第12頁共24頁基于BP神經(jīng)網(wǎng)絡(luò)的單相鼠籠式異步電機(jī)故障檢測及MATLAB仿真研究 1 1 22單相鼠籠式異步電機(jī)及典型故障 32.1單相鼠籠式異步電機(jī)數(shù)學(xué)模型 32.2三相異步電動機(jī)改單相的原理和方法 42.3典型故障 7 73.1故障電流波形特征分析 73.2故障電流時域特征分析 83.3故障電流頻域特征分析 4神經(jīng)網(wǎng)絡(luò)單相鼠籠式異步電機(jī)故障檢測 4.1檢測模型及思路 4.2BP神經(jīng)網(wǎng)絡(luò)檢測構(gòu)架 4.3BP神經(jīng)網(wǎng)絡(luò)MATLAB實現(xiàn)及仿真結(jié)果分析 21.1研究背景異步電動機(jī)的應(yīng)用極大地方便了工農(nóng)業(yè)的發(fā)展，它的工作狀態(tài)對工農(nóng)業(yè)生產(chǎn)的正常進(jìn)行有很大的影響，一旦電動機(jī)出現(xiàn)了嚴(yán)重的機(jī)械故障，不僅會給的損壞，使得整個生產(chǎn)系統(tǒng)停止運(yùn)行，造成重大的經(jīng)濟(jì)損失，嚴(yán)重情況下還會威脅到人身安全。為減小電動機(jī)故障所帶來的損失，必須采用更多有效的檢修方法，將潛在安全隱患傳統(tǒng)的故障分析方法采用的是人工檢測，人工檢測的方式在一定上能夠?qū)收线M(jìn)行判需要維修人員具有較高的技術(shù)經(jīng)驗，因此，費(fèi)時費(fèi)力以外，對于電機(jī)內(nèi)因此，我們努力探索一種能夠在不拆裝電動機(jī)的條件下，通過人工智能技術(shù)對電動機(jī)的工作狀況進(jìn)行監(jiān)控、分析其原因和位置，從而得出其運(yùn)行趨勢。通過對電機(jī)故障的分析，可以對故障進(jìn)行全面的評估，從而在故障發(fā)生的早期，準(zhǔn)確地判斷故障的種類和原因，由此確定了故障位置，方便制訂維護(hù)方案，防止故障的進(jìn)一步惡化，降低電動機(jī)的突發(fā)故障帶來得經(jīng)濟(jì)損失。常用的故障診斷方法可以分為以下3類：1)基于解析模型的診斷方法其診斷方法是對異步電機(jī)進(jìn)行電路、磁路等研究，建立被診斷對象的較為精確的數(shù)學(xué)模型，并以此分析其故障特征4];具體可分為：參數(shù)估計法、狀態(tài)估計法、等價空間法。《鼠籠式異步電機(jī)轉(zhuǎn)子故障及其的診斷研究》中指出：異步電動機(jī)定子短路故障的檢測方法是通過提取數(shù)據(jù)參數(shù)來實現(xiàn)的。但是由于受到多個因素的制約，如電動機(jī)的強(qiáng)耦合等因素，使得這種方法很難實施[5。2)基于知識的故障診斷方法許多文獻(xiàn)都是采用人工神經(jīng)網(wǎng)絡(luò)法，對電動機(jī)進(jìn)行故障診斷。此外該方法還包括：專家系統(tǒng)故障診斷方法；模糊故障診斷方法；故障樹故障診斷方法和數(shù)據(jù)融合故障診斷方法。3)基于信號處理的診斷方法常見的故障特征由電壓，電流，扭矩和功率等。其中最容易獲取的是電流信號，因此最常見的診斷方法是定子電流頻譜分析(MSCA)。本文便以電流信號作為故障的特征量用以檢測電動機(jī)故障。當(dāng)異步電機(jī)出現(xiàn)定子繞組故障時，最容易受到影響的是三相定子電流的對稱性常常會，這也是定子電流頻譜分析MSCA測量的基礎(chǔ)。但是，由于故障初期故障顯現(xiàn)比較輕微，所以其故障特征量顯現(xiàn)也不是很明顯，而且定子三相的端電壓、工頻等參數(shù)的改變常常會導(dǎo)致定子繞組在故障檢測中的疏忽或誤判。