【基于BP神經網絡的單相鼠籠式異步電機故障檢測及MATLAB仿真研究10000字（論文）】

第12頁共24頁第7頁共21頁基于BP神經網絡的單相鼠籠式異步電機故障檢測及MATLAB仿真研究TOC\o"1-3"\h\u1緒論 11.1研究背景 11.2國內外研究現狀 12單相鼠籠式異步電機及典型故障 32.1單相鼠籠式異步電機數學模型 32.2三相異步電動機改單相的原理和方法 42.3典型故障 63單相鼠籠式異步電機故障故障電流特征提取 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 93.4本章小結 134神經網絡單相鼠籠式異步電機故障檢測 134.1檢測模型及思路 134.2BP神經網絡檢測構架 134.3BP神經網絡MATLAB實現及仿真結果分析 154.4本章小結 19參考文獻 21附件 221緒論 1.1研究背景異步電動機的應用極大地方便了工農業的發展，它的工作狀態對工農業生產的正常進行有很大的影響，一旦電動機出現了嚴重的機械故障，不僅會給電動機本身帶來非常嚴重的損壞，使得整個生產系統停止運行，造成重大的經濟損失，嚴重情況下還會威脅到人身安全。為減小電動機故障所帶來的損失，必須采用更多有效的檢修方法，將潛在安全隱患降到最低。傳統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對故障進行判定，但現有的電機裝置中，大部分人工檢測都需要對電機進行拆卸，且故障類型較為復雜，需要維修人員具有較高的技術經驗，因此，費時費力以外，對于電機內部故障的檢測，難以達到可觀的效果。因此，我們努力探索一種能夠在不拆裝電動機的條件下，通過人工智能技術對電動機的工作狀況進行監控、分析其原因和位置，從而得出其運行趨勢。通過對電機故障的分析，可以對故障進行全面的評估，從而在故障發生的早期，準確地判斷故障的種類和原因，由此確定了故障位置，方便制訂維護方案，防止故障的進一步惡化，降低電動機的突發故障帶來得經濟損失。1.2國內外研究現狀常用的故障診斷方法可以分為以下3類:基于解析模型的診斷方法其診斷方法是對異步電機進行電路、磁路等研究，建立被診斷對象的較為精確的數學模型，并以此分析其故障特征[4];具體可分為:參數估計法、狀態估計法、等價空間法。《鼠籠式異步電機轉子故障及其的診斷研究》中指出：異步電動機定子短路故障的檢測方法是通過提取數據參數來實現的。但是由于受到多個因素的制約，如電動機的強耦合等因素，使得這種方法很難實施[5]。基于知識的故障診斷方法許多文獻都是采用人工神經網絡法，對電動機進行故障診斷。此外該方法還包括：專家系統故障診斷方法;模糊故障診斷方法;故障樹故障診斷方法和數據融合故障診斷方法。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故障。當異步電機出現定子繞組故障時，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。但是，由于故障初期故障顯現比較輕微，所以其故障特征量顯現也不是很明顯，而且定子三相的端電壓、工頻等參數的改變常常會導致定子繞組在故障檢測中的疏忽或誤判。《電機故障在線監測診斷新原理和新技術研究》指出：在異步電動機定子繞組發生匝間短路故障后，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行故障診斷[7]。《異步電動機故障檢測方法研究》提出了一種基于三相電流、電壓、功率因數、相位差等多個參數的故障特征值來判斷電機的短路故障。從這些特征的非對稱性出發，可以推測出斷層的發生及其嚴重性。然而在實際情況下，三相電源的電壓并不嚴格對稱，也因此會對三相電流相位的對稱性帶來一定的影響[9]。由此可知，單純的定子電流譜分析方法（MSCA）不能十分有效、準確地診斷和分析異步電動機定子繞組匝間短路故障，還需要借助其他變換或信號處理方法。