电机作为当代主要动力输出设备,广泛应用于工农业、航空航天、医疗和军事等领域。随着科技的振兴和发展,电力设备逐渐趋于大型化、复杂化和智能化,其中,驱动系统作为电机系统的关键部分,一旦发生故障,就会对整个设备的安全平稳运行造成影响,甚至会造成巨大的经济损失、环境破坏和人员伤员等社会问题。为提高电机驱动系统故障诊断准确率,本文利用引力搜索算法(Gravitational search algorithm,GSA)对两个分类器,支持向量机(Support Vector Machine,SVM)和BP神经网络(Back Propagation Neural Network,BPNN),进行参数优化处理。在此基础上,将GSA与粒子群算法(Partical Swarm Optimization,PSO)结合来解决GSA易陷入局部最优的问题,同时引入混沌映射和自适应衰减因子来平衡GSA的全局探索能力和局部开发能力。最后,为了进一步提高诊断精度,综合SVM和BPNN的性能优势,用D-S(Dempster-Shafer)证据理论将这两种分类器的预诊断结果在决策级进行融合,从而得出最终的诊断结果。论文的主要内容如下:1、介绍了故障诊断、基于人工智能的故障诊断以及基于信息融合的故障诊断的研究现状,简要阐述交流电机的故障类型,如定子故障、转子故障、偏心故障和逆变器故障,并对其形成机理进行了分析。2、针对分类器参数选取会直接影响分类准确率的问题,采用GSA对SVM和BPNN的部分参数进行优化处理,用仿真和实验验证了该诊断方法的有效性。3、引入粒子群算法(PSO)来解决GSA易陷入局部最优的问题,将其与GSA相融合,优势互补,并用混合算法GSAPSO分别优化SVM和BPNN。为了平衡GSA的全局探索能力和局部开发能力,引入混沌映射和引力系数衰减因子对GSA进行改进,最后使用混沌自适应GSAPSO-SVM和混沌自适应GSAPSO-BPNN来对电机驱动系统进行故障的分类诊断。4、介绍了信息融合的类型,并针对单一分类器受自身性能限制而无法对样本数据进行全面分析的问题,用D-S证据理论将多个分类器的预诊断结果进行决策级融合,进而实现电机驱动系统故障诊断。