基于神经网络异步电动机故障诊断
基于神经网络的电机转子断条故障诊断.
基于神经网络的电机转子断条故障诊断1 前言电机是工农业生产中的主要传动机械。
随着现代科学技术的进步和生产的发展,电机的容量不断增大,所组成的系统的规模越来越大,构成也越来越复杂。
但由于工作环境复杂,或者电机频繁起动等原因,电机转子断条等故障时有发生,对其可靠性要求也越来越高。
传统的电机故障诊断方法,需要建立精确的数学模型、有效的状态估计或参数估计、适当的统计决策方法等。
这些前提条件使得传统的电机故障诊断具有相当的局限性。
针对传统检测方法的以上缺陷,有必要对电机转子工作情况进行更先进及时监测,以防造成重大损失。
异步电动机故障检测是通过应用先进的技术手段,在线监测异步电动机相关运行参数(如电压、电流、磁通、转速、温度、振动、局部放电等),判断其是否处于正常状态,以确定合理检修方案,从而达到避免事故停机、提高设备运行可靠性、降低维修费用的目的。
2 电机转子断条故障转子断条故障是指异步电动机转子导条断裂(端环开裂)故障。
异步电动机在运行过程中,转子导条受到径向点磁力、旋转点磁力、离心力、热弯曲挠度力等交变应力的作用,加之转子制造缺陷,导致断条故障。
在冷却效果较差时,起动电流产生的热应力和机械应力较大。
当在重载和频繁起动情况下,笼条与端环焊接处是经常发生断裂的部位。
一般过程如下:(1)在即将断裂的部位经常出现过热,很高的热应力或机械应力。
(2)达到疲劳极限时笼条断裂,并产生电弧。
(3)在继续起动时,相邻的笼条通过更大的电流,并承受更大的机械和热应力。
(4)造成更多笼条断裂,故障范围扩大;产生较大的单边磁拉力,使电机产生振动、噪声;定子电流摆动和温升增加,转速波动。
3 神经网络技术在电机转子断条故障诊断的应用人工神经元的信息处理分三个部分,首先完成输入信号与神经元联接强度内运算,然后再将其结果通过激活函数(如Sigmond函数),再经过阀值函数判决,如果输出值大于阀值,则该神经元被激活否则处于抑制状态。
神经元按一定模式连接成网络型,神经元之间的连接权值的大小反应信号传递的强弱。
基于模糊神经网络的异步电动机故障诊断研究
【－ Ｉ ３５
一
ＢＰ 算法
故 障诊断
异步
１ 模糊神经网络及其算法１ Ｓ ６ｌ －
作为主要 的动力设备而得到广泛应用。 异步 电动
模糊神经 网络 的基 本单元是模糊神经元 ，
其模 型如 图ｌ 图 中下标 ｉ ， 代表 模糊 神经 网络 中
的第ｉ 糊神经元 。 模 模糊神经元接收 的输入信 号
ｌ ， 均 为以隶属度 表示的模 糊量 ， 即 ， … ２ 亦 ｘ∈【， １Ｊ ｊ ｌ ｎ 模 糊神经元按照适 当的模 ｊ ０ ｌ ∈（ — ） 、 ＝
机的运行状况直接影响工业生产的正常进行， 一
旦发生故障， 带来较大的经济损失 ， 将 因此异步
电动机的故障 诊断越来越受 重视 。 异步 电动机
糊算子反 对输入数据进行处理 ， 并产生一个模糊
输 出量 ， ｉ ０ ｌ。 即ｙ∈【，】
的故障类型很多， 有电气及机械故障 、 线性及非 线性系统故障 ， 突变及缓 变故障等。 而传统的故
关键词 ： 糊神经 网络 模
电机
Ａｂｓｒ ｅ ： ｓ ｄ ｏ ｅ ｓｕ ｙ ｓａｅａ ｏ ｎ ｂ ｏ ｄ ｔ ａ ｔ Ｂａ ｅ ｎ ｔ ｔ ｄ ｔ ｔ ｔ ｍｅａ ｄａ ｒ ａ ， ｈ ｈ ａ ｆ ｕ ｔｄ ａ ｎ ｓ ｓｏ ｕ ｚ ｅ ｒ ｌ ｅ ｗｏ ｋ ｗａ ｒ ｐ ｓ ｄ ａ ｌ ｉ ｇ ｏ ｉ ｆｆ ｚ ｙ ｎ ｕ ａ ｔ ｒ ｓｐ ｏ ｏ ｅ ． ｎ Ｔｈｒ ｕｇ ｓ ｎ ｍ ｐ ｏ ｅ ｌ ｏ ｉｈ ， ｏ ｈ ｕ ｉ ｇ ｉ ｒ ｖ ｄ ＢＰ ａ ｇ ｒ ｔ ｍ Ｔｈｉ ｅ ｈ ｓ ｍ ｔ ｏｄ ｒ ｉｅ ｈ ｔ ｄ ｐ ｅ ， ｎ ｔｅ ｇ ｈ ｎ ｄ ｔ ｅ ｓ ａ ｉ ｔ ｔ ａ ｓ ｄ ｔ ｅ ｓｕ ｙ ｓ ｅ ｄ ａ ｄ ｓｒ ｎ ｔ ｅ ｅ ｈ ｔ ｂ ｌ ｙ Ａ ｉ ｈ ａ ｉ ， ｈ ｒ ｃ ｉ ｌｅ ａ ｌ ｓｐ ｅ ｅ ｔ ｄ ｔ ｓ ｔ ｅ ｓ ｍｅ ｔ ｅ ｔ ｅ ｐ ａ ｌ ａ ｘ ｍｐ ｅ ｗａ ｒ ｓ ｎ ｅ ｏ ｕ ｅ ｍ ｃ ｔ ｉ ｉ ｇ ｏ ｔ ｄ ｌｄ ａ ｎ ｓ ｄ ｔ ｅ ｆ ｕ ｔｏ ｓ ｎ ｈ ｏ ｏ ｓ ｈ ｓ ｄ ａ ｎ ｓｉ ｍｏ ｅ ｉｇ ｏ ｅ ａ ｌ ｆａ ｙ ｃ ｒ ｎ ｕ ｃ ｈ ｍ ｏ ｏ ａ ｅ ｎｔ ｅｃ ａ ａ ｔｒｓ ｉ ｏ ． ｅ ｓｍｕ ａ ｉｎ ｒ ｓ ｌ ｔ ｒ ｓ ｄｏ ｈ ｒ ｃｅ ｉｔ ｆ ｔ Ｔｈ ｉ ｌ ｔ ｕ ｔ ｂ ｈ ｃ ｉ ｏ ｅ ｉ ｄ ｃ ｔ ｄ ｔ ａ ｉ ｉｇ ｏ ｉ ｍｅ ｈ ｄ ｈ ｄ ａ ｈ ｇ ｅ ｃ ｕ ａ ｙ ｎ ｉ ａｅ ｔ ｓｄ ａ ｎ ｓｓ ｈ ｔ ｈ ｔ ｏ ａ ｉｈ ｒａ ｃ ｒ ｃ ， ａ ｄ ｑ ｉｋ ｒ ｓ ｅ ｄ Ｓ ｅ ａ ｒ ｃ ｉ ａ ａ ｌ ｄ ａ ｎ ｓｓ ｎ ｕ ｃ ｅ ｐ ｅ ， ｏ ｉ ｂ ｃ ｍｅ ａ ｐ ａ ｔｃ ｌ ｕ ｔ ｉ ｇ ｏ ｉ ｔ ｆ ｍｅ ｏ ． ｈ ｔ ｄ
基于人工神经网络的异步电动机故障检测
中 图分 类 号 ： ２ ２ １ ｒ ＇ １ ０ ４ ．； ７ Ｉ ５ Ｔ 文 献标 识 码 ： Ａ 文 章 编 号 ：６ ２ ４ ８ （０ ８ ０ － １ ５ ０ １ ７ － ９ ４ ２ ０ ）３ ０ ３ － ３
１ 引 言 异 步 电动 机 是 实 现 将 电 能转 化 为 机 械 能 的重 要 电气设 备 。它在工业 、 农业 、 国防和科 学 技术现代 ‘ 中 占有 非 常重 要 的地 位 。 由于异 步 电 动机 的安 化
记忆 、 式 匹配和相 似 归纳能力 ， 而实 现 故障 与征 模 从
ＬＵ Ｚ ａ－ ｏ ，Ｑ Ｕ Ｓ ｉｈ ｉ Ｉ ｈｏ ｙｕ Ｉ ｈ－ ｕ，ＷＡ Ｇ Ｑ Ｎ ｉ （ ｅａｔ ｎ ｏ ｌｃ ｉ ｌＥ ｇ ｅｒ ｇ Ｃ ｅｇ ｕＥｅｔ ｍｅｈｎｃ ｏ ｅｅ Ｃ ｅ ｇｕ ６ ０ ３ ， ｈｎ ） Ｄ ｐｒ ｔ ｆＥｅ ｔｃ ｎ ｉ ｅ ｎ ，ｈ ｎｄ ｌ ｒ ｃａ ｉ Ｃ ｌ ｇ ， ｈｎ ｄ １０ １Ｃ ｉａ ｍｅ ｒａ ｎ ｉ ｃｏ ｌ ａ ｌ
兆之 间复杂 的非线性 映射 关 系【 】 １ 。ຫໍສະໝຸດ ２ 故 障检 测 基 本 原 理
系统 故障 检测包 括三 个 阶段 ： 生残 差 ； 产 故障 检 测； 故障分 类 。整个过 程 如 图 ｌ 示 。 所
全、 可靠 、 稳定 的运行 ， 对国民经济 ， 甚至对其他设 备 和人 们 的生 命 财 产 安 全都 产 生 着 重 大影 响 。 因
Ｋ ｅ ｗｏ ｄｓ： Ａｒｉｉ ｉ ｎ ｕｒ ｎｅｗｏ ｋ；Ｅｌｃ ｒ ｍｏｏ ；Ｆａ ｌ ａ ｎｏ ｉ ｓ ｓｅ ；Ｐａ ｔｒ ｒ ｃ ｇ ｉ ｏ ｙ ｒ ｔｆｃａ ｅ ａ ｌ ｌ ｔ ｒ ｅ ｔｏ ｔｒ ｕ ｔｄｉｇ ｓｓ ｙ ｔ ｍ ｔｅ ｎ ｅ ｏ ｎｔ ｎ； Ｐａｔｒ ｃａｓｉ ｃ ｔ ｉ ｔｅ ｎ ｌ ｓｆ ａ ｏｎ ｉ ｉ
基于模糊神经网络的电动机的故障诊断
基于模糊神经网络的电动机的故障诊断【摘要】本文以异步电动机为研究对象，提出了一种基于模糊神经网络的故障诊断方法，并进行了验证。
