基于多层NN结构的电机故障诊断应用研究
电力系统中基于深度学习的故障检测与故障诊断技术研究
电力系统中基于深度学习的故障检测与故障诊断技术研究随着电力系统规模的不断扩大和复杂性的增加，故障检测与故障诊断变得越来越重要。
传统的基于规则的方法虽然可以解决一些故障问题，但在处理复杂故障和大规模系统中的问题时存在局限性。
而深度学习作为一种强大的机器学习技术，已被广泛应用于电力系统的故障检测与诊断中，取得了显著的效果。
一、深度学习在故障检测中的应用深度学习在故障检测中的应用主要包括故障模式的学习和异常检测。
对于电力系统，深度学习模型可以通过学习历史的故障数据，并利用这些数据来建模不同的故障模式。
通过对电力系统中状态数据的监测，深度学习模型可以检测任何与已学习的故障模式不一致的情况。
这种基于深度学习的故障检测技术可以帮助电力系统实时监测潜在的故障，并及时采取应对措施，从而避免故障进一步恶化。
二、深度学习在故障诊断中的应用在故障诊断方面，深度学习模型可以通过学习多个传感器之间的关系，并根据这些关系来对故障进行诊断。
通过对电力系统中各个部件的监测数据进行分析，深度学习模型可以准确地找出导致故障的具体原因，并提供相应的解决方案。
这种基于深度学习的故障诊断技术可以大大提高电力系统故障处理的效率和准确性，减少因故障诊断延误导致的损失。
三、深度学习模型的应用案例1. 基于深度信念网络的故障检测:深度信念网络（DBN）是一种多层神经网络，在故障检测中被广泛应用。
该模型通过学习电力系统历史数据，可以对未知故障进行分类，并提供精确的故障检测结果。
同时，DBN模型具有自适应性和自学习能力，可以根据不同电力系统的特点来调整模型的参数，从而提高故障检测的准确性和效率。
2. 基于长短期记忆网络的故障诊断:长短期记忆网络（LSTM）是一种递归神经网络，适用于序列数据的处理。
在电力系统的故障诊断中，LSTM模型可以通过学习电力系统中不同部件之间的时序关系，来实现故障的准确诊断。
通过对故障数据的分析，LSTM模型可以识别出导致故障的具体原因，并提供相应的解决方案。
基于人工智能技术的电机故障诊断与预测
基于人工智能技术的电机故障诊断与预测电机故障诊断与预测是电力系统运行中的一个重要任务，它可以帮助我们及时发现和解决电机故障，提高系统的稳定性和可靠性。
而随着人工智能技术的飞速发展，基于人工智能技术的电机故障诊断与预测方法得到了极大的关注和应用。
首先，基于人工智能技术的电机故障诊断方法主要包括传统机器学习算法和深度学习算法。
传统机器学习算法如支持向量机、决策树和随机森林等，通过分析电机运行数据中的特征参数，建立模型进行故障诊断和预测。
而深度学习算法如神经网络、卷积神经网络和循环神经网络等，通过深层次的学习和自适应特征提取，实现对电机故障的准确识别和预测。
其次，基于人工智能技术的电机故障诊断与预测可以从多个方面提高诊断准确度和效率。
首先，利用人工智能技术可以获取大量的电机运行数据，包括电流、电压、振动等实时数据，从而实现对电机状态的实时监测和诊断。
其次，人工智能技术可以对电机故障模式进行自动学习和识别，从而减少人工干预的需求，提高诊断的准确性和效率。