《籠型異步電動機多故障智能診斷及分離方法的研究》提出，采用頻譜校正與自適應濾波技術的研究方法，通過動態調整自身參數以消除其他干擾分量，可以提高了基于MSCA故障診斷的分辨能力和可靠性[12]。1.3MATLAB實驗平臺介紹MATLAB是MathWorks開發的模擬試驗平臺，也就是所謂的Matrix實驗室，它可以為使用者提供一個很好的互動平臺，可以在算法設計、仿真、數據分析、圖片處理等方面發揮其獨特的作用。MATLAB現在還只是一個商用軟件，但是MATLAB發明人的初衷只是想要幫助學生進行一些項目的試驗。Simulink是一種以MATLAB為基礎的軟件開發環境，它的建模范圍非常廣闊，能夠對各種系統進行建模、分析、仿真，并能對系統進行數學建模。該軟件為用戶提供了一個系統框圖模型的圖形接口，以及一系列的功能模塊以及多個專業模塊。MATLAB現在每年都在更新，工具箱、功能也在不斷的完善，從最初的矩陣實驗、圖像處理軟件，逐漸擴展到控制、工程等領域。另外，MATLAB在定義功能和建立工具包方面也有其獨到之處。例如，專家、學者們專門研發的智能算法工具箱、智能算法工具箱，只要將MATLAB移植到計算機中，就可以方便地進行初學者的學習，只要設定一定的參數，就可以進行復雜的程序設計。2單相鼠籠式異步電機及典型故障2.1單相鼠籠式異步電機數學模型通過對兩個坐標系的直接變換計算方法后即可將轉化有關為兩相異步電機。在兩個三相數學旋轉運動靜止不停運動模型坐標系下的三相數學旋轉運動模型直接變換轉化有關為兩相數學旋轉運動靜止不停運動模型坐標系和兩相數學旋轉靜止運動模型坐標系下的兩相數學旋轉運動模型(其中包括關于電流、電壓、磁鏈和轉矩的),限于本篇文章的主要篇幅，僅將其中有關的異步電機在兩相數學旋轉運動靜止不停運動模型坐標系和兩相數學旋轉靜止運動模型坐標系下的有關異步電機下的數學旋轉運動模型問題摘錄并整理全文如下:(1)兩相靜態坐標系統中的異步電動機的電壓數學模型Uα1Uβ1Uα2(2)在任意兩相旋轉坐標系下的異步電機的電壓數學模型如下：Ud1Uq1Ud2轉矩方程為:Te=npLLm表示互感，Ls，Lr表示定、轉子每相繞組的等效自感，Ts表示電機轉矩，Tl表示負載轉矩，p表示微分因子，,表示軸定子電流，，表示軸轉子電流。2.2三相異步電動機改單相的原理和方法2.2.1改接原理三相異步電動機工作原理：當電動機的三相定子繞組（各相差120度角度)通入三相交流電后，將產生一個旋轉磁場，該旋轉磁場切割轉子繞組，從而在轉子繞組中產生感應電流，載流的轉子導體在定子旋轉磁場作用下將產生電磁力，從而在電機轉軸上形成電磁轉矩驅動電動機旋轉，并且電機旋轉方向與旋轉磁場方向相同。單相電動機工作原理：單相電動機由定子和鼠籠式轉子組成，定子上嵌有主繞組和副繞組，主、副繞組在空間上互成90度電角度。副繞組串聯了一個運轉電容器后與主繞組并聯接入電路。當主、副繞組通入單相交流電時，主繞組產生脈動磁場，副繞組在電容器的作用下，產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磁場，推動轉子啟動運轉。對于如何將三相異步電動機改接成單相，我們知道單相電動機只有在建立旋轉磁場后才能夠起動。它之所以沒有初始起動轉距,是因為在單相繞組中建立起的磁場不是旋轉的,而是脈動的,換句話說,它對定子來講是不動的。在這種情況下，定子的脈動磁場與轉子導體內的電流相互作用是不能產生轉矩的,因為沒有旋轉磁場,所以就不能使電機起動運轉。但是電動機內部兩個繞組的位置有空間角度差,若設法再產生一不同相的電流,使兩相電流在時間上有一定的相位差產生旋轉磁場,這樣就能使電機起動。因此單相電動機的定子除了有工作繞組外,還必須有起動繞組。根據此原理,可利用三相異步電機定子的三相繞組,將其中一相繞組線圈采用電容移相的方法,使兩相通過不同的電流,這樣就能建立旋轉磁場,使電動機起動運轉。