将模糊逻辑引进神经网络，先对输入数据进行模糊预处理，然后将模糊化后的数据导入神经网络中，最后得出的结果满足实际需求，从而证明了模糊神经网络在异步电动机的故障诊断中可行性。
【关键词】模糊神经网络；异步电动机；故障诊断1.引言异步电动机作为人们日常生活和工业生产的主要驱动装置和动力装置，具有广泛的应用范围已成为人们生活生产中不可或缺的重要装置。
据资料显示，90%的工业生产原动力是大型异步电动机。
各种小型的电动机也广泛的应用于人们的日常生活中比如一些风扇、冰箱等家电。
显而易见，电动机的正常工作对保证工业生产和日常生活的低耗、优质、高效和安全运行意义重大。
由此看出，电机一旦发生故障甚至停机，必将带给个人生活和企业的生产带来不便和损失。
因此，对于电机故障的准确和及时地诊断并加以排除具有较大的意义。
2.异步电动机常见故障及诊断方法异步电动机常见故障按照发生位置不同主要分为定子绕组故障、转子绕组故障、轴承故障等几类。
根据多年经验研究以及对电动机故障的分析，其故障发生概率分别为30%、10%、15%。
根据异步电动机的结构特点可知，其系统主要分为机械系统和电气系统，机械系统故障包括偏心故障及轴承故障，而电气系统故障包括定子绕组和转子绕组故障。
根据异步电动机的常见故障发生概率以及针对性，故本文主要是对定子匝间短路、转子断条、转子偏心故障、轴承内圈故障进行诊断分析研究。
目前，用于电机故障诊断的常用技术包括：定子电流检测法、振动检测法、温度检测法等传统的故障诊断方法一般是在实际测量的参数基础上，用数学的（FFT）、信号处理（小波分析）等方法对测量参数进行故障特征参数的提取，对故障特征参数进行分析来确定其故障。
测量的参数主要包括定子电流、电机温度、振动、噪声等信号。
以上方法各有自己的优点和特点，一般根据实际情况和研究对象来选择合适的方法。
基于人工神经网络的电力设备故障诊断
基于人工神经网络的电力设备故障诊断引言电力设备在现代社会中起着至关重要的作用。
然而，由于长时间的运行和环境因素的影响，电力设备常常会出现各种故障。
及时准确地诊断电力设备故障，对于保障电力供应的连续性和设备的可靠性至关重要。
本文将探讨基于人工神经网络的电力设备故障诊断技术，介绍其原理和应用。
1. 人工神经网络概述1.1. 神经网络基本原理人工神经网络是一种模仿生物神经网络工作原理的数学模型。
它由多个简单的神经元单元组成，通过突触连接形成复杂的网络结构。
神经元单元接收输入信号，经过加权处理和激活函数的作用，产生输出信号传递给下一层神经元。
通过训练神经网络的权重和阈值，可以实现对复杂问题的非线性建模和处理。
1.2. 神经网络在电力设备故障诊断中的应用人工神经网络在电力设备故障诊断中具有广泛的应用前景。
电力设备故障诊断涉及多种参数和复杂关系的分析，传统方法往往难以准确识别故障类型和位置。
而人工神经网络通过学习和训练，可以有效地从大量的数据中提取特征，实现故障诊断的精准化和自动化。
2. 基于人工神经网络的电力设备故障诊断方法2.1. 数据采集与处理为了建立准确可靠的故障诊断模型，首先需要采集电力设备运行数据。
通过传感器和监测装置，可以获取设备的电流、电压、温度等参数。
同时，对采集到的原始数据进行预处理，包括去噪、归一化等操作，以保证数据的质量和可用性。
2.2. 特征提取与选择在建立故障诊断模型之前，需要从原始数据中提取有效特征。
特征提取是电力设备故障诊断的关键步骤，它决定了模型的性能和诊断结果的准确性。
常用的特征提取方法包括时域特征、频域特征和时频域特征等。
通过比较不同特征的重要性和区分度，选择最具代表性的特征，以降低模型复杂度和提高诊断效果。
2.3. 网络结构设计根据电力设备的输入和输出特性，确定人工神经网络的结构和拓扑。
常用的网络结构包括前馈神经网络（Feedforward Neural Network）和递归神经网络（Recurrent Neural Network）。
基于BP神经网络算法的异步电机故障诊断系统研究
基于BP神经网络算法的异步电机故障诊断系统研究
孙吴松
【期刊名称】《荆楚理工学院学报》
【年(卷),期】2024(39)2
【摘要】为了确保电机安全可靠地运行,研究了BP神经网络算法对异步电动机进行故障诊断。
通过MATLAB平台,分别使用附加动量因子和自适应学习率两种梯度下降法进行网络训练,搭建故障诊断BP网络模型。
以MSE值为指标优化最佳隐含层节点数、动量因子与学习率,并通过遗传算法来优化BP网络的初始权值,对故障测试样本进行仿真测试。
结果表明,GA-BP网络模型比MF-BP和AG-BP的MSE 值更低,仅为0.009163,优化后的诊断预测结果与目标值几乎没有差别。
基于遗传算法改进的故障诊断系统模型能够满足异步电动机故障诊断的应用需求。
【总页数】10页(P1-10)
【作者】孙吴松
【作者单位】六安职业技术学院机电技术系
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于虚拟仪器的异步电机故障诊断系统研究
2.基于BP神经网络的凝汽器故障诊断系统研究
3.基于SSA优化BP神经网络的故障诊断系统研究
4.基于BP神经网络的便携式模拟电路故障诊断系统研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于神经网络的电机故障诊断技术研究
基于神经网络的电机故障诊断技术研究随着工业自动化程度的提高，电动机在生产中的应用越来越广泛。
在生产中，电动机的正常运转是生产线的重要保障，一旦电动机出现故障，会严重影响到生产效率和产品质量。
为了保证生产线的正常运作和提高生产效率，需要采用一种有效的电机故障诊断技术来识别电机的故障状况并及时处理。
本文将基于神经网络技术，提出一种高效、准确的电机故障诊断技术。
一、电机的故障类型及其诊断方法电机故障主要分为三种类型：电气故障、机械故障、电磁故障。
其中电气故障包括断路、短路、接触不良等；机械故障包括轴承磨损、轴弯折、不平衡、齿轮磨损等；电磁故障包括定子和转子绕组故障、磁场不均匀等。
电机故障的诊断方法主要分为三种：振动分析、声波分析和电气分析。
而电气分析是最常用的一种方法。
电气分析的方法是在电机运行状态下，采集电机电参数的变化情况，进而判断出故障类型和位置。
目前，采用MATLAB等软件进行数据处理的方法已经得到了广泛应用。
二、神经网络技术在电机故障诊断中的应用神经网络技术是一种基于信息处理的模拟系统，具有非线性、自适应、自组织和并行处理的特点。
在电机故障诊断领域，神经网络技术在故障诊断方法方面的应用越来越广泛。
神经网络模型可根据历史故障数据，自动学习故障特征，提高故障诊断的精度和效率。
因此，神经网络技术成为目前电机故障诊断研究的热点之一。
基于神经网络技术的电机故障诊断方法主要包括数据采集、特征提取、模型训练和故障诊断四个步骤。
1.数据采集数据采集是电机故障诊断的第一步。
采集故障样本数据需要一个可靠的数据采集系统。
在采集数据时，需要保证采集的数据准确、完整，并同时采集多个传感器的数据。
常用的数据采集装置有NI采集卡等。
采集的故障样本数据包括电磁、电学和机械数据，如电压、电流、功率、转速、振动信号等。
