以及故障带来的各种巨大损失都值得我们重点关注。针对设备故障以及提高工业生产效率等问题,需要时刻掌握电机的运行状态,进行实时监测,实现精确的电机故障诊断。本文以电机作为研究对象,提出利用无线传感器网络节点(Wireless Sensor Network,WSN)实时在线采集电机的振动信号,并结合时频分析技术、图像增强技术和卷积神经网络(Convolutional Neural Network,CNN)进行电机故障分类。就传统方法来说,通常利用传感器首先将振动、声音、电压、电流和温度信号转换成电信号。然后,数据采集系统(Data Acquisition System,DAS)获取和量化这些模拟信号,获得数字信号,服务器通过分布式DAS收集数据。最后,对数据运用了特定的算法处理,通过一系列分析得出相应的维护决策。然而随着物联网技术的发展为传感器的安装、更换和联网提供了方便,专家学者们对人工智能技术展开了深入的探索和研究,将深度学习等技术应用到实际的工业中,促进了电机故障诊断技术的进步与创新。WSN通常是由多种传感器搭建而成的网络,是一种常用的重要监测设备,这种技术也称为物联网。WSN通常由电池供电,经常被应用在机械设备的状态监测中。为了延长电池的使用寿命,采集信号和发射信号的长度要短,采样分辨率要低,这样就会影响诊断结果的精确性。针对这一问题,本文提出了一种利用从电池供电的WSN获取的低品质振动信号进行电机故障诊断的增强特征提取方法。首先利用小波同步压缩变换(Wavelet Synchrosqueezed Transform,WSST)技术将振动信号转换成图像。其次,运用直方图均衡化(Histogram Equalization,HE)技术对图片进行处理,有效的对图片进行了增强。最后将增强后的图像当作CNN模型的输入即可,利用训练良好的CNN模型实现对电机故障的识别。在不同电机故障类型的无刷直流电机试验台上验证了该方法的有效性,并研究和讨论了图像分辨率、数据长度、传输时间和消耗能量之间的关系,总结了故障诊断精度与无线传感器网络性能之间的关系。通过与几种传统方法在无刷直流电机实验台上的性能对比,证明了在振动信号品质较低以及长度有限时,本文提出的方法的综合性能仍然较好。综上所述,与传统方法相比本文提出的CNN方法适用于远程电机故障诊断,尤其是当电机信号由有限电源的WSN采集和传输时。所提出的方法展示了利用有限电池容量WSN获得的低品质振动信号进行远程电机故障诊断的应用前景。该方法在风力发电场、海上平台等偏远地区的电机状态监测和故障诊断中具有潜在的应用价值。