2.2.2改接方法如果三相電機使用在單相電源上,首先將三相異步電動機定子繞組中的任意二相繞組線圈串聯,再與另一相繞組并聯接入電源。這時,兩個繞組里的磁通量在空間上雖然有相位差,但因工作繞組和起動繞組都是接在同一電源上,如按時間來講,電流是相同的。因此,只有在起動繞組上串聯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。圖2.1而一般小型電動機均為Y接,對Y接的三相異步電動機用此種方法接線,應將串入電容C的繞組接線端子接在自耦變壓器起頭端子上,如需改變轉軸轉動方向,可按圖2.2接線。圖2.22.2.3移相電容的選擇:工作電容C=1950×Ie/Ue×cosp(微法),Ic、Ue、cos是電動機原來的額定電流、額定電壓及功率因數。一般工作電容用在單相電源上的三相異步電機時(220V),每100W用4~6微法電容即可。正確選擇電容的容量使兩相繞組的電流I1、I2相等,且等于額定電流Ie,即I1=12=Ie。若要求起動力矩大些,可增加一個起動電容，并接在運轉電容上,當起動正常時,斷開起動電容。三相異步電動機用于單相電源的改接意義較大,方便易行,但由于單相電源一般容量較小,所以適用于1kW以下小電機。在本文的研究中，將三相電機的B相接地，C相接電容反饋回A相來模擬單相異步電機。采用simulink平臺建立如下數學模型：圖2.3單相鼠籠式繞組異步電機模型上圖中，輸入的是單相交流電源，斷路器模擬故障，通過示波器進行故障的觀測。2.3典型故障2.3.1匝間故障單相異步電機匝間故障主要是匝間短路故障，它出現在電機的定子里面，是一種定子各相繞組不對稱故障，其形成的原因有多種，其包含繞組本身原材料質量不高、制造工藝不良，還有各種各種過電壓沖擊損耗，在后面的仿真過程中，可以設置短路故障來模擬單相異步電機匝間故障。2.3.2軸承故障軸承故障也是電動機一個不容忽視的故障問題。電動機的軸承是由保持架、滾動體和內外圈及外圈絕緣陶瓷鍍層組成。為了確保電動機的正常工作，大部分的電動機在返修時都要更換新的軸承，并根據規定的周期，定期添加潤滑脂，避免電機在運轉時出現磨損，從而引起不必要的故障。其故障原因主要是因為電機在突然受到強大的外力作用下，使得軸承滾動體和絕緣層總成會出現不同程度的損壞。3單相鼠籠式異步電機故障故障電流特征提取3.1故障電流波形特征分析(a)(b)圖3.1故障電流波形特征分析上圖（a）為匝間故障電流，(b)為軸承故障電流，從上面的結果可以看出，在故障環境下采集到的數據諧波比較嚴重，這是由于故障環境下，故障電流體現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行特征提取得到特征量進行研究。從兩個圖也可以知道，不同的故障體現出來的時域波形是不同的，因此，從波形角度也是可以區分兩種故障的。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電流有效值體現的是故障電流的數據基本規律，定義故障電流的有效值計算模型為：Ie=1T由于故障電流需要采樣以后才能進行計算和分析，因此，對上面的數學模型進行轉換得到如下的公式：Ie=1N在上面的方程中，Ie表示的是在采樣周期內單相鼠籠式異步電機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。在Matlab軟件中，采用下面的程序對故障電流的有效值進行計算。bc=0.001*sum(B.