2.特征提取特征提取是将采集得到的原始数据转化为量化的信息，以求更好地描述故障特征。
神经网络模型对数据的特征提取直接影响模型的准确性和稳定性。
基于BP人工神经网络的电动机故障诊断
科 技 前 沿2013年06(上)TECHNOLOGICAL P IONEERS１科技创业家 TECHNOLOGICAL PIONEERS 1 人工神经网络的结构和特性神经网络是由大量的处理单元（神经元）互相连接而成的网络。
为了模拟大脑的基本特性，在神经科学研究的基础上，提出了神经网络的模型。
但是，实际上神经网络并没有完全反映大脑的功能，只是对生物神经网络进行某种抽象、简化和模拟［１］。
1.1人工神经元结构模型在ＡＮＮ中，人工神经元是基本的计算单元，它模拟了人脑中神经元的基本特征，一般是多输入单输出的非线性单元，信息分散地存储在连接线的权重上。
人工神经网络系统是一种自适应非线性动态系统。
人工神经元的结构如图１所示。
它具有的特征有：每个神经元j 均有一个输出，即状态j y ；神经元i 到神经元j 的作用是通过突触完成的，作用强度以系数ji w 表示，表示第i 个神经元对第j 神经元的加权值；每一个神经元i 都有一个实数阈值j b ，它与输入共同影响神经元的输出；对于每一个神经元j ，它的状态j y 为所有与其相连的神经元i 的状态i y 以及它们之间的连接强度ji w 和神经元j 的阈值j b 的函数，此函数称为激励函数，记作j y ()j ji i b w y F ,,=，最常用的函数形式为()j ji i j b w y F y −∑=，即神经元输出为其输入的线性加权和的函数。
1.2神经网络的特性虽然ＡＮＮ与真正的生物神经网络有差别，但由于它汲取了生物神经网络的部分优点，因此具有一些固有的特性［２］。
（１）ＡＮＮ在结构上与目前的计算机本质不同，它是由很多小的处理单元互相连接而成的，每个处理单元的功能简单，但大量简单的处理单元集体的、并行的活动得到预期的识别、计算的结果，具有较快的速度。
（２）ＡＮＮ具有非常强的容错性，即局部的或部分的神经元损坏后，不会对全局的活动造成很大的影响。
（３）ＡＮＮ记忆的信息是存储在神经元之间的连接权值上，从单个权值中看不出存储信息的内容，因而是分布式的存储方式。
基于神经网络异步电动机故障诊断毕业论文
基于神经网络异步电动机故障诊断毕业论文目录第一章绪论 (1)1.1 异步电动机工作原理及用途 (1)1.2 异步电动机常见故障类型及方法 (1)1.2.1 异步电动机常见故障类型 (1)1.2.2 故障诊断方法 (1)1.3 神经网络在故障诊断中的应用 (2)1.4 神经网络特点 (3)1.5 神经网络故障诊断实现步骤 (4)第二章神经网络概述 (4)2.1 BP神经网络 (5)2.2 BP网络模型结构 (5)2.2.1 神经元模型 (5)2.2.2 前馈型神经网络 (6)2.3 BP网络学习算法 (7)2.3.1 学习算法 (7)2.3.2 神经网络的实现过程 (11)第三章异步电动机在MATLAB中的建模仿真及故障设置 (12)3.1 异步电动机在MATLAB中的建模 (12)3.1.1 选择模块 (12)3.1.2 搭建模块 (12)3.1.3 模块参数设置 (13)3.2 三相异步电动机故障设置及故障特征提取 (16)3.2.1 故障设置 (17)3.2.2 故障仿真 (18)3.2.3 特征量提取及预处理 (23)第四章故障诊断实例 (26)4.1 BP神经网络的构建 (26)4.2 BP网络设计 (26)4.2.1 网络创建 (26)4.2.2 网络训练与测试 (27)结论 (30)参考文献 (31)附录 (32)致谢 (35)第一章绪论1.1 异步电动机工作原理及用途三相异步电动机也被称作感应电动机，当其定子侧通入电流以后，部分磁通将穿过短路环，并在短路环产生感应电流。
短路环的电流阻碍磁通的变化，致使有短路环部分和没有短路环部分产生的磁通有了相位差，从而形成旋转磁场。
转子绕组因与磁场间存在着相对运动而感生电动势和感应电流，即旋转磁场与转子存在相对转速，并与磁场相互作用产生电磁转矩，使转子转起来，从而实现能量转换。
三相异步电动机具有结构简单，成本较低，制造、使用和维护方便，运行可靠以及质量较小等优点，从而被广泛应用于家用电器、电动缝纫机、食品加工机以及各种电动工具、小型机电设备中,在工农业、交通运输、国防工业以及其他各行各业中应用也非常广泛。
基于神经网络的电机故障诊断与维修策略研究
基于神经网络的电机故障诊断与维修策略研究电机故障诊断与维修策略研究是电机维修领域中的重要课题。
随着电机在工业生产中的广泛应用，电机故障所带来的生产停机时间和维修费用也越来越高昂。
因此，基于神经网络的电机故障诊断与维修策略研究成为提高电机故障诊断准确性和降低维修成本的重要手段。
神经网络是一种模拟人类神经元功能的人工智能技术，具有学习能力和自适应性。
借助神经网络的强大处理能力和模式识别能力，我们可以开发出高效准确的电机故障诊断模型和维修策略。
首先，针对电机故障诊断，基于神经网络的方法可以通过对电机的运行数据进行学习训练，建立出电机故障的预测模型。
我们可以采集电机在正常运行和各种故障状态下的振动、温度、电流、电压等数据，并将其作为神经网络的输入。
通过训练神经网络，使其能够准确识别不同故障类型的特征，从而实现对电机故障的快速准确诊断。
此外，可以利用神经网络的自适应性，当电机运行状态发生变化时，神经网络可以通过学习新的数据，实时调整模型，提高故障诊断的准确性。
其次，基于神经网络的电机维修策略研究主要针对故障的原因与修复方法。
通过对大量电机故障案例的学习和训练，可以建立起电机故障与维修策略之间的联系模型。
在实际应用中，当电机出现故障时，我们可以通过输入故障特征数据到神经网络模型中，模型将根据学习到的经验给出相应的维修策略建议。
这种基于神经网络的维修策略研究能够根据不同故障类型和特征，提供个性化的维修方案，从而有效降低维修时间和维修成本。
此外，基于神经网络的电机故障诊断与维修策略研究还可以结合其他技术手段，进一步提高诊断准确性和维修效率。
例如，可以将神经网络与机器视觉、声波识别等技术相结合，通过多种信息的综合分析，实现对电机故障的更精确诊断。
同时，可以将神经网络与专家系统相结合，实现更高水平的维修策略建议和决策。
总之，基于神经网络的电机故障诊断与维修策略研究为电机维修领域带来了新的机遇和挑战。
通过充分利用神经网络的学习能力和自适应性，我们可以实现对电机故障的快速准确诊断，并根据故障特征提供个性化的维修策略建议。
基于神经网络的电机故障诊断算法研究
基于神经网络的电机故障诊断算法研究近年来，电机已成为各行各业不可或缺的设备，无论是生产还是日常生活都离不开电机。
然而，长期的使用和磨损会导致电机出现故障，甚至严重的损害设备和人身安全。
因此，在电机使用中，及时检测电机的运行情况，发现故障，加以处理是非常重要的。
本文将介绍一种基于神经网络的电机故障诊断算法研究。
一、算法研究背景为了提高电机故障诊断的准确率和效率，不断有学者研究电机故障诊断的方法，如模糊诊断、遗传算法、神经网络等技术的应用。
神经网络作为人工智能领域中的一种非线性模型，具有并行、分布式处理、适应性、自学习等特点，被广泛应用于电机故障诊断研究。