《電機(jī)故障在線監(jiān)測診斷新原理和新技術(shù)研究》指出：在異步電動機(jī)定子繞組發(fā)生匝間短路故障后，定子電流中的第5次、第7次和第11次諧波明顯增大。因此，可以對三相定子電流中的諧波分析進(jìn)行故障診斷I7?！懂惒诫妱訖C(jī)故障檢測方法研究》提出了一種基于三相電流、電壓、功率因數(shù)、相位差等多個參數(shù)的故障特征值來判斷電機(jī)的短路故障。從這些特征的非測出斷層的發(fā)生及其嚴(yán)重性。然而在實際情況下，三相電源的電壓并不嚴(yán)格對稱，也因此由此可知，單純的定子電流譜分析方法(MSCA)不能十分有效、準(zhǔn)確地診斷和分析《籠型異步電動機(jī)多故障智能診斷及分離方1.3MATLAB實驗平臺介紹為使用者提供一個很好的互動平臺，可以在算法設(shè)計、仿真、數(shù)據(jù)分析、圖片處理等方面Simulink是一種以MATLAB為基礎(chǔ)的軟件開發(fā)環(huán)境，它的建模范圍非常廣闊，能夠?qū)Ω鞣N系統(tǒng)進(jìn)行建模、分析、仿真，并能對系統(tǒng)進(jìn)行數(shù)學(xué)建模。該軟系統(tǒng)框圖模型的圖形接□,以及一系列的功能模塊以及多個專業(yè)模塊。像處理軟件，逐漸擴(kuò)展到控制、工程等領(lǐng)域。另外，MATLAB在定義功能和建立工具包只要將MATLAB移植到計算機(jī)中，就可以方便地進(jìn)行初學(xué)者的學(xué)習(xí)，只要設(shè)定一定的參2單相鼠籠式異步電機(jī)及典型故障通過對兩個坐標(biāo)系的直接變換計算方法后即可將轉(zhuǎn)化有關(guān)為兩相相數(shù)學(xué)旋轉(zhuǎn)運(yùn)動靜止不停運(yùn)動模型坐標(biāo)系下的三相數(shù)學(xué)旋轉(zhuǎn)運(yùn)動模型直接變換轉(zhuǎn)化有關(guān)為兩相數(shù)學(xué)旋轉(zhuǎn)運(yùn)動靜止不停運(yùn)動模型坐標(biāo)系和兩相數(shù)學(xué)旋轉(zhuǎn)靜止運(yùn)動模型坐標(biāo)系下的學(xué)旋轉(zhuǎn)d-q靜止運(yùn)動模型坐標(biāo)系下的有關(guān)異步電機(jī)下的數(shù)學(xué)旋轉(zhuǎn)運(yùn)動模型問題摘錄并整(2)在任意兩相d-9旋轉(zhuǎn)坐標(biāo)系下的異步電機(jī)的電壓數(shù)學(xué)負(fù)載轉(zhuǎn)矩，p表示微分因子，ia1,41表示d-92.2三相異步電動機(jī)改單相的原理和方法三相異步電動機(jī)工作原理：當(dāng)電動機(jī)的三相定子繞組(各相差120度角度)通入三相交流電后，將產(chǎn)生一個旋轉(zhuǎn)磁場，該旋轉(zhuǎn)磁場切割轉(zhuǎn)子繞組，從而在轉(zhuǎn)子繞組中產(chǎn)生感應(yīng)電流，載流的轉(zhuǎn)子導(dǎo)體在定子旋轉(zhuǎn)磁場作用下將產(chǎn)生電磁力，從而在電機(jī)轉(zhuǎn)軸上形成電磁轉(zhuǎn)單相電動機(jī)工作原理：單相電動機(jī)由定子和鼠繞組，主、副繞組在空間上互成90度電角度。副繞組串聯(lián)了一個運(yùn)轉(zhuǎn)電容器后與主繞組并聯(lián)接入電路。當(dāng)主、副繞組通入單相交流電時，主繞組產(chǎn)生脈動磁場，副繞組在電容器的作用下，產(chǎn)生與主繞組相位超前約90度的脈動磁場。這兩個脈動磁場合成一個旋轉(zhuǎn)磁場，對于如何將三相異步電動機(jī)改接成單相，我們知道單相電動機(jī)只才能夠起動。