此外，基于人工智能技术的电机故障诊断与预测可以将传感器、数据分析、算法设计和模型建立等多种技术手段相结合，形成一个完整的诊断系统。
在实际应用中，基于人工智能技术的电机故障诊断与预测方法已经取得了很好的效果。
例如，可以通过监测电机的振动特征和声音信号，利用机器学习算法和深度学习算法进行故障模式识别和电机故障预测。
同时，还可以利用电机运行数据对电机的健康状态进行实时监测和评估，从而实现对潜在故障进行提前预警和处理。
此外，基于人工智能技术的电机故障诊断与预测还可以结合其他领域的技术手段，例如物联网、云计算和大数据分析等。
通过与这些技术的融合，可以进一步提高电机故障诊断和预测的准确性和可靠性。
例如，可以利用物联网技术将多个电机联网，实现对整个电力系统的实时监测和故障诊断。
同时，还可以利用云计算和大数据分析技术，对大量的电机运行数据进行存储和分析，提取出有用的特征信息，从而实现对电机故障的准确诊断和预测。
基于人工智能技术的电机故障诊断与预测方法研究
基于人工智能技术的电机故障诊断与预测方法研究电机故障诊断与预测是电机维护和故障排除的重要方面，对于提高电机的可靠性和降低设备停机时间具有重要意义。
近年来，人工智能技术的快速发展为电机故障诊断与预测提供了新的解决方案。
本文主要研究基于人工智能技术的电机故障诊断与预测方法，以提高电机的运行效率和可靠性。
首先，本研究采用了神经网络技术进行电机故障诊断与预测。
神经网络具有自学习和自适应能力，能够有效地从大量的数据中提取特征，并进行准确的故障诊断和预测。
通过训练大量的故障样本数据，我们可以建立一个准确的神经网络模型，用于诊断和预测电机的故障。
其次，本研究还结合了机器学习技术进行电机故障诊断与预测。
机器学习技术可以通过分析大量的数据，识别出不同故障模式之间的关联性，并建立相应的分类模型和预测模型。
通过训练这些模型，我们可以提高电机故障的检测和预测准确率。
另外，本研究还引入了深度学习技术进行电机故障诊断与预测。
深度学习技术是神经网络的一种扩展，可以通过多层网络结构进行特征提取和模式识别。
通过深度学习技术，我们可以针对不同故障模式进行深度特征学习，并进行准确的故障诊断和预测。
深度学习技术的引入可以提高电机故障诊断与预测的准确率和鲁棒性。
此外，本研究还探索了基于图像处理技术的电机故障诊断与预测方法。
通过采集电机的震动信号、声音信号或红外图像等数据，我们可以提取出与故障相关的特征，并进行故障诊断和预测。
图像处理技术可以将复杂的问题转化为图像处理问题，利用图像处理的方法进行故障诊断和预测。
通过图像处理技术，我们可以提高电机故障诊断与预测的准确率和稳定性。
最后，本研究还探索了基于数据挖掘技术的电机故障诊断与预测方法。
数据挖掘技术可以从大量的数据中挖掘出隐藏的模式和规律，进而进行准确的故障诊断和预测。
通过对电机故障数据的挖掘和分析，我们可以找出故障发生的规律和原因，并提出相应的故障诊断和预测方法。
综上所述，基于人工智能技术的电机故障诊断与预测方法是提高电机可靠性和降低维护成本的重要手段。
故障诊断技术应用研究
故障诊断技术应用研究故障诊断技术应用研究故障诊断技术是指通过分析和检测设备或系统的故障，找出故障原因并提供解决方案的一种技术。