二、算法所涉及的内容1. 数据采集数据采集是电机故障诊断的重要环节。
通过采集电机的运行数据，可对电机运行状况进行分析和判断，提高诊断的准确率。
电机运行数据应包括电机转速、电机电流、电机电压、电机温度等，同时应注意采集环境的影响，尽可能保持数据的稳定和准确性。
2. 特征提取提取电机运行数据中与故障相关的特征，是进行故障诊断的关键环节。
特征提取方法多种多样，包括经验方法、频域分析、时域分析、小波分析等，选择合适的特征提取方法能够有效提高故障诊断的准确性。
3. 数据预处理在进行神经网络建模前，需要对采集到的电机运行数据进行预处理。
常用的预处理方法包括数据归一化、数据平滑、滤波等。
这些预处理方法能够减少数据噪声，提高神经网络的训练和预测效果。
4. 神经网络模型神经网络模型是电机故障诊断算法的核心部分，不同的模型有着不同的训练和预测效果。
通常，神经网络模型包括输入层、隐藏层和输出层。
输入层是电机运行数据的来源，隐藏层是进行神经网络的非线性映射和处理层，输出层是最终的诊断结果输出层。
选用合适的神经网络模型，并进行训练和优化，能够提高电机故障诊断的准确性。
三、算法的应用和优点基于神经网络的电机故障诊断算法，不仅具有诊断准确、效率高等优点，还可以应用于电力系统、机械系统、控制系统等各个领域，为工业生产提供保障。
基于粒子群神经网络的异步电机故障诊断系统的研究
收 稿 日期 ： ２ ｏ １ ２ ． １ １ － ２ ６ （ 修 改稿 ）
基金项 目 ： 黑龙江省 教育厅科 学技术研 究项 目： 粒 子群神经
网络 在 抽 油 机 故 障 诊 断 中 的研 究 （ １ ２ ５ １ １ ０ ０ ５ ）
类型， 故 障诊 断 系 统共 包 括 振 动 故 障 和 电流故 障
诊 断系统 。 １ 异 步 电机故 障 诊 断 系 统粒 子 群 优 化 神 经 网 络
模 型 的 设 计
式中
Ｐ— — 输入层 节 点 的数 量 ；
Ｑ— —输 出层 节 点 的数 量 ； ｏ ｒ — — 一个 在 １—１ ０之 间 的常数 。
在设 计神 经 网 络模 型 的时 候 ， 一般 要 从 神经
机 的 ３种典 型 故 障。 因此 ， 对 于 该 故 障 诊 断 系统
而言 ， 其神 经 网络 共 有 １ ７个输 入节 点 数 ， 即表 示 电机 共有 １ ７个 故障征 兆 ； 共含 有 ｌ ２个 输 出节点 ， 即表 示 电机共 有 ｌ ２个 典 型故 障 。 １ ． ２ 神经 网络 隐含 层神 经元 的数量 当神 经 网络 只包 含 一 个 隐 含层 的情 况 时 ， 可
笔者 结合 Ｙ Ｂ ２ ． １ ６ ０ Ｍ２ ． ２ Ｗ 型 泥浆泵 风 机 电机
振 动故 障 和 电流 故 障 诊 断 的 特点 ， 建 立起 相 应 的
故 障样 本 集 ， 利用 粒 子 群算 法 （ Ｐ Ｓ Ｏ） 的优 化 功 能 以及 Ｂ Ｐ神 经 网络 的非 线 性 映射 的逼 近 能 力 ， 将
丽 ＋ ＝ ７～１ ６ 。
对 于神经 网络 而 言 ， 将 学 习速 率 预 先 选 定 为
基于人工神经网络的异步电动机故障检测
１引言异步电动机是实现将电能转化为机械能的重要电气设备。
它在工业、农业、国防和科学技术现代化中占有非常重要的地位。
由于异步电动机的安全、可靠、稳定的运行，对国民经济，甚至对其他设备和人们的生命财产安全都产生着重大影响。
因此，若在电动机故障初期就能检测出微弱的故障征兆，有利于及时采取措施而防止故障发展，并且及时维修，使其尽快恢复正常运行。
因此，对异步电动机的故障进行检测，从而及时预防，消除故障，减少事故范围的扩大，都具有非常重大的意义。
异步电动机的故障基本上来自于电气和机械两个方面，因此，故障检测也基本上从这两个方面入手。
在此，提出一种基于人工神经网络的异步电动机故障检测方法。
神经网络具有对故障模式的联想记忆、模式匹配和相似归纳能力，从而实现故障与征兆之间复杂的非线性映射关系［１］。
２故障检测基本原理系统故障检测包括三个阶段：产生残差；故障检测；故障分类。
整个过程如图ｌ所示。
ｙ为实际输出，ｙ!为模型输出预报，本文利用ＢＰ神经网络建立电机故障检测模型，并利用该模型获得输出预报。
假设ｙ和ｙ!都不受噪声影响，则：ｙ＝ｙｒｅａｌ（１）ｙ!＝ｙ!ｒｅａｌ（２）式（１）、式（２）中，ｙｒｅａｌ为真实输出；ｙ!ｒｅａｌ为模型输出预报理想值。
输入实际系统观测模型系统故障检测故障分类输出残差ｙｙ!＋－图１故障检测原理图基于人工神经网络的异步电动机故障检测刘兆有，邱世卉，王琪（成都电子机械高等专科学校电气工程系，四川成都６１００３１）摘要：为进一步提高异步电动机故障检测的准确性，将人工神经网络应用于异步电动机故障检测。
通过提出一种基于ＢＰ神经网络的电机故障检测方法，设计了适合该检测系统的网络结构。
仿真结果表明：相对于其他算法，该网络结构具有更快的学习速度和更高的学习精度，完全适用于电动机故障检测。
关键词：人工神经网络；异步电动机；故障检测；模式识别；模式分类中图分类号：Ｏ２４２．１；ＴＰ７５１文献标识码：Ａ文章编号：１６７２－４９８４（２００８）０３－０１３５－０３ＦａｕｌｔｄｉａｇｎｏｓｉｓｓｙｓｔｅｍｆｏｒａｓｙｎｃｈｒｏｎｏｕｓｅｌｅｃｔｒｏｍｏｔｏｒｂａｓｅｄｏｎａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋＬＩＵＺｈａｏ－ｙｏｕ，ＱＩＵＳｈｉ－ｈｕｉ，ＷＡＮＧＱｉ（ＤｅｐａｒｔｍｅｎｔｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＣｈｅｎｇｄｕＥｌｅｃｔｒｏｍｅｃｈａｎｉｃａｌＣｏｌｌｅｇｅ，Ｃｈｅｎｇｄｕ６１００３１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｗａｓａｐｐｌｉｅｄｔｏｄｅｔｅｃｔｔｈｅｆａｕｌｔｏｆａｓｙｎｃｈｒｏｎｏｕｓｅｌｅｃｔｒｏｍｏｔｏｒｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆａｓｙｎｃｈｒｏｎｏｕｓｅｌｅｃｔｒｏｍｏｔｏｒｆａｕｌｔｄｉａｇｎｏｓｉｓ．ＯｎｅｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｆｏｒｅｌｅｃｔｒｏｍｏｔｏｒｂａｓｅｄｏｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｗａｓｐｒｏｐｏｓｅｄ，ａｎｄｔｈｅｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅｗａｓｄｅｓｉｇｎｅｄｆｏｒｔｈｉｓｄｉａｇｎｏｓｉｓｓｙｓｔｅｍ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｉｎｄｉｃａｔｅｓｔｈａｔｔｈｅｎｅｔｓｔｒｕｃｔｕｒｅｈａｓｍｕｓｈｆａｓｔｅｒｌｅａｒｎｉｎｇｓｐｅｅｄａｎｄｍｏｒｅｓｕｐｅｒｉｏｒｌｅａｒｎｉｎｇｐｒｅｃｉｓｉｏｎｃｏｍｐａｒｅｄｗｉｔｈｏｔｈｅｒａｌｇｏｒｉｔｈｍ．Ｉｔｉｓｅｎｔｉｒｅｌｙｐｒａｃｔｉｃａｌｆｏｒｔｈｅｆａｕｌｔｄｉａｇｎｏｓｉｓｓｙｓｔｅｍｏｆｔｈｅｅｌｅｃｔｒｏｍｏｔｏｒ．Ｋｅｙｗｏｒｄｓ：Ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ；Ｅｌｅｃｔｒｏｍｏｔｏｒ；Ｆａｕｌｔｄｉａｇｎｏｓｉｓｓｙｓｔｅｍ；Ｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ；Ｐａｔｔｅｒｎｃｌａｓｓｉｆｉｃａｔｉｏｎ收稿日期：２００７－１０－１７；收到修改稿日期：２００８－０１－０５作者简介：刘兆有（１９６７－），男，高级工程师，研究方向：机电一体化。
