电机作为各种机械设备的核心部件,已经广泛应用于国民生产生活的各个领域,由于电机的故障引起的事故时有发生,造成了严重的经济损失以及人员伤亡,而滚动轴承故障是最常见的电机故障之一,因此,研究电机轴承的故障诊断技术具有重要的现实意义。由于电机轴承自身承受冲击的能力较差,而且运行环境恶劣,故障机理复杂多样,传统基于单传感器的故障诊断系统往往不能获得轴承故障的完整信息,诊断过程中具有较大的不确定性,甚至会出现误诊。针对上述问题,本文提出采用多源信息融合技术进行电机轴承的故障诊断,采用决策层融合的结构,对数据层、特征层和决策层的算法进行了研究分析,并通过实例仿真分析进行了验证。数据层针对经验模态分解（EMD）算法中存在的模态混叠的缺陷,提出采用集合经验模态分解（EEMD）算法,通过仿真,验证EEMD算法可以有效抑制模态混叠,最后以EEMD算法为基础,完成了电机轴承故障特征的提取以及特征向量的构造。在特征层,基于单个传感器采集的信息,分别使用RBF神经网络和概率神经网络（PNN）进行电机轴承故障诊断,经过对比分析,验证了 PNN轴承故障诊断系统在实时性、故障诊断精度以及追加样本能力等方面的优越性。决策层融合算法采用D-S证据理论,针对D-S合成规则无法处理高冲突证据的问题,在已有改进算法的基础上,基于修正证据源的思想,提出了一种新的基于证据源修正的改进算法,该算法以两个证据间的余弦相似度为标准确定每个证据的权重,然后对每个证据加权修正,最后用D-S合成规则进行合成,通过对经典算例的对比分析,发现该方法能够正确合成高度冲突证据,而且收敛速度更快,在同一个决策规则的前提下,能够得出更好、更合理的决策。以决策层融合结构为基础,构建了基于多源信息融合的电机轴承故障诊断系统,针对凯斯西储大学电机数据中心的轴承故障标准数据集进行了仿真分析。数据层以EEMD算法为基础构造故障特征向量;在特征层提出使用3个并行的PNN对故障模式进行分类;在决策层提出通过改进D-S证据理论直接对PNN求和层输出归一化后得到的概率估计值进行融合决策,避免了证据理论中存在的确定基本概率分配函数难的问题。仿真结果表明,该系统可以实现对轴承故障快速且精确的识别。