它之所以沒有初始起動轉(zhuǎn)距，是因為在單相繞組中建立起的磁場不是旋轉(zhuǎn)的，但是電動機(jī)內(nèi)部兩個繞組的位置有空間角度差，若設(shè)法再產(chǎn)生一不同相的電流，使兩相電流在時間上有一定的相位差產(chǎn)生旋轉(zhuǎn)磁場，這樣就能使電機(jī)起動。因此單相電動機(jī)的定子除了動機(jī)起動運(yùn)轉(zhuǎn)。如果三相電機(jī)使用在單相電源上，首先將三相異步電動機(jī)定子繞組中的任意二相繞組線圈串聯(lián)，再與另一相繞組并聯(lián)接入電源。這時，兩個繞組里的磁通量在空間上雖然有相位有在起動繞組上串聯(lián)一只電容器才能使電流有相位差。在接法上為了增大起動轉(zhuǎn)矩，可用一臺自耦變壓器將單相電源的電壓220V升到380V,示意圖如圖2.1所示。而一般小型電動機(jī)均為Y接，對Y接的三相異步電動機(jī)用此種方法接線，應(yīng)將串入電容C的繞組接線端子接在自耦變壓器起頭端子上，如需改變轉(zhuǎn)軸轉(zhuǎn)動方向，可按圖2.2接線。自耦變壓器繞組聯(lián)接接線板聯(lián)接壓及功率因數(shù)。一般工作電容用在單相電源上的三相異步電機(jī)時(220V),每100W用4~6微在本文的研究中，將三相電機(jī)的B相接地，C相接電容反饋回A相來模擬單相異步電機(jī)。采用simulink平臺建立如下數(shù)學(xué)模型：上圖中.輸入的是單相交流電源.斷路器模擬故障.通過示波器進(jìn)行故障的觀測。上圖(a)為匝間故障電流，(b)為軸承故障電流，從上面的結(jié)果可以看出，在故障環(huán)境下采集到的數(shù)據(jù)諧波比較嚴(yán)重，這是由于故障環(huán)境下，故障電流體現(xiàn)出來的非線性度更高。后面的特征也是在故障電流時域或者是頻域進(jìn)行特征提取得到特征量進(jìn)行研究。從兩個圖也可以知道，不同的故障體現(xiàn)出來的時域波形是不同的，因此，從波形角度也是可以區(qū)分兩種故障的。3.2故障電流時域特征分析3.2.1故障電流有效值特征單相鼠籠式異步電動機(jī)電流有效值體現(xiàn)的是故障電流的數(shù)據(jù)基本規(guī)律，定義故障電流的有效值計算模型為：由于故障電流需要采樣以后才能進(jìn)行計算和分析，因此，對上面的數(shù)學(xué)模型進(jìn)行轉(zhuǎn)換得到如下的公式：在上面的方程中，Ie表示的是在采樣周期內(nèi)單相鼠籠式異步電機(jī)故障故障電流的采樣值，而N則表示的是采樣周期中的采樣點數(shù)。在Matlab軟件中，采用下面的程序?qū)收想娏鞯挠行е颠M(jìn)行計算。中，最大幅值是一種具備脈沖特性以及較大摧毀力的特征，他是一單相鼠籠式異步電機(jī)電流標(biāo)準(zhǔn)差反應(yīng)的是故障里面可以用matlab的標(biāo)準(zhǔn)差函數(shù)來進(jìn)行計算，對于標(biāo)準(zhǔn)差所反映的特征而言是最大幅值的擴(kuò)展特征，因為他代表的是故障電流脈沖的數(shù)量，這樣的脈沖數(shù)量越多，那么標(biāo)準(zhǔn)差就越3.3故障電流頻域特征分析3.3.1FFT頻譜分析法通常在傅里葉變換中，頻域中的各個分量可以由復(fù)指數(shù)函數(shù)、正在現(xiàn)有的測試系統(tǒng)中，可以利用離散傅里葉變換(DFT)對有限序列的頻率進(jìn)行直接的傅里葉分析。該算法能在任意一點上進(jìn)行運(yùn)算，就像一個可器。通過對某一頻段的有限序列的檢測，可以通過可調(diào)整的濾波器，求出各頻段的正弦信號和余弦信號。