基于神经网络的电机故障检测技术研究
基于神经网络的电机故障检测技术研究随着现代工业制造业的发展，电机已经成为了我们日常生活和工作中不可或缺的重要设备。
然而，电机故障对于生产安全和经济效益都有着极大的影响。
在过去的几十年里，人们已经对传统的电机故障检测方法进行了大量的研究，但是仍然存在很多问题。
因此，在技术和应用方面，我们需要不断的探索和创新。
本文将介绍一种基于神经网络的电机故障检测技术，通过该技术的应用，将有效提升电机故障检测的准确性和可靠性。
一、神经网络简介神经网络是一种基于仿生学思想构建的人工智能系统，它是由一组相互连接的神经元组成，这些神经元以类似于人脑的方式来协同工作。
神经网络的核心是学习算法，通过不断的学习和调整参数，使得网络具有更优秀的性能和更强大的自适应能力。
神经网络具有很高的模式识别能力，适用于各种领域的数据分析和处理。
二、电机故障检测原理电机故障检测技术是指通过对电机的信号进行分析和处理，发现电机故障的一种技术。
传统的电机故障检测方法主要包括震动法、声波法、电磁法等。
这些方法的缺点在于需要获取大量的特征参数和实时数据，而且准确率难以保证。
基于神经网络的电机故障检测技术是将电机的特征参数输入到神经网络中进行分析和处理，通过训练神经网络，不断提升其分类和识别能力。
神经网络的输入层接受电机的特征参数，隐层和输出层将这些参数转化为输出结果。
三、基于神经网络的电机故障检测技术应用在实际应用中，我们需要将电机的输出信号传递到神经网络中，然后通过神经网络的学习和调整，发现电机故障的种类和位置。
基于神经网络的电机故障检测技术主要包括以下几个方面：1.电机转速故障检测电机转速故障是电机故障中较常见的一种。
通过采集电机输出信号，然后将其作为神经网络的输入，让网络进行学习和训练，最终得出电机的故障状态。
通过该技术的应用，我们可以更加快速和准确地诊断电机的故障，提升生产效率和安全性。
2.电机电流故障检测电机电流故障是指电机在工作时，电流异常或不稳定的现象。
基于神经网络的故障诊断及其应用研究
基于神经网络的故障诊断及其应用研究第一章绪论在现代工业生产中，机器设备的故障诊断是一个严峻但又重要的问题。
传统的故障诊断方法主要依赖于人工经验，需要专业技术人员进行分析和判断。
这种方法存在着人工判断不准确、诊断时间长等问题。
因此，基于神经网络的故障诊断技术应运而生。
神经网络作为一种模拟人类神经系统的计算模型，其强大的自学习和适应性能够帮助我们对机器设备的故障进行高效的诊断。
本文将介绍基于神经网络的故障诊断技术及其应用研究。
第二章神经网络的基本原理神经网络是一种数学模型，由一组相互连接的神经元组成。
在神经网络中，每个神经元接收到来自其他神经元的输入信号，并通过神经元之间的连接对这些信号进行处理和传播，最终输出一个结果。
神经网络中最常见的模型是前馈神经网络。
这种神经网络具有多个层，每个层由若干个神经元组成。
其中，输入层是神经网络的第一层，负责接收数据。
中间的几层被称为隐层，负责对输入数据进行特征提取和分析。
最后一层则是输出层，输出预测结果。
神经网络通过优化算法来调整每个神经元之间的连接权重，这样就可以实现对输入数据的准确预测。
第三章基于神经网络的故障诊断技术（一）数据采集故障诊断的第一步是通过传感器对设备进行数据采集。
这些数据包括温度、振动、电流等物理量。
采集到的数据可以作为神经网络的输入。
（二）特征提取在神经网络中，需要对输入数据进行特征提取。
这样可以将数据转换成更有用的特征向量，以便神经网络更好地处理。
特征提取的方法包括主成分分析（PCA）和小波变换等。
（三）神经网络建模通过训练数据集，可以建立一个基于神经网络的模型。
在训练过程中，神经网络通过不断优化连接的权重，来提高对故障的诊断能力。
（四）故障诊断建立好模型后，就可以对新的数据进行诊断。
将采集到的数据输入到神经网络模型中，即可得到一个判断结果，判断设备是否存在故障。
第四章基于神经网络的故障诊断应用研究（一）电机故障诊断电机是现代工业生产中最重要的设备之一。
基于小波分析和神经网络的异步电机早期故障诊断
则 用 卷积 形式 定 义 的小 波 变换 为 ：
ｄ Ｅ “ （ ） ｏ （ ） ｄ “
（） ３
４ ０ ００
６０ ００
８ ０ ｌ ０ ００ ０ ００
采样值
ｗ（ ， ｄ Ｅ ｕ （ ） ｌ ｏ ｆ （ ） ｄ
（） ４
电机 正 常振 动 信 号
用式 （） ３ 和式 （ ） ４ 以卷积 形 式 定 义 的小 波 变 换 有
＝口 ［ 厂
如图 １ 示． 所
０ｔ （）＝圭
￣ ２叮 ／ 丁
（） １
如果 令 （） ｔ 和 （） 别是 ０ 口 的一 阶 、 ｔ分 （） 二
阶导数 ， ： 即
）＝ ）＝
匾
圈
图 １ 电机 故 障诊 断流 程 图
则 ： ｔ￡ ｄ Ｏ Ｉ＝ 有Ｅ （ ： ｔ （ ｏ ） ｄ ＝ｔ ）
第 ３期
满红， ： 于小波分析和神经 网络 的异步 电机 早期 故障诊 断 等 基
８ １
［㈩ Ｅ ｄ
：
２ ０ ｚ在 数 据 处 理 时 ， １ ０ ５００Ｈ ， 以 ０００个 采 样 值 为
一
组 ， 取 两种特 征 参 数 ： 提 电机正 常 振 动 信 号 （ 如 图 ２所 示 ） 和匝 间短路 振动 信号 （ 图 ３所 示 ） 如 ．
收 稿 日期 ：０ ０ １ —５ ２ １ —１ １
基金项 目： 国家科技部 中小企业创新基金资助项 目（９ ２ ２ ２ ２２ ３ ０ Ｃ ６２ １３４ ） 作者简介 ： 满红 （９ ４一） 女 ， １７ ， 讲师 ， 博士研究生 ， 主要从事先进智能控制及工业 复杂过程控 制方 面的研究
Ｅ－ ａｌ ｄｍｕ ｙ １ ３ Ｃ ｒ ． ｍ ｉ： ｌ ｇ ＠ ６ ． Ｏ ｎ
基于神经网络的电力设备故障诊断与排除研究
基于神经网络的电力设备故障诊断与排除研究电力设备的故障诊断和排除一直是电力工程领域中的重要课题。
常见的故障类型包括短路、断路、接触不良等，其严重程度可能会导致电力系统的停机运行，给生产和民生带来极大的影响。
为了提高电力设备的诊断和排除效率，传统方法已经无法满足需求，因此基于神经网络的电力设备故障诊断和排除研究变得至关重要。
一、神经网络的定义神经网络是一种由多个相互连接的节点组成的分布式处理系统，其设计灵感来自于人类神经系统。
它具有较强的自学能力和智能行为，并能够模拟人脑记忆、学习和泛化等能力。
因此，神经网络已成为电力设备故障诊断和排除研究的重要手段。