它在各行各业都有广泛的应用，包括电子设备、汽车、航空航天等领域。
以下是故障诊断技术应用研究的一些步骤和方法。
第一步：问题描述和数据收集在进行故障诊断之前，首先要对问题进行准确的描述。
这包括问题的出现频率、具体症状以及影响范围等。
同时，需要收集相关的数据，如设备的工作状态记录、传感器数据、故障日志等。
第二步：数据预处理和特征提取收集到的数据可能存在噪声或冗余，需要进行预处理。
常用的方法包括数据清洗、数据平滑和数据插值等。
在数据预处理之后，可以根据实际情况提取有用的特征，如频率、幅值、时域特征等。
第三步：模型训练和选择在故障诊断中，常用的方法包括基于规则的诊断、基于模型的诊断和基于统计学的诊断等。
针对具体的问题，可以选择合适的模型进行训练和选择。
例如，可以使用人工智能技术中的神经网络、支持向量机等进行故障诊断模型的训练。
第四步：模型评估和优化通过将收集到的数据输入到训练好的模型中，可以得到故障诊断的结果。
需要对模型的性能进行评估，如准确率、召回率、精确率等指标。
如果模型的性能不满足要求，可以考虑调整模型的参数或采用其他优化方法。
第五步：故障诊断和解决方案提供根据模型的诊断结果，可以确定设备或系统的故障原因。
根据故障原因，提供相应的解决方案，如修复设备、更换零部件或调整系统参数等。
第六步：反馈和改进故障诊断技术是一个不断迭代的过程。
根据实际应用的结果，可以对模型和算法进行改进。
同时，也需要从实际操作中收集反馈信息，以便对诊断过程和解决方案进行优化。
总结起来，故障诊断技术应用研究的步骤包括问题描述和数据收集、数据预处理和特征提取、模型训练和选择、模型评估和优化、故障诊断和解决方案提供以及反馈和改进。
这些步骤可以帮助我们更准确地找出故障原因并提供有效的解决方案，提高设备和系统的可靠性和可用性。
电机故障诊断技术的现状及应用
电机故障诊断技术的现状及应用随着工业生产的不断发展，电机作为工业生产中的重要设备，在生产过程中发挥着重要作用。
然而，在使用电机的过程中，电机故障的发生是不可避免的。
电机故障的产生可能导致生产效率降低、生产成本增加、设备维修费用增加等一系列负面影响。
因此，对电机故障进行准确快速的诊断显得尤为重要。
目前，电机故障诊断技术已逐渐成熟并被广泛应用。
常见的电机故障诊断技术包括霍尔效应测量、断路器测试、绝缘电阻测试、电机绝热性测试、电机运行参数测试等。
其中，电机运行参数测试是一种非常有效的方法。
通过对电机的电流、电压、功率因数、转速等参数进行测量，结合一定的分析方法，诊断故障的类型和位置，可以快速处理电机故障，提高生产效率。
值得注意的是，电机故障诊断技术的应用并不仅限于生产领域。
随着现代汽车的不断普及，电动机在汽车中的应用越来越广泛。
采用电机驱动的汽车需要能够准确诊断电机故障，避免出现意外。
此外，在飞机等大型交通运输工具中，电机也是不可或缺的配件。
若出现电机故障，可能导致重大后果。
因此，对电机进行准确诊断显得尤为重要。
值得注意的是，电机故障诊断技术的应用并不仅限于生产领域。
随着现代汽车的不断普及，电动机在汽车中的应用越来越广泛。