假設(shè)實部可以用所有的余弦輸出的加法定義power[Xk]=Re[Xk]2+Im[X但對任何一個Xk,要想得到DFT結(jié)果都需要進(jìn)行N次復(fù)數(shù)乘運(yùn)算和N-1次復(fù)數(shù)加運(yùn)1)次的復(fù)數(shù)加運(yùn)算?？梢娺@樣的運(yùn)算量是很大的，盡管我們采用數(shù)列x(n)的各種對稱性，以此來加快DFT的運(yùn)算效率，但是這樣會花費(fèi)更多的時間，在現(xiàn)實生產(chǎn)中這種方法往往是快速傅立葉變換(FFT),一般情況下會選擇采用基-2FFT分蝶形運(yùn)算。對于N個分?jǐn)?shù)加法。我們可以利用FFT算法和DFT算法直接計算的結(jié)果相比，它們所需要的復(fù)數(shù)乘法而FFT算法和DFT算法所需的復(fù)數(shù)加法的次數(shù)之比為：由于FFT對有限長序列的長度有很高的限制，因此它具有很大的限制。其取樣資料數(shù)目必須是2n個，也就是即(64,128,…,2n)。我們還發(fā)現(xiàn)，采樣序列的長度與FFT頻譜分辨率呈現(xiàn)反比關(guān)系，即FFT頻譜分辨率=采樣頻率/采樣數(shù)。該公式表明，在信號檢測時，需要調(diào)整信號的采樣頻率，以保證采集到的數(shù)據(jù)符合以上要求，但是這3.3.2故障電流頻域諧波幅值分析下面對故障電流的頻域波形進(jìn)行觀測如下：從上圖仿真結(jié)果可以看出，匝間故障在250HZ和3000HZ左右諧波比較嚴(yán)重，軸承故障主要集中在0頻率點。因此，進(jìn)行三次諧波提取，得到下面波形。從上圖中看出，對于(a)中的匝間故障而言，在40HZ左右為一次諧波，幅值為24,在780HZ左右為二次諧波，幅值為13,在1000HZ左右為三次諧波，幅值為11。對于(b)中的軸承故障而言，一次二次三次諧波都在100HZ以內(nèi)，因此，可以將幅值的最大值作為特征量進(jìn)行單相鼠籠式異步電機(jī)故障檢測。在本章的研究中，針對單相鼠籠式異步電機(jī)故障電流的各特征量4神經(jīng)網(wǎng)絡(luò)單相鼠籠式異步電機(jī)故障檢測采用故障電流有效值，最大幅值，標(biāo)準(zhǔn)差，平均值，F(xiàn)FT提取各組故障電流幅值作為幅值+X2*有效值+X3*標(biāo)準(zhǔn)差+X4*平均值+X5*為輸出，將檢測單相鼠籠式異步電機(jī)故障類型分為：含匝間故障、含軸承故障以及不含故障三種。測試數(shù)據(jù)為：故障電流有效值，最選擇神經(jīng)網(wǎng)絡(luò)的層次取決于它的實際應(yīng)用方向，本論文所做的基于BP神經(jīng)網(wǎng)絡(luò)的鼠籠電動機(jī)的故障診斷是一種非線性系統(tǒng)。由于單層神經(jīng)網(wǎng)絡(luò)主要在有很高的訓(xùn)練復(fù)雜程度，所以本文沒有選用單層神經(jīng)網(wǎng)絡(luò)。另外，按照Kolmogorov另外，添加更多的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)會使網(wǎng)絡(luò)中的隱含層數(shù)量增多，會使的網(wǎng)絡(luò)的學(xué)習(xí)速度變得緩慢、網(wǎng)絡(luò)的收斂時間延長等不利因素。因此，在比較單相(1)輸入神經(jīng)元數(shù)目的確定上節(jié)對該系統(tǒng)進(jìn)行了詳細(xì)的分析，提出了一種基于的網(wǎng)絡(luò)。由于輸入層是以網(wǎng)絡(luò)為基礎(chǔ)的數(shù)據(jù)輸入，所以在神經(jīng)網(wǎng)絡(luò)中，有多少個因素指標(biāo)需要訓(xùn)練，就有多少個神經(jīng)網(wǎng)絡(luò)的輸入。