二、神经网络在电力设备故障诊断中的应用神经网络可以应用于电力设备故障诊断中的多个方面，如数据处理、特征提取、分类和故障诊断等。
通过神经网络模型学习电力设备正常运行和各种故障状态的数据特征，可以在一定程度上实现精确、快速和自动化的故障诊断。
1.信号采集与处理神经网络可用于电力设备信号的采集和处理。
例如，使用传感器采集电力设备的振动、温度、压力等数据，然后将数据输入神经网络，通过神经网络分析和处理，提取出电力设备各种运行模式下的特征，为故障诊断提供基础数据。
2. 特征提取神经网络在电力设备故障诊断中还能够实现特征提取。
例如，对于某个电力设备，可以在神经网络中分别建立正常和故障两种状态的模型，并通过深度学习等方法，自动提取不同状态下的特征，从而实现故障诊断。
3.分类与诊断在特征提取的基础上，神经网络还能实现电力设备故障的分类和诊断。
例如，将学习到的特征输入多层前向神经网络（MLP）模型中，通过训练后实现对电力设备的分类，同时，通过构建递归神经网络 (RNN) 模型，利用上下文信息的有效性，进一步提升诊断准确率。
三、存在的问题和未来发展对策目前，神经网络在电力设备故障诊断中的应用还存在不少问题。
例如，有些故障模式相互干扰，难以准确识别，同时，神经网络本身也存在“黑盒”问题，其训练过程和内部运算难以捕捉和解释。
机电控制系统中基于神经网络的故障检测与处理策略
机电控制系统中基于神经网络的故障检测与处理策略一、引言机电控制系统在现代工程中扮演重要角色，它们广泛应用于各种领域，如制造业、交通运输和能源等。
然而，由于复杂的系统结构和各种外界干扰，机电控制系统的故障检测和处理一直是一个挑战。
为了提高系统的可靠性和安全性，研究人员们一直在探索新的技术和方法。
神经网络作为一种具有强大模式识别和学习能力的信息处理工具，被广泛应用于机电控制系统中的故障检测与处理。
二、神经网络基本原理神经网络是一种模拟人类大脑的信息处理系统，它由大量的神经元和连接它们的突触组成。
在机电控制系统中，常用的神经网络模型是前向反馈神经网络。
该网络由输入层、隐藏层和输出层组成。
每个神经元接收一定数量的输入信号，并通过激活函数对这些输入信号进行加权求和以产生输出信号。
通过调整网络的连接权重和阈值，可以实现对给定输入数据的预测和分类。
三、机电控制系统故障检测1. 数据采集与处理机电控制系统的故障检测首先需要采集系统中的各种传感器数据和状态信息。
这些数据可能是离散的或连续的，需要进行预处理以满足神经网络的输入要求。
预处理包括数据清洗、噪声滤波、特征提取和归一化等步骤。
2. 神经网络模型训练通过使用已知的故障数据和相应的正常数据，可以使用监督学习方法训练神经网络模型。
在训练过程中，神经网络根据输入数据的特征和相应的故障标签进行参数调整，以使网络能够准确地区分正常和故障状态。
常用的训练算法包括误差反向传播算法和支持向量机等。
3. 故障检测与诊断训练好的神经网络模型可以用于实时的故障检测与诊断。
当新的数据进入系统时，通过输入到经过训练的神经网络中进行处理和预测。
根据网络输出的结果，可以判断系统当前是否存在故障，并对故障进行初步诊断。
根据系统特点和实际需求，可以设置不同的故障判定阈值和优先级，以提高检测的准确性和可靠性。
四、机电控制系统故障处理1. 故障定位与分类根据神经网络的输出结果，可以判断出系统中存在故障，但不能直接确定故障发生的具体部位和类型。
基于神经网络的电机故障诊断技术研究
基于神经网络的电机故障诊断技术研究第一章研究背景和意义随着机器人和自动化技术的广泛应用，电机已成为现代工业中不可或缺的关键部件。
然而，由于长期使用和过载等多种因素，电机故障的发生率很高，而解决电机故障对于保证生产的正常运行至关重要。
已有研究表明，利用神经网络技术进行电机故障诊断能够提高诊断准确性和效率。
本文旨在探讨神经网络在电机故障诊断中的应用，旨在提高电机故障的自动化识别速度和准确性，提高电机的可靠性和实用性。
第二章神经网络技术概述神经网络是一种模式识别技术，它模仿人类大脑的运作方式，具有模拟人类决策过程的能力。
神经网络由许多基本结构单元——神经元组成，这些神经元之间通过连接进行信息交流，形成了复杂的信息处理网络。
在神经网络中，信息在结构之间流动，随着输入的变化而变化，从而实现对输入数据的相应操作。
神经网络可以学习输入输出数据之间的映射关系，通过这种方式，得到新的输入数据，可以预测输出结果。
第三章电机故障诊断技术综述电机故障通常包括转子断条、轴承故障、绕组故障等。
许多传统的电机故障检测方法包括噪声、振动、电信号和温度检测等。
这些检测方法常常需要大量的人工干预，计算量大且准确性有限。
因此，从神经网络的角度来看，通过训练分类器来判别不同电机故障类型，可以取得更好的效果。
第四章基于神经网络的电机故障诊断技术采用神经网络方法对电机故障进行分类步骤如下：1.数据采集：收集实际运行的电机数据。
2.数据处理：将所收集的数据进行处理，包括降噪、预处理和特征提取等。
3.训练数据：将处理后的数据分为训练集和测试集，对训练集进行学习。
4.构建网络：根据不同的分类任务，构建相应的神经网络。
5.模型训练：利用训练集对构建的神经网络进行训练。
6.模型评估：对训练的模型进行评估和测试。
第五章结果分析采用神经网络进行电机故障诊断的结果表明，本方法可以识别不同种类的电机故障，具有更高的准确性和更快的检测速度。
与传统的方法相比，神经网络在电机故障检测的准确性和效率方面都具有很大的优势。
基于电流频谱和RBF神经网络的异步电动机故障诊断方法分析与研究
摘要由于现代科学的进步和生产系统的不断发展，电机在生产中发挥着越来越重要的作用。
异步电机以其结构简单、价格低廉、可靠性高、维护方便而在工农业中取得了广泛的应用。
随着现代工业系统的飞速发展，电机的单机容量不断增加，所驱动的负载也越来越复杂。
电机故障不仅会损坏电机本身，重时还会使电机突然停机、生产线崩溃，造成巨大的经济损失和灾难性后果。
为了将故障所造成的损失降低至最小程度，迫切要求对电动机故障进行检测。
电动机故障检测是通过应用先进的技术手段，所以研究实用、高效的电机故障诊断系统对于生产安全运行十分重要。
本文首先介绍异步电动机的结构和基本原理，以及常见的故障。
并且概要的叙述转子断条和端环开裂、气隙偏心的故障特征信号频率分量的产生机理。
然后对电流频谱法在电机故障诊断中的作用进行简要的叙述，系统的介绍傅立叶变换的原理，接着对定子电流信号进行FFT变换，得出电流频谱图，并根据故障判据分析频谱图，从而对电机故障进行诊断。
最后对RBF神经网络的结构和特点进行了相关的介绍，并介绍RBF神经网络学习算法和其网络设计。
建立基于RBF神经网络的故障诊断结构，并利用故障样本数据对网络进行训练，从而实现了对电动机故障的诊断。