采用电机驱动的汽车需要能够准确诊断电机故障，避免出现意外。
此外，在飞机等大型交通运输工具中，电机也是不可或缺的配件。
若出现电机故障，可能导致重大后果。
因此，对电机进行准确诊断显得尤为重要。
当前，电机故障诊断技术在信息技术的支持下得以更好地应用。
借助于互联网的发展，许多企业和供应商已经将电机故障诊断技术融入到其生产线中，以提高其生产效率和质量。
除此之外，借助于现代信息技术，电机故障诊断技术也逐渐被运用于智能家居等领域。
一些家用电器生产商引进了先进的电机故障诊断技术，并将其融入到家用电器中，使家用电器具备了更高的安全性和可靠性。
总之，电机故障诊断技术的应用范围越来越广，技术也越来越成熟。
基于DBN的故障特征提取及诊断方法研究
基于DBN的故障特征提取及诊断方法研究一、本文概述随着工业技术的快速发展和复杂度的日益提升，设备故障诊断技术在保障工业系统安全、稳定、高效运行方面扮演着越来越重要的角色。
传统的故障特征提取和诊断方法在面对复杂多变、非线性、强耦合的工业故障时，往往表现出一定的局限性和不足。
因此，研究新型的故障特征提取及诊断方法具有重要的理论和实践价值。
本文提出了一种基于深度置信网络（Deep Belief Network, DBN）的故障特征提取及诊断方法。
深度置信网络是一种深层概率生成模型，具有强大的特征学习和分类能力，能够从原始数据中自动提取出有效的特征表示，对于处理复杂、非线性的工业故障问题具有显著优势。
本文首先介绍了深度置信网络的基本原理和结构，然后详细阐述了如何利用DBN进行故障特征提取和分类诊断的过程。
接着，通过实际工业数据的实验验证，对比分析了基于DBN的故障特征提取及诊断方法与传统方法的性能差异，并探讨了其在实际应用中的优势和潜在问题。
对本文的工作进行了总结，并对未来的研究方向进行了展望。
本文的研究不仅为工业故障特征提取和诊断提供了新的思路和方法，也为深度学习在故障诊断领域的应用提供了有益的参考和借鉴。
二、深度信念网络（DBN）理论基础深度信念网络（Deep Belief Network, DBN）是一种深度学习模型，它利用非监督学习逐层训练网络，最后再通过有监督学习对网络进行微调。
DBN的理论基础主要源自于神经网络和概率图模型，特别是受限玻尔兹曼机（Restricted Boltzmann Machine, RBM）。
受限玻尔兹曼机是一种随机生成模型，由两层神经元组成：可见层和隐藏层。
这两层神经元之间是全连接的，但层内的神经元之间是相互独立的。
RBM的能量函数定义了网络的状态分布，而网络的训练过程就是最小化能量函数的过程。
深度信念网络由多层RBM堆叠而成，通过逐层训练的方式初始化网络的权重。
在训练过程中，每一层的RBM都被视为一个无向图模型，用于学习输入数据的特征表示。
基于深度学习的电机故障检测与诊断方法研究
基于深度学习的电机故障检测与诊断方法研究电机故障是制约电机运行稳定性和可靠性的主要因素之一。
传统的电机故障检测与诊断方法往往依赖于人工经验和专业知识，效率低下且容易出现误判。
然而，随着深度学习技术的发展，基于深度学习的电机故障检测与诊断方法成为研究的热点之一。