本論文以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，構(gòu)網(wǎng)絡(luò)，從實驗的視角出發(fā)，研究了方案層次指標(biāo)因素在目標(biāo)層中的輸入和輸出。因為在輸入層中有25個因素指標(biāo)，所以需要25個輸入層的節(jié)點。(2)輸出層神經(jīng)元個數(shù)的確定輸出層網(wǎng)絡(luò)的輸出，即為單相鼠籠式異步電機(jī)故障檢測的檢測結(jié)果，為單輸出，所以輸出層節(jié)點為1。何選取隱含層非常關(guān)鍵。到目前為止，還沒有一種比較精確的計算方法，該問題成為了在神經(jīng)網(wǎng)絡(luò)中選取隱含層的節(jié)點數(shù)量非常關(guān)鍵，若選取的隱含層訓(xùn)練不出合適的網(wǎng)絡(luò)，或者會使得訓(xùn)練出來的網(wǎng)絡(luò)容錯性較含層節(jié)點，將會使網(wǎng)絡(luò)的訓(xùn)練變得十分困難、還會延長訓(xùn)練時間、也會使網(wǎng)絡(luò)泛化的性能轉(zhuǎn)換函數(shù)的形式選擇、數(shù)據(jù)的樣本特征等因素有關(guān)，這些因素對隱含取具有重要的影響。目前，關(guān)于如何在隱蔽層中識別神經(jīng)元數(shù)目，尚無統(tǒng)一的方法，在總在公式(4-1)中，p代表訓(xùn)練樣本數(shù)量，l代表輸入層的神經(jīng)元數(shù)量，n代表輸出層本文所研究的單相鼠籠式異步電機(jī)故障檢測系統(tǒng)屬于非取的轉(zhuǎn)換函數(shù)能夠具有較好的非線性映射能力，因此在隱含層神經(jīng)元中，我們選取S型正切函數(shù)tansing作為激勵函數(shù)。此外，單相鼠籠式異步電機(jī)故障檢測的數(shù)據(jù)經(jīng)過歸一化4.3.1BP神經(jīng)網(wǎng)絡(luò)建立4.3.1.1BP神經(jīng)網(wǎng)絡(luò)的建立方法BP神經(jīng)網(wǎng)絡(luò)的建立過程包括如下兩個階段：(1)在工作信號的正向傳輸中，輸入信號可以從輸入層進(jìn)入網(wǎng)絡(luò)，然后經(jīng)過隱藏層，最后在輸出層生成一個輸出信號。在這段時間內(nèi)，各神經(jīng)元的權(quán)重、閾值均未發(fā)生變化，各層次的神經(jīng)元僅對下一層次神經(jīng)元的輸入及狀態(tài)產(chǎn)生影響。若在輸出端未獲得期望的輸出量，網(wǎng)絡(luò)將進(jìn)入誤差信號的反向傳輸過程。(2)誤差信號的反向傳輸是網(wǎng)絡(luò)的實際輸出和預(yù)期輸出之間的結(jié)果差異，即誤差信號。誤差信號從輸出端一層一層地傳輸回來。在此傳輸過程期間，根據(jù)一定的規(guī)則，通過誤差信號調(diào)節(jié)網(wǎng)絡(luò)中各神經(jīng)元的權(quán)重和閾值。以上兩個步驟應(yīng)該按交替的周期進(jìn)行。該算法通過對各神經(jīng)元權(quán)重和閾值的不斷調(diào)整，使網(wǎng)絡(luò)的輸出結(jié)果與期望的輸出結(jié)果越來越接近。其中，在誤差回傳的過程中，誤差回傳的核心是對每個神經(jīng)元的權(quán)值和閾值進(jìn)行調(diào)節(jié)，而權(quán)值的調(diào)整是以不斷減小誤差為原則。4.3.1.2BP神經(jīng)網(wǎng)絡(luò)檢測的實現(xiàn)方法基于BP神經(jīng)網(wǎng)絡(luò)的單相鼠籠式異步電動機(jī)的故障診斷，可以將其劃分為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與檢測兩部分。