【摘要】电动机控制系统运行中的故障诊断问题可视为特殊的模式识别问题，而ANN是处理模式识别最有效的技术之一。对用于故障诊断器的BP网络应用了改进算法，并提供了常见故障样本，读者可进一步扩充完善。实际使用证明该方法完全能完成故障的在线诊断。 关键词：电动机控制系统；人工神经网络；故障诊断
电动机是将电能转变为机械能带动生产机械运动而做功的高效、环保型动力机械，国民经济各部门无处不在，也是普通高校大量相关专业的重要实验对象。由于电动机运行所处的动力学环境，较大的能量转换，设计上的某些不合理与操作人员的误操作等因素，使得故障潜伏与暴露不可避免。为了系统运行的安全可靠与故障的及时处理，寻一个准确高效的故障诊断技术一直是本领域的研究热点。
按照通常分类方法，故障诊断可分为解析模型法，信号处理法与人工智能法。解析模型法已有深入的研究，但其成果主要集中在线性系统领域，而实际工程系统绝大多数具有非线性特性，因此深入研究非线性系统通用故障诊断法方法有重要意义。目前人工智能诊断技术及其
应用研究正日趋增长。人工智能法又称基于知识法，它的分支较多。由于故障诊断实际上是一个模式识别与分类问题，而人工神经网络（ANN)具有的强大非线性映射能力，已成为当前最有效最常用的模式识别方法。本文将电动机控制系统的故障诊断作为建立故障模式与故障原因间的非线性映射关系，即一类特殊的模式识别问题。以BP网络为工具，提出并实现了一种有效的故障诊断方法。 1BP网络的建立及其工作特性
BP网络在模式识别/分类中有良好的性能，一个单隐层BP网络可实现任意n维到m维的非线性映射，而且当各节点采用s型函数时，一个隐含层就足以实现任意判决的分类问题。本文结合转速、电流双闭环控制直流V-M调速系统常见运行故障的实际情况，经反复测试研究，选择各层节点数分别为6-16-22元拓扑结构的三层前馈型神经网络。
2网络的训练与测试
神经网络的工作分为训练和应用两个阶段。完成训练后的网络，寄故障诊断知识与分布存储、广泛互连的连接权值中。应用阶段时凭借神经网络的联想记忆、模式匹配和相似归纳
能力，实现准确的在线故障辨识。根据对V_M调速系统的理论分析与运行经验的总结选取了常见的故障模式集与故障原因集作为BP网络的训练样本表，前者作为样本输入值，后者为样本输出值。见表1，2所示。
表3选取六个样本对，还可进一步扩大完善。表中（x1.x2.…x6)=(0.1.0.0.0.0)表示电动机起动即出现过电流的故障模式。(y1，y2，…，y2)=(0，0，0，1，1，1，1，1，1，0，0，0，0，0，0，0，0，0，0，0，0，0）表示起动过流故障的原因，原因属性查表2。“1”表示该原因在考虑检查之列，“0”表示不存在。
最后测试网络的判断能力，可抽出表3中未作训练的样本作为测试样本，测试结果如表4所示。
测试结果的实际值与表3相同项比较结果令人满意，足见本BP网络故障观测器有高准确的故障诊断泛化能力。
3结论
将上述设计的BP网络故障观测器置于在线的传动控制系统中进行运行，结果表明其对故障识别判断能力与泛化能力均满足预期要求。本文仅举出6种常见故障的辨识，而实际系统运行中会含有其他故障模式与相应的原因分类，可在表1、表2、表3的基础上加以扩充完善，经样本训练后，可进一步扩大ANN故障诊断范围与提高判断的准确率。掌握这一智能化故障诊断技术对工程系统的维护与人才的培养均是很有意义的。
参考文献
1王旭等.人工神经元网络原理与应用[M].沈阳：东北大学出版社，2000.
2虞和济等.基于神经网络的智能诊断[M].北京：冶金工业出版社，2000.
3赵忠国等.晶闸管直流传动中风例常见故障及排除[J].电世界，2003(1).
4朱旭东等.基于神经网络的方法在故障诊断中的应用[J]机电工程，2003.20(5).
5沈标正等.直流电机故障诊断专家系统[J].冶金自动化，2003.1.