基于深度学习的电机故障检测与诊断方法的研究主要包括以下几个方面：1. 数据采集与预处理：电机工作时产生的大量振动、声音和电流等信号可以作为故障检测与诊断的依据。
在研究中，需要选择合适的传感器采集这些信号，并进行预处理和特征提取。
2. 深度学习模型的选择与设计：深度学习模型是基于大量样本数据进行训练的，主要包括多层感知机（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆网络（LSTM）等。
根据电机故障检测与诊断的需求，选择适合的深度学习模型，并对其进行设计和优化。
3. 数据标注与样本构建：深度学习模型需要大量的标注样本进行训练，因此需要对故障样本进行标记。
标记样本时需要考虑故障类型、故障程度和故障位置等信息，以提高故障检测与诊断的准确性。
4. 模型训练与优化：选取合适的损失函数和优化算法对深度学习模型进行训练。
在训练过程中，需要保证样本的均衡性和数量充足性，以提高模型的泛化能力和鲁棒性。
同时，还可以通过参数调整、迁移学习和数据增强等方法对模型进行优化。
5. 故障类型识别与定位：通过训练好的深度学习模型，可以对电机信号进行故障类型识别和定位。
根据输入信号的特征，模型可以判断出电机是否存在故障，并定位到故障的具体位置。
这对于电机维护和故障排除具有重要意义。
6. 故障诊断与预测：基于深度学习的方法还可以实现故障诊断与预测。
通过分析电机故障时产生的信号特征，可以对故障的原因进行诊断，并对未来可能发生的故障进行预测。
这有助于提前做好维护措施，避免电机故障带来的损失。
综上所述，基于深度学习的电机故障检测与诊断方法可以实现高效、准确的故障诊断与预测。
基于深度学习算法的电机故障诊断及预测控制
基于深度学习算法的电机故障诊断及预测控制电机故障诊断及预测控制是电气工程领域的关键问题之一。
传统的电机故障诊断方法主要依赖于经验和人工分析，存在诊断不准确、时间耗费长等问题。
然而，随着深度学习算法的发展和应用，基于深度学习算法的电机故障诊断及预测控制成为了一种高效、准确的解决方案。
首先，基于深度学习算法的电机故障诊断可以通过建立良好的数据集和神经网络模型来实现。
数据集应包含丰富多样的电机运行状态数据，如电流、电压、功率、温度等参数。
采集到的数据可以通过预处理技术（如特征提取、数据归一化等）得到规范和合适的输入形式。
然后，可以使用深度学习算法，如卷积神经网络、循环神经网络、深度置信网络等，对数据进行训练和学习。
在训练过程中，模型根据输入数据和对应的故障标签，自动学习和提取特征，从而准确地诊断电机故障。
其次，基于深度学习算法的电机故障预测控制可以通过结合故障诊断和智能控制技术来实现。
根据对电机故障的诊断结果，可以采取相应的控制策略来预测和控制电机的运行状态。
例如，当诊断出电机存在故障时，可以自动启动备用电机或调整电机的控制参数，以避免故障进一步恶化或导致设备损坏。
此外，基于深度学习算法的电机故障预测控制可以利用历史数据和实时数据，通过模型训练和优化，实现对电机的精确预测和控制。
基于深度学习算法的电机故障诊断及预测控制具有多种优势。
首先，深度学习算法具有强大的学习能力和自适应性，可以自动学习和提取复杂数据中的特征信息，提高诊断和预测的准确性。