(1)選取訓(xùn)練樣本數(shù)據(jù)構(gòu)造訓(xùn)練樣本。(2)對單相鼠籠式異步電動機(jī)的故障歷史樣本數(shù)據(jù)和工作質(zhì)量分?jǐn)?shù)進(jìn)行了預(yù)處理。在進(jìn)行神經(jīng)網(wǎng)絡(luò)檢測之前，需要先將原始數(shù)據(jù)進(jìn)行歸一化處理，但是由于檢測值的變化幅度較大，不適合直接作為神經(jīng)網(wǎng)絡(luò)的輸出，因此仍需進(jìn)行必要的歸一化。將數(shù)據(jù)規(guī)范在[0,1]之間，這樣使數(shù)據(jù)盡可能地平滑輸出，從而消除檢測結(jié)果的噪聲。采用歸一化方法目的是為了加快訓(xùn)練網(wǎng)絡(luò)的收斂性，具體算法是：將輸入輸出數(shù)據(jù)變換為[0,1]區(qū)間的值常用以下變換式：變化范圍的最大值。(3)構(gòu)造訓(xùn)練樣本。(4)基于BP神經(jīng)網(wǎng)絡(luò)的三層結(jié)構(gòu)進(jìn)行建模。第一層為輸入層，輸入訓(xùn)練樣本，第二層作為隱含層，第三層為輸出層，輸出最終檢測結(jié)果。(5)檢測網(wǎng)絡(luò)。對后10組數(shù)據(jù)進(jìn)行檢測，然后利用反歸一化進(jìn)行數(shù)據(jù)處理，得到檢測后的數(shù)據(jù)。基本流程圖如下圖4.1所示：開始開始向網(wǎng)絡(luò)提供學(xué)習(xí)模式對計算輸出層各單元的輸入、輸出計算中間層各單元的校正誤差及輸出層各單元的輸出閾值及中間層各單元的輸出閾值更新學(xué)習(xí)次數(shù)No?學(xué)習(xí)結(jié)束4.3.2BP神經(jīng)網(wǎng)絡(luò)的測試本文以Matlab2020a作為實驗仿真平臺，首先通過Simulink模型運(yùn)行不同的故障，在此基礎(chǔ)上，然后將對故障數(shù)據(jù)進(jìn)行有效值、最大值、標(biāo)準(zhǔn)差、頻域等多個特征進(jìn)行提取，并將其不同的故障數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)是采用newff()函數(shù)來建立的。在隱含層神經(jīng)元中，選擇logisig函數(shù)作為傳遞函數(shù)，在輸出層神經(jīng)元中，選擇purelin函數(shù)作為傳遞函數(shù)，trainlm函數(shù)則用于網(wǎng)絡(luò)訓(xùn)練。net=newff(minmax(b),[25,10,1],{'tansig','tansig','purelin'},'tr選擇一個sim()函數(shù)來觀測初始網(wǎng)絡(luò)的輸出；在初始參數(shù)選取上，我們將初始學(xué)習(xí)速率設(shè)定為0.1,最大迭代訓(xùn)練次數(shù)設(shè)定為在此基礎(chǔ)上，我們采用附加動量的梯度下降法對20組數(shù)據(jù)進(jìn)行訓(xùn)練，其中前10組數(shù)據(jù)被用作訓(xùn)練樣本，后10組數(shù)據(jù)被用作測試樣本，用來進(jìn)行檢測網(wǎng)絡(luò)。NeuralNetworkTraining:Levenberg-Marquardt(trainlm)Performance:MeanSquaredErroGradientEpoch:表示訓(xùn)練次數(shù)，它的最大訓(xùn)練次數(shù)被設(shè)定為5000;Performance:表示訓(xùn)練誤差(訓(xùn)練性能),最小誤差為0.00001;Gradient:表示最小梯度為0.1;Validationchecks:表示錯誤驗證，當(dāng)錯誤次數(shù)達(dá)到6時，停止訓(xùn)練。