的局限性，目前的方法很昂贵，对于大型电动机适用，而且许多设计参数要求，特别是涉及到长时间运作的机器，这些参数不能提供方便。相对于现有的方案，这项方案很简单，准确，可靠和经济。这项研究工作是基于实时数据等，提出基于神经网络分类器显示个真正的产业状况的实际可行性。本文提出四个不同神经网络结构在与各种各样的表现，并且达到分类准确性。用神经网络分析故障如图所显示，提出的故障检测和诊断计划包括四个步骤数据的收集与采集特征提取特征选择故障分类数据收集和数据采集在本中最常见的故障，即定子绕组匝间短路，转子动态偏心和二者皆有。图般结构图用于实验和数据生成而特别设计的马力，三相，四极的异步电动机已选好。所做实验设图所示。图实验装置调整弹簧秤和传送带改变马达的装载。三个交流电流探针，用于测量定子测试故障诊断系统的电流信号。最大使用频率信号是，被抽样的数据的数量是。定子电流波形图所示，在不同的条件下，没有明显的差异存在。图定子电流实验波形特征提取有必要得出个根据提取特征判断分类故障的方法。为了对不同的故障，使用了统计参量。确切地说，对当前的数据进行统计将会得出样品资料。全部个参数作为输入特征计算。考察的最小统计量包括平均信号这里是标准差的均方根，最高和最低值的偏斜系数和峰度系数。皮尔逊的偏斜系数，定义为其中表示平均值，表示位数，表示样本标准差。样本变化参数定义为数据的样本平均数在采样时刻的值为表示中心的范围，是指对中心偏度表示中心集合的数据数量。其次，第三和第四的时刻是用来定义样本偏度系数的和样品的峰度系数如下尺寸之间的样本协方差和是指普通关联系数和，被定义为特征选择在将个特征送入分类器前，最明显的故障提供相关的信息优势，应从设置功能中选择功能不相干的或多余的功能必须被丢弃，以提高分类器的性能，避免维度的危害。这里的主成分分析技术用于从原来的特征中选择最优的特征。主成分的计算由皮尔逊规则完成。图与个数学对象有关，即特征值，这个特征值反映了从个维到个较低维的投影质量。图主成分，特征值和百分比变化故障分类基于多层感知器神经网络分类器简单的多层感知器神经网络，作为个故障分类。四个处理单元输出层中使用的电机有四个条件，即合理，匝间故障，偏心这两种故障。如图所示的结果，选择个项目合作安排为输入，因此在输入层的数量为。图微型和小型企业的平均变化对培训和电脑的数量作为输入图变异的平均分类精度对测试的测试数据，培训资料，并与电脑的数量作为输入数据将随机数据输入到神经网络，并已培训了倍不同的随机初始化重量，以消除偏置，并确保真正的学习和不同的隐藏层的推广。研究表明,这种方法用单隐层可提供较好的性能。这个数目的处理单元在隐层是多种多样的。该网络进行训练最小均方误差为时获得处理单元是在隐藏层如图所示。图平均均分误差和处理单元的数目隐藏层各种传输功能，即双曲正切状弯曲线性曲线线性弯曲偏置轴突线性轴突学习规则，即原动力共轭梯度快速传播，进行训练验证要按步骤进行，交叉验证测试最小均方误差与平均分类精度的训练和变异系数数据集进行了比较。结果表明，双曲正切传递函数和学习规则的势头给予最佳的成果。最后,利用上述试验,该神经网分类器设计,规格数字的输入,以隐藏层个数在隐层处理单元数目隐藏层双曲正切函数学习规则动量步骤动量输出层双曲正切传递函数学习规则动量步骤动量连接权数所需培训的时间基于神经网络支持向量机分类器支持向量机是种新的有两个概念的分类器。首先，进入个高维转换可将复杂的问题转换为更简单的问题，可以使用线性判别函数。其次，支持向量机的动机是基于概念的基础上,利用投入训练,只用那些在它们的表面附近最大限度的信息分类。它可以扩展到多个级别，支持向量机的训练总是寻求个全面性的优化方案,避免了拟合,所以它有能力去处理大量的特征。通用算法的分类器对于维空间数据,该算法可以轻易延伸到网络代替的内积空间的输入核函数,从而导致下列二次优化问题。,限制条件为其中,是个高斯函数，为样本数，是个乘数集每个样品个,及选择个常见的起始乘数学习速率,和个小的阈值。然后，当,我们选个模式和个校验，执行校验。如果如果之后,只有部分不为于零称为支撑向量。这是很容易实现核算法从开始可以计算算法各局部乘数,在输入文件中可得到所需的反应。事实上,表现为多元化是的,所以它可以激活被包括在这个框架中的神经网络的学习。核心算法是网络的本质使其输出测试由,与成本函数的误差准则,电脑的信息都将输入以及步长通过检查平均最低均方误差与平均分类精度莱选择，结果如图所示。图电脑输入的培训和变形系数的均方误差的变化图电脑输入的检测试验数据训练数据变形系数的平均分类精度的变化基于支持向量机分类器的设计,规格输入数步长每个时间的样本数量的连接权设计分类器进行训练和测试使用类似数据和计算结果显示在图和图图最小均方误差的变化对测试的平均测试数据,变形系数数据和训练数据的转移图最小均方误差变化的平均训练变异系数多种多样的集合分类和树状结构分类和树状结构是特征空间的划分的过程，是二进制递归的数据集。所产生的树木包括内部节点和终端节点或叶节点。第阶段叫树的构造,第二阶段是树修剪分类树，开发利用各种各样的方法措施和最大的树的深度,结果显示如图。研究表明,优化平均分类精度进行测试的试验数据分别是和。图平均分类精度的变化对测试试验数据和变异系数数据的方法与措施图平均分类精度的变化对测试试验数据和变异系数数据与深度的树状结构判断分析判别分析对组观察数据进行预定义的技术。其目的是要确定个观察组作为个已知输入变量或预测变量的基础。该模型建立了套已知的观测数据。该套观测有时被称为基于训练集的培训，这项技术建立了套线性函数的预测因子,叫做判别函数,即，是判别系数为输入变量或预测因子即为常数。这些判别函数用于预测个未知的新观测类。用判别分析各种模式检测与结果如图所示，观察表明,优化平均分类精度进行测试的试验数据分别是和。图平均分类精度的变化对检测试验数据与模型的数据和变化系数分类器的噪音可持续性由于提出的分类器，用于实时情况，测量噪声情况是非常必要的。检查系统的稳定性，高斯噪声方差值为零，输入和输出从变化到，并且测试平均分类精度的数据。它是基于支持向量机分类器的分类，具有较强的稳定性，它能维持两者统和高斯噪声的输入和输出方差在和之间,结果显示见表。高斯噪音均衡噪音结果与讨论在本文中,作者评估了用于三相感应电机的四种故障条件和检查结果的基于分类器的神经网络的性能。这种神经网络支持向量机的优化设计,建成后的训练,学习网络测试用来检测不同类型的。这是学习规则,双曲正切动力传递函数给出了在隐层和输出层同样的步骤的大小是多变的支持向量机的最优的结果和最佳状态为步长。这些使我们的思想得到了证实,提出了基于特征选择方法的主成分分析法可以选择最优的特征,因此,是种强大的特征选择的方法。还提出了具有足够噪声的分类器,在种意义上,取得了令人满意的效果，均衡噪声和高斯噪声输入有的差异输出的方差为比较结果如图和附表二。图各种各样的分类器进行对比分析分类准确率。附表二基于神经网络分类器的比较结果翻译部分英文原文