其次，深度学习算法克服了传统方法中需要手工设计特征的限制，更好地利用了数据的信息，提高了模型的泛化能力和适应性。
此外，深度学习算法可以处理大规模数据，具有高度并行化的计算能力，能够快速、准确地对电机进行故障诊断和预测控制。
然而，基于深度学习算法的电机故障诊断及预测控制也存在一些挑战和难点。
首先，数据的质量和可靠性对模型的训练和预测效果有重要影响。
因此，需要通过准确的数据采集、传感器校准和数据预处理等手段，提高数据的质量和可靠性。
- 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)。
（ｎｔｕ ｆＩｆｍａｏ ｎｉｅｒ ｇＣ ｎｒ ｏｔ Ｕ ｉ ｒｔ。 ｈｎｓａ４０７ ｈ ａ Ｉｓｔｅｏ ｏ ｔｎＥ ｇ ｅ ｎ 。ｅ ｔｌ ｕ ｎｖ ｓｙ Ｃａｇｈ １０５Ｃ ｉ ） ｉｔ ｎｒ ｉ ｎ ｉ ａＳ ｈ ｅｉ ｎ
【 ｂｔａｔ Ｔ ｅｐｐｒ ｓ ｅｍ ｔ ｕｒｎ ｎｉ ｕｔ ｖｒ ｔｓｔ ｅｓｒ ｓ ｏｅ ｐｒｍ ｔ ．ｓｔ ｉａ ｐｔ Ａ ｓ ｃ】 ｈ ａｅ ｅ ｔ ｏ ｒ ｒ ｔ ｏ ｅｍ ｌ — ａ ｅｅ ｍ ｉ ｄｌ ａａ ｅ ｒ ａ ｈ ｉ ｔｌ ａ ｒ ｕ ｓｈ ｏｃ ｅ ｓ ｉ ｉｉ ｉ ｅ ｅ ｍ ｅ ｅ ｎｉ —
偏心、 不对 称 、 饱 和 、 械 轴 承 引起 的转 子不 平 衡 以及 电机 等 效 阻抗 发 生变 化 而产 生 电磁 波 信 息 ， 而 磁 机 进 影 响到 电 流 噪声 发 生变 化 ］电 流 噪声 时序 模 型参 数矩 阵全 面 反 映 了 电机 系 统 的 内在 特性 及 电 机 故 障 ．
Ｋｅ ｒ ｓ ｆ ｕｔ ｄａ ｎ ｓｓ ｎ ｕａ ｅｗ ｒ ｐ ｔ ｒ ｅ ｔｒ ｙ ｗｏ ｄ ： ａ ｓ ｉ ｏ ｉ ； ｅ ｒ ｌ ｔ ｏｋ； ａ ｔｎ ｖ ｃｏ ｌ ｇ ｎ ｅ
在文献［ ］ ， ６ 中 现场测试 了大量 电机 电流噪声 ， 并建立 了电机系统的多元时序模型 ：
维普资讯
第２ ４卷 第 ２期
２０ ０ ２年 ６月
湘
潭
大
学 自 然
科
学
学
Байду номын сангаас报
Ｖｏ ． ４ Ｎｏ． １２ ２
Ｎａ ｒｌＳ ｉｎ ｅＪｕｎ ｌｏ ｉｎ ｔｎ Ｕ ｉｅｓｔ ｔ ａ ｃｅ ｃ ｏｒａ ｆＸ ａ ｇａ ｎｖｒｉ ｕ ｙ
Ｊｎ．２Ｘ２ ｕ （）
基 于 多层 Ｎ Ｎ结 构 的 电机 故 障 诊 断应 用 研 究
刘建成 ， 蒋新 华 ， 吴今 培
（ 中南 大学 信 息 工 程 学 院 ， 南 长 沙 ４０７ ） 湖 １０５
【 摘要 ］ 通 过 电机故障机理 的分析 ． 确定电流噪声 多元时 序模型参 数 。 为电机故 障类 型识别 的初 始模 型向量 ； 作 并针 对其特 点 ． 提出了多层 Ｎ Ｎ结构 的故 障诊断模型 ． 在诊断模型 中 ． 应用 Ａ Ｅ Ｐ Ｘ网络提取 分类 信息 ． 压缩 向量 空间 维数 ． 利用
Ａｐｐ ｉａ ｉ ｎ Ｒｅ ｅ ｒ ｈ ｏ ｏ ｏ ｕ ｔ ａ ｎ ｓｓ ｌ ｔｏ ｓ ａ ｃ ｆＭ ｔ ｒＦａ ｌｓ Ｄｉ ｇ ｏ ｉ ｃ Ｂａ ｅ ｎ ｔ ｅＭ ｕ ｔ — ｌｙ ｒ ＮＮ ｒ ｃｕｒ ｓ ｄ ｏ ｈ ｌｉ — ａ ｅ Ｓｔｕ ｔ ｅ