當(dāng)訓(xùn)練結(jié)束后，顯示BP網(wǎng)絡(luò)訓(xùn)練輸出圖。從圖4.2、4.3中可以看出，本文所選取的三層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)速度較快，訓(xùn)練準(zhǔn)確率較高，且神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果與期望的檢測輸出結(jié)果基本吻合，該實驗結(jié)果表明，本文所提出的神經(jīng)網(wǎng)絡(luò)是有效的、可行的。然后，我們再利用該網(wǎng)絡(luò)對測試樣本進(jìn)行訓(xùn)練檢測。從圖4.4不難看出，本文所設(shè)計的網(wǎng)絡(luò)期望輸出和實際的輸出曲線基本是保持一致在本論文中，首先介紹了單相鼠籠式異步電動機(jī)的國內(nèi)外研究狀況和應(yīng)用背景，并指出了其存在的問題，提出了一種基于多維的電機(jī)故障診斷方法。其次，對單相鼠籠電動機(jī)的模型和典型的故障進(jìn)行了分析。利用Simulink模型，將故障電流的最大值、有效值、均值、均方差等作為特征值，針對單相鼠籠式異步電機(jī)故障電流的各特征量的數(shù)學(xué)模型以及提取方式進(jìn)行分析，利用人工神經(jīng)網(wǎng)絡(luò)將已有的兩個故障數(shù)據(jù)的特征值作為訓(xùn)練樣本，以不同特征構(gòu)成的權(quán)重的故障表現(xiàn)作為期望值進(jìn)行訓(xùn)練。。并設(shè)定測試數(shù)據(jù)以供校驗。通過理論分析和Matlab模擬實驗，驗證了所提出的單相鼠籠型異步電動機(jī)的故障診斷方法，可以從故障特征中提取出故障類型，并對其進(jìn)行分類判斷，為單相鼠籠式異步電動機(jī)的故障診斷和故障診斷提供了一定的理論依據(jù)。[1]李子恒.高鐵牽引系統(tǒng)復(fù)合故障智能診斷方法研究[D].南京航空航天大學(xué)，2020.[2]李雙雙.籠型異步電動機(jī)多故障仿真模型的建立及診斷方法研究[D].太原理工大學(xué)，2017.[3]袁野.基于電流法的異步電動機(jī)故障診斷方法的研究[D].長安大學(xué)，2017.[4]宋蘇臣.鼠籠式異步電動機(jī)故障檢測系統(tǒng)研究[D].長安大學(xué)，2017.[5]肖翔.鼠籠式異步電機(jī)轉(zhuǎn)子故障及其的診斷研究[D].武漢科技大學(xué)，2017.[6]劉月.三相異步電動機(jī)故障智能檢測與診斷方法研究[D].湘潭大學(xué)，2020.[7]劉振興.電機(jī)故障在線監(jiān)測診斷新原理和新技術(shù)研究[D].華中科技大學(xué)，2004.[8]孫麗玲.異步電動機(jī)故障檢測與診斷方法研究[D].華北電力大學(xué)(河北),2007.[9]王永寧.異步電動機(jī)故障檢測方法研究[D].華北電力大學(xué)(河北),2005.[10]丁寶華.異步電動機(jī)內(nèi)部故障分析及檢測方法研究[D].山東大學(xué)，2006.[11]安國慶.異步電動機(jī)早期故障特征檢測技術(shù)的研究[D].河北工業(yè)大學(xué)，2013.[12]王躍龍.籠型異步電動機(jī)多故障智能診斷及分離方法的研究[D].太原理工大學(xué)，2017.[13]王瑾.異步電動機(jī)故障診斷及保護(hù)裝置的研究與實現(xiàn)[D].山東科技大學(xué)，2011.[14]白月林.異步電動機(jī)