关键词：异步电动机故障诊断；电流频谱图分析；MATLAB；RBF神经网络ABSTRACTOwing to the progress of modern science and product system, electrical engineer plays a more and more important role in modern production .Asynchronous motors are widely used in the industrial and agricultural production because of its simple structure, low price, high reliability and convenient maintenance. With the rapid development of the modern industrial system, the capacity of a single motor is keeping increasing and the load is also becoming more complicated now. A motor fault can not only cause damage to the motor, but also can result in unscheduled machine downtime and the shutdown of a production line, which will cause heavy financial losses and catastrophic fault. In order to reduce the fault to a minimum extent, there is an urgent call for motor fault detection. Motor fault detection uses the application of advanced technical instrument, the study of practical and efficient motor fault diagnosis system is very important for the production of safe operation.Firstly, the design introduces the structure and the basic principles of the asynchronous motor, as well as the common fault. And then a summary description of broken rotor bars and end ring cracks, the failure characteristics of air-gap eccentricity signal frequency component mechanism. Then the spectrum of current in electrical fault diagnosis in a brief description of the role of the system to introduce the principle of Fourier transform, and next signals to the stator current FFT transform, to draw current frequency spectrum, and frequency spectrum analysis of failure criterion and thus the diagnosis of motor failure. Finally, RBF neural network structure and characteristics of the relevant presentation and introduced the RBF neural network learning algorithm and its network design. RBF neural network based fault diagnosis of the structure and the use of fault data samples to train the network in order to achieve the motor fault diagnosis.Keywords：Induction Motor Fault Diagnosis; Current spectrum analysis; MATLAB; RBF neural network目录1 绪论 (1)1.1课题研究的意义 (1)1.2电机故障诊断技术的国内外发展状况 (2)1.3电机故障诊断技术的基本原理 (4)1.4电动机故障诊断的主要方法 (4)1.4.1 基于多传感器数据融合故障诊断技术 (5)1.4.2 基于小波变换故障诊断技术 (6)1.4.3 基于人工神经网络故障诊断技术 (7)1.5本文主要工作 (9)2 异步电机基本原理及常见故障机理分析 (10)2.1异步电动机构造及基本原理 (10)2.1.1 异步电动机的构造 (10)2.1.2 异步电动机基本原理 (12)2.2异步电动机故障及其判据 (12)2.2.1 转子断条和端环开裂故障 (13)2.2.2 气隙偏心故障 (13)2.2.3 绕组过热与匝间短路故障 (18)2.3本章小结 (18)3 基于电流频谱的电机故障分析 (19)3.1电流频谱法诊断电动机故障 (19)3.2频谱分析与傅立叶变换 (19)3.2.1 频谱分析原理与方法 (19)3.2.2 傅立叶变换原理 (22)3.3故障诊断仿真研究 (25)3.3.1 MATLAB的概况 (25)3.3.2 仿真实例 (25)3.4单相电流频谱图分析方法的局限性 (28)3.5本章小结 (28)4 基于RBF径向基函数神经网络电机故障诊断 (29)4.1RBF神经网络的结构和特点 (30)4.1.1 RBF神经网络的结构 (30)4.1.2 RBF神经网络理论基础 (32)4.2RBF神经网络学习算法 (33)4.3RBF网络设计 (35)4.3.1 RBF神经元 (35)4.3.2 RBF神经网络的映射关系 (36)4.4故障诊断仿真研究 (36)4.4.1 仿真实例1 (36)4.4.2 仿真实例2 (41)4.5本章小结 (44)5 总结 (45)参考文献： (46)翻译部分 (48)英文原文 (48)中文译文 (61)致谢 (71)1 绪论1.1 课题研究的意义自19世纪发明电动机以来，由于电能应用方便，而且电动机的性能良好，便于控制，使用与操作简单，因而得到了迅速普及，应用范围越来越广，使用数量越来越多，使人类从繁重的体力劳动中逐步解脱出来，从而推进和完成了人类历史上第二次的工业革命。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘要
主要阐述了BP 神经网络在直流电动机故障诊断方面的应用。
内容包括BP 神经网络的建立, 基于Matlab simulink的网络仿真三相异步电动机的运行状况直接影响到生产的正常进行，因此研究电机故障诊断技术，具有重大的理论意义和社会经济效益。
针对三相异步电动机的接地短路的外部故障，提出了一种基于BP神经网络的故障诊断方法,然后利用FFT 分析, 将振动信号的频谱分析作为神经网络的训练样本。