^2)；youxiaozhi=sqrt(bc)；3.2.2故障電流最大值特征單相鼠籠式異步電機電流最大值所反應的是最大故障電流的幅值，在故障電流的熱模型中，最大幅值是一種具備脈沖特性以及較大摧毀力的特征，他是一個受單相鼠籠式異步電機故障度變化影響顯著的特征量，故障電流最大值的數學模型具體定義為：Im=max(3.2.3故障電流標準差特征單相鼠籠式異步電機電流標準差反應的是故障電流采樣值與均值的標準偏差，在仿真里面可以用matlab的標準差函數來進行計算，對于標準差所反映的特征而言是最大幅值的擴展特征，因為他代表的是故障電流脈沖的數量，這樣的脈沖數量越多，那么標準差就越大，同時標準差越大說明故障電流數據的起伏更大，也即單相鼠籠式異步電機故障會更高，定義故障電流的數學模型為：σ=1N?1i=1N在上面的數學方程中，采樣周期內故障電流的平均值為：I=1Ni=13.3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指數函數、正弦函數和余弦函數的交集來表達。假設任意一個數據波形能被表示為正余弦交點，那么由DFT的定義可得出：Xk=n=0在現有的測試系統中，可以利用離散傅里葉變換（DFT）對有限序列的頻率進行直接的傅里葉分析。該算法能在任意一點上進行運算，就像一個可調整振幅和相位的濾波器。通過對某一頻段的有限序列的檢測，可以通過可調整的濾波器，求出各頻段的正弦信號和余弦信號。假設實部可以用所有的余弦輸出的加法定義來表示，而虛部可以通過所有的正弦輸出的加法定義來表示，那么實部和虛部就可用下面的兩個式子來表示：ReXk=ImXk=在該時間，頻率Xkpower[Xk]=Re[在頻率Xkp?ase[Xk]=但對任何一個Xk，要想得到DFT結果都需要進行N次復數乘運算和N?1次復數加運算，所以對于N個X分量的總的DFT運算數據的結果，一共需要N2次的復數乘運算和N(N?1)次的復數加運算。可見這樣的運算量是很大的，盡管我們采用數列x(n)的各種對稱性，以此來加快快速傅立葉變換(FFT)，一般情況下會選擇采用基-２FFT分蝶形運算。對于N個Ｘ分量來說，它需要完成N/2個蝶形運算，因此需要做N/2(log2N)復數乘法和N/(logαM=N2log而FFT算法和DFT算法所需的復數加法的次數之比為：αA≈log2N由3—11、3—12公式可知，FFT所用的運算量要比DFT所用的運算量要小得多。但是，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。其取樣資料數目必須是2n個，也就是即(64，128，???，2n)。我們還發現，采樣序列的長度與FFT頻譜分辨率呈現反比關系，即FFT頻譜分辨率=采樣頻率/采樣數。該公式表明，在信號檢測時，需要調整信號的采樣頻率，以保證采集到的數據符合以上要求，但是這種采樣頻率會對混合信號的檢測產生一定的影響。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行觀測如下：(a)(b)圖3.2故障電流的FFT頻譜從上圖仿真結果可以看出，匝間故障在250HZ和3000HZ左右諧波比較嚴重，軸承故障主要集中在0頻率點。因此，進行三次諧波提取，得到下面波形。(a)(b)圖3.3諧波提取以后的波形從上圖中看出，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，因此，可以將幅值的最大值作為特征量進行單相鼠籠式異步電機故障檢測。第15頁共24頁第16頁共21頁3.4本章小結在本章的研究中，針對單相鼠籠式異步電機故障電流的各特征量的數學模型以及提取方式進行分析，為后文的神經網絡特征訓練提供基礎。4神經網絡單相鼠籠式異步電機故障檢測4.1檢測模型及思路采用故障電流有效值，最大幅值，標準差，平均值，FFT提取各組故障電流幅值作為神經網絡的輸入，定義對應的權重分別為:X1,X2,X3,X4,X5。以神經網絡對應的檢測值=X1*幅值+X2*有效值+X3*標準差+X4*平均值+X5*為輸出，將檢測單相鼠籠式異步電機故障類型分為：含匝間故障、含軸承故障以及不含故障三種。測試數據為：故障電流有效值，最大幅值，標準差，平均值，FFT提取各組故障電流幅值，輸出單相鼠籠式異步電機故障類型。