电机状态识别系统多分类器融合分以下两步进行：首先，每个分类器分配一个单一信号源；然后将已知的决策向量导入到多代理融合模型中以生成融合的决策。本文中提出的系统主要有以下三个明显特征：决策层的不同传感器数据融合；基于相关度的分类器选择和基于多代理的分类器融合算法。所示为算法流程图。
（1）传感器数据融合。对于电动机、发电机的故障诊断而言定子电流信号分析和振动分析是同等重要的，而且两种信号可以互补。因此，这两种传感器数据的融合可以为多分类器系统提供更精确的信息。因同一分类器分类对不同数据集输出会改变。
所以在本研究中，将两个由同一分类器分别分类的数据视为由两个不同分类器分类的同一数据集。这样，6个分类器，2类数据集可以视为62个分类器分类1类数据，使分类器的数目增加一倍。
（2）分类器选择。对于电机信号，不同分类器进行的分类决策是有一定相关性的<4>.利用相关度方法对分类器进行选择，得到包含振动信息和电流信息的最优分类器序列。
（3）决策融合。经过分类器选择后，应用包含多代理分类器融合算法进行计算电机模式识别。本文用六个分类器对得到的振动和电流信号进行分类：支持向量机分类器（SVM）<5>、线性判别分析（LDA）、K近邻分类器（K-NN）<6>、改进的迭代算法（IIS）、高斯混合模型（GMM）<7>、学习矢量量化分类器（LVQ）<8>.
实验及结果实验设计与测试为了验证提出系统在电机状态模式识别方面的有效性，设计的了电机故障模拟试验台，主要包括：电动机，皮带传动，输出轴和叶面倾角可调的风扇。通过调节风扇叶片倾角或叶片数量控制电机载荷，可实现多工况模拟。
试验设备及传感器分布实验样本数据由7个05kW，60Hz感应电机提供。电机工作在满载情况。其中一个电机是正常工作，用以同故障电机做比较。其余的电机故障分别为：转子不平衡、转子断条、定子故障（三相电流模拟）、故障（外圈）、转子弯曲和转子偏心。描述了电机故障情况。
电机故障电机故障描述故障名称故障描述备注转子断条12断条共计34根导条轴弯曲弯曲挠度：0.075mm气隙：0.25mm轴承故障外滚道缺陷型号：6203转子不平衡在转子上添加不平衡质量8.4g转子偏心平行及角度偏心以轴承座为基准调节相位不平衡在其中一个相位上附加电阻8.4%用三个AC电流互感器和三个加速度计测量三相电流和水平、垂直及轴向的振动。采样频率为3kHz，采样点数为16384，测量时间为2133s.每种情况采集40个样本，其中20个样本用作分类器的训练参数，10个样本用作多代理融合模型的训练参数，10个样本用作测试。
特征计算及分类对于模式识别系统，采集得到的数据不能被直接输入，需要进行特征计算。为了尽可能提取电机状态信息，从时域、频域和回归系数三方面进行计算。采用了三个振动方向和三个电流相位上的21个特征值（时域的10个特征值，频域的3个特征值和回归评估的8个特征值）<9>.
将计算后的特征作为六种分类器的输入，分类器的参数设置和识别率（样本正确分类数与总样本数的比值）。可以看出振动信号比电流信号能更好的表现电机状态。统计所有六种分类器结果，最好的识别率出现在用SVM和k-NN分类器处理振动信号，其识别率为867%；对于电流信号，SVM获得最高识别率，其值为678%.其次是LDA和IIS，GMM和LVQ分类器不适于振动信号和电流信号。在实验中，没有回避使用不好的分类器，因为可用的分类器经常是事先指定而对不同测试的信号结果是未知的。另外，识别率最低的分类器在融合过程中不会影响结果，这一点在后面的结果可以证明。
QQ交流群