Ｌ Ｕ ｉｎ—ｃ ｅ ｇ。 Ｉ Ｊａ ｈｎ ＪＡ Ｉ ＮＧ Ｘ ｎ—ｈ ａＩ ｉ ｕ 删 ｉ ｆｎ— ｅ ｐｉ
前 馈 网 络建 立 其 类 型 识 别 函数 ． 践 证 明 该 诊 断 方 法 是 正 确 的 ． 实
关
键
词： 故障诊 断； 神经 网络（ Ｎ ： Ｎ ） 模式 向量
文 献 标 识 码 ： Ａ 文 章 编 号 ：００— ９０ ２０ １２—０７ １０ ５ ０ （０２ ０ ０２—０ ４
中 图分 类 号 ：Ｍ ０ ． Ｔ ３７１
ｔｒ ｅ ｔ ｒ ｆｍｏｏ ｕ ｔ ｃ ｔｇ ｒ ｅ ｇ ｉ ｏ ｒ ｕ ｈ ａ ａｙ ｉ ｏ ｃ ｈ ｎ ｓ ｅ ｎ ｖ ｃｏ ｔｒ ａ ｓ ａｅ ｏ ｙｒ ｃ ｎ ｔ ｎ ｔ ｏ ｇ ｎ ｓ ｆｉ ｍｅ ａ ｉ ｏ ｆｌ ｏ ｉ ｈ ｌ ｓ ｓ ｔ ｍ．Ｉ ｅｌ ｈ ｆ ｒ ｉ ｏ ｅｍｏ ｅ ａ ａ ｎ ｔ ｉ ｔ ｔ ｔ ｆ ｄ ｌ ｒｍ— ｈ ｇ ｏ ａ ｔ ｈ ｐ
＝
∑ Ｘ一＋Ａ 。
（） １
其中
＝［ … ］ ： 为三相电流噪声 向量 ； ， Ａ ＝［ … ａ ａ 为白噪声 向量 ； ａ ：， ］
ｒ …
＝
Ⅲ１
ｆ： 。
Ｌ ３ 声２ 声Ｉ ３
声 为模型参数矩阵； ∞ｆ
ｊ
ｎ为模 型 阶数 ．
并 以残差 序 列作 为电机 故 障 的总 体检 测 指标 ， 测 电机 故 障 ． 检 从 电机 故 障机 理 的角 度来 说 ， 电流 噪声 与 电磁 噪声 是密 切 相关 的 ， 电磁 噪声 包 含 了转 子 槽 、 子槽 、 定
ｅｅ Ｉｐ ｔ ｒ ａ ｄ ａ ｆｕ ｔ ｉｇ ｏ ｉ ｍｏ ｅ ｂ ｓ ｄ ｏ ｅ ｍｕｔ — ｌｙ ｒ Ｎ ｓ ｕ ｔ ｒ ．Ｉ ｅ ｍｃ ｅ ，ｕ ｉ ｇ Ａ Ｅ ｅｗｏ ｋ ｔｒ ｕｓｆ ｗ ｒ ａ ａ ｎ ｓ ｄ ｌ ａ ｎ ｔ ｌｉ ｏ ｌ ｄ ｓ ｅ ｈ ａ ｅ Ｎ ｔ ｃｕ ｅ ｎ ｔ ｄ ｌ ｓ Ｐ Ｘ ｎ ｔ ｒ ｒ ｈ ｎ ｅ ｔ ｃｓｃａ ｓ ｃ ｔ ｎ ｉｆ ｒ ｔ ｎ ａ ｄ ｃ ｎ ｅ ｓ ｓｖ ｃ ｒｓ ａ ｅ ｄｍｅ ｓｏ ｓ ｘｒ ｔ ｌｓｉ ａ ｏ ｏｍａ ｉ ｏ ｄ ｎ ｅ ｔ ｐ ｃ ｉ ｎ ｉｎ ，ｍａ ｉｇ ｒ ｆｆｅ ｆｒ ｒ ｅ ｒ ｓａ ｌ ｈ ｓ ａ ｉ ｆ ｉ ｎ ｏ ｎ ｅ ｏ ｋ ｎ ｓ ｏ ｄ ｏｗａｄ ｎ ｔ ｋ ｅｔｂ ｉ ｅ ｉ ｅ ｅ ｗｏ ｓ ｔ ｅ ｃａ ｓ ｃ ｔ ｎ ｒ ｏ ｎ ｔ ｎ ｆ ｎ ｔ ｎ．Ｔ ｅ ｄａ ｎ ｓｓｗａ ｏ ｒ ｃ ｒｃ ｃｎ ． ｈ ｌｓ ｉ ａ ｏ ｅ ｇ ｉ ｏ ｕ ｃ ｏ ｈ ｉｇ ｏ ｉ ｉ ｆ ｉ ｃ ｉ ｉ ｙ ｉ ｃ ｒｅ ｔｉ ｐａ ｔ ｉ ｇ ｓ ｎ ｉ
状 态信 息 ． 由于 电机 故 障机 理 不 同 ， 电磁 噪声 引起 的电 流噪 声各 频 率分 量 的 大小 、 位 也不 相 同 ， 模 ！ 相 在 参数 矩 阵上 也 有 一定 的差 异 性 ； 文就 是 通过 这样 差 异性 ， 本 应用 神经 网络方 法 识 别 电机 故 障类 型 ．