4.2BP神經網絡檢測構架4.2.1神經網絡層數的選擇選擇神經網絡的層次取決于它的實際應用方向，本論文所做的基于BP神經網絡的鼠籠電動機的故障診斷是一種非線性系統。由于單層神經網絡主要在于解決簡單問題，且具有很高的訓練復雜程度，所以本文沒有選用單層神經網絡。另外，按照Kolmogorov定理可知，只要不限制隱含層的節點數目，含有隱含層的三層BP神經網絡能夠以任何精度近似非線性系統。另外，添加更多的神經網絡的結構會使網絡中的隱含層數量增多，會使的網絡的學習速度變得緩慢、網絡的收斂時間延長等不利因素。因此，在比較單相鼠籠電動機網絡結構困難后，本論文選取了三層BP神經網絡結構。4.2.2輸入輸出神經元數目選擇（1）輸入神經元數目的確定上節對該系統進行了詳細的分析，提出了一種基于輸入層、隱含層和輸出層三層結構的網絡。由于輸入層是以網絡為基礎的數據輸入，所以在神經網絡中，有多少個因素指標需要訓練，就有多少個神經網絡的輸入。本論文以神經網絡為基礎，構建了三層神經網絡，從實驗的視角出發，研究了方案層次指標因素在目標層中的輸入和輸出。因為在輸入層中有25個因素指標，所以需要25個輸入層的節點。（2）輸出層神經元個數的確定輸出層網絡的輸出，即為單相鼠籠式異步電機故障檢測的檢測結果，為單輸出，所以輸出層節點為1。4.2.3隱含層神經元個數的確定隱含層神經元的選取直接影響到神經網絡能否正確地進行樣本的識別，所以對于如何選取隱含層非常關鍵。到目前為止，還沒有一種比較精確的計算方法，該問題成為了該研究領域得難題。在神經網絡中選取隱含層的節點數量非常關鍵，若選取的隱含層節點數量過少，則會訓練不出合適的網絡，或者會使得訓練出來的網絡容錯性較差。但是，如果選擇過多的隱含層節點，將會使網絡的訓練變得十分困難、還會延長訓練時間、也會使網絡泛化的性能下降。隱含層的神經元數量不僅與輸入、輸出層神經元數量相關，還與待解決問題的復雜性、轉換函數的形式選擇、數據的樣本特征等因素有關，這些因素對隱含層的神經元數量的選取具有重要的影響。目前，關于如何在隱蔽層中識別神經元數目，尚無統一的方法，在總結大量BP網絡結構設計的基礎上，我們得到如下的估算方法: m=l+n+p/2（4-1）在公式（4-1）中，p代表訓練樣本數量，l代表輸入層的神經元數量，n代表輸出層的神經元數量，m代表隱含層神經元數量。4.2.4激勵函數的選擇本文所研究的單相鼠籠式異步電機故障檢測系統屬于非線性問題的求解，它需要選取的轉換函數能夠具有較好的非線性映射能力，因此在隱含層神經元中，我們選取S型正切函數tansing作為激勵函數。此外，單相鼠籠式異步電機故障檢測的數據經過歸一化處理后，它的輸入和輸出值均在[0,1]之間。因此，本文將對數S型函數應用到隱含層與輸出層的神經元轉換中。4.3BP神經網絡MATLAB實現及仿真結果分析4.3.1BP神經網絡建立4.3.1.1BP神經網絡的建立方法BP神經網絡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入網絡，然后經過隱藏層，最后在輸出層生成一個輸出信號。在這段時間內，各神經元的權重、閾值均未發生變化，各層次的神經元僅對下一層次神經元的輸入及狀態產生影響。若在輸出端未獲得期望的輸出量，網絡將進入誤差信號的反向傳輸過程。(2)誤差信號的反向傳輸是網絡的實際輸出和預期輸出之間的結果差異，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，根據一定的規則，通過誤差信號調節網絡中各神經元的權重和閾值。以上兩個步驟應該按交替的周期進行。該算法通過對各神經元權重和閾值的不斷調整，使網絡的輸出結果與期望的輸出結果越來越接近。其中，在誤差回傳的過程中，誤差回傳的核心是對每個神經元的權值和閾值進行調節，而權值的調整是以不斷減小誤差為原則。