对所采集异步电动机的定子转矩电流进行数据预处理与特征提取、归一化后，把这些特征参数作为神经网络的输入，经过学习训练，以判断系统状态，识别系统的故障。
通过选择足够的故障样本来训练神经网络, 将代表故障的信息输入训练好的神经网络后, 由输出结果就可以判断发生的故障种类。
仿真和测试结果表明了该方法的有效性和正确性。
关键词:三相异步电动机;故障诊断;神经网络;BP算法
Abstract
The application of BP neural network in the fault diagnosis of motor is explained. It contains setting up of the network and the network simulation based on Matlab simulink under the programming language environment .As the working status of the three-phase asynchronous motors directly impact on the daily order of production activity，it is very important to investigate the fault diagnosis techniques for the three—phase asynchronous motors. So it is of great theoretical and socio-economic benefits to study on electrical fault diagnosis technology．
Aim at the faults of there-phase asynchronous motors such as ground fault, brings out one method of fault diagnosis based on BP neural network, then by FFT analysis, the frequency information of vibration is used as the training specimen of neural network. This method used characteristic information of asynchronous motor such as stator current finishes data preprocessing，feature extraction，and normalization. Then it uses these characteristic parameters as the inputs of the neura1 network，studies and trains，judges the state of system，and recognizes the fault of system.
When symptoms that represent faults are input to the t rained neural network, the type of fault can be determined in the output of the neural network. The simulation and the test results point out its validity and correctness.
Keywords: three-phase asynchronous motors; faults diagnosis; neural network; BP arithmetic
目录
第一章绪论 (1)
1.1 异步电动机工作原理及用途 (1)
1.2 异步电动机常见故障类型及方法 (1)
1.2.1 异步电动机常见故障类型 (1)
1.2.2 故障诊断方法 (1)
1.3 神经网络在故障诊断中的应用 (2)
1.4 神经网络特点 (3)
1.5 神经网络故障诊断实现步骤 (4)
第二章神经网络概述 (5)
2.1 BP神经网络 (5)
2.2 BP网络模型结构 (5)
2.2.1 神经元模型 (5)
2.2.2 前馈型神经网络 (6)
2.3 BP网络学习算法 (7)
2.3.1 学习算法 (7)
2.3.2 神经网络的实现过程 (11)
第三章异步电动机在MATLAB中的建模仿真及故障设置 (12)
3.1 异步电动机在MATLAB中的建模 (12)
3.1.1 选择模块 (12)
3.1.2 搭建模块 (12)
3.1.3 模块参数设置 (13)
3.2 三相异步电动机故障设置及故障特征提取 (16)
3.2.1 故障设置 (17)
3.2.2 故障仿真 (18)
3.2.3 特征量提取及预处理 (23)
第四章故障诊断实例 (26)
4.1 BP神经网络的构建 (26)
4.2 BP网络设计 (26)
4.2.1 网络创建 (26)
4.2.2 网络训练与测试 (27)
结论 (30)
参考文献 (31)
附录 (33)
致谢 (36)
第一章绪论
1.1 异步电动机工作原理及用途
三相异步电动机也被称作感应电动机，当其定子侧通入电流以后，部分磁通将穿过短路环，并在短路环内产生感应电流。
短路环内的电流阻碍磁通的变化，致使有短路环部分和没有短路环部分产生的磁通有了相位差，从而形成旋转磁场。
转子绕组因与磁场间存在着相对运动而感生电动势和感应电流，即旋转磁场与转子存在相对转速，并与磁场相互作用产生电磁转矩，使转子转起来，从而实现能量转换。
三相异步电动机具有结构简单，成本较低，制造、使用和维护方便，运行可靠以及质量较小等优点，从而被广泛应用于家用电器、电动缝纫机、食品加工机以及各种电动工具、小型机电设备中,在工农业、交通运输、国防工业以及其他各行各业中应用也非常广泛。
1.2 异步电动机常见故障类型及方法
1.2.1 异步电动机常见故障类型
常见的两种故障：定子部分故障和转子部分故障。
转子故障是因为电机频繁启动和过载运行使转子导条和端环易产生疲劳，使之逐渐产生断裂或开焊，引起故障。
定子部分的故障主要是定子绕组故障。
主要是由绝缘破坏而引起的不同形式的故障。
如内部放电、匝间短路、相间短路和单相对地短路等。
具体故障表现为过载、堵转、断相、电压不平衡、接地、过压、欠压等几种类型。
过载和堵转将导致电机电流的增加和电机过热，断相和电压不平衡将会引起正序、负序电流的增长，这些故障都将使电机产生大量热量；接地将在定子电流中出现零序分量，在传统保护中是利用检测零序分量的方法来识别接地故障的；过压会损坏电机绝缘。
短路故障包括供电线路的短路与电动机内部各绕组间对称的断路。
电动机的短路会发生热破坏，在严重情况下将同时发生力破坏，二者形成恶性循环，造成严重的安全事故。
1.2.2 故障诊断方法
三相异步电动机故障诊断方法主要有以下几种： (1)基于信号变换的故障诊断方法；(2)基于专家系统的故障诊断方法；该方法是根据被诊断系统的专家以往经验，。