4.3.1.2BP神經網絡檢測的實現方法基于BP神經網絡的單相鼠籠式異步電動機的故障診斷，可以將其劃分為神經網絡的訓練與檢測兩部分。(1)選取訓練樣本數據構造訓練樣本。(2)對單相鼠籠式異步電動機的故障歷史樣本數據和工作質量分數進行了預處理。在進行神經網絡檢測之前，需要先將原始數據進行歸一化處理，但是由于檢測值的變化幅度較大，不適合直接作為神經網絡的輸出，因此仍需進行必要的歸一化。將數據規范在[0,1]之間，這樣使數據盡可能地平滑輸出，從而消除檢測結果的噪聲。采用歸一化方法目的是為了加快訓練網絡的收斂性，具體算法是：將輸入輸出數據變換為[0,1]區間的值常用以下變換式：（4-2）式中，Xi代表輸入或輸出數據；Xmin代表數據變化范圍的最小值；Xmax代表數據變化范圍的最大值。(3)構造訓練樣本。(4)基于BP神經網絡的三層結構進行建模。第一層為輸入層，輸入訓練樣本，第二層作為隱含層，第三層為輸出層，輸出最終檢測結果。(5)檢測網絡。對后10組數據進行檢測，然后利用反歸一化進行數據處理，得到檢測后的數據。第16頁共24頁第16頁共21頁基本流程圖如下圖4.1所示：圖4.1程序設計步驟框圖第18頁共24頁第16頁共21頁4.3.2BP神經網絡的測試本文以Matlab2020a作為實驗仿真平臺，首先通過Simulink模型運行不同的故障，在此基礎上，然后將對故障數據進行有效值、最大值、標準差、頻域等多個特征進行提取，并將其不同的故障數據作為神經網絡的訓練數據進行訓練。BP神經網絡是采用newff（）函數來建立的。在隱含層神經元中，選擇logisig函數作為傳遞函數，在輸出層神經元中，選擇purelin函數作為傳遞函數，trainlm函數則用于網絡訓練。net=newff(minmax(b),[25,10,1],{'tansig','tansig','purelin'},'trainlm');選擇一個sim（）函數來觀測初始網絡的輸出；nc=sim(net,nb);在初始參數選取上，我們將初始學習速率設定為0.1，最大迭代訓練次數設定為5000。net.trainParam.lr=0.05;net.TrainParam.epochs=5000;在此基礎上，我們采用附加動量的梯度下降法對20組數據進行訓練，其中前10組數據被用作訓練樣本，后10組數據被用作測試樣本，用來進行檢測網絡。圖4.2BP神經網絡訓練過程Epoch：表示訓練次數，它的最大訓練次數被設定為5000；Performance：表示訓練誤差（訓練性能），最小誤差為0.00001；Gradient：表示最小梯度為0.1；Validationchecks：表示錯誤驗證，當錯誤次數達到6時，停止訓練。當訓練結束后，顯示BP網絡訓練輸出圖。圖4.3BP神經網絡樣本訓練輸出圖從圖4.2、4.3中可以看出，本文所選取的三層結構的神經網絡，學習速度較快，訓練準確率較高，且神經網絡的訓練效果與期望的檢測輸出結果基本吻合，該實驗結果表明，本文所提出的神經網絡是有效的、可行的。然后，我們再利用該網絡對測試樣本進行訓練檢測。第19頁共24頁第16頁共21頁圖4.4測試樣本期望值與檢測值從圖4.4不難看出，本文所設計的網絡期望輸出和實際的輸出曲線基本是保持一致的，從而證實了訓練后的BP模型能夠有效地應用于單相鼠籠式異步電機故障檢測系統。4.3.3檢測結果分析從上面測試結果來看，本文研究的模型，是可以對單相鼠籠式異步電機故障進行檢測。根據預測的期望值對比人工經驗下的期望值即可完成故障的檢測與判斷。4.4本章小結本章主要針對神經網絡單相鼠籠式異步電機故障檢測進行研究，建立故障檢測模型，并采用了人工智能算法——神經網絡算法進行故障檢測。從實驗角度驗證理論的有效性。第21頁共24頁第16頁共21頁總結在本論文中，首先介紹了單相鼠籠式異步電動機的國內外研究狀況和應用背景，并指出了其存在的問題，提出了一種基于多維的電機故障診斷方法。其次，對單相鼠籠電動機的模型和典型的故障進行了分析。利用