三相異步電動機(jī)人工神經(jīng)網(wǎng)絡(luò)與故障模式。三相異步電動機(jī)人工神經(jīng)網(wǎng)絡(luò) (Artificial Neural Networks) 是采用物理可實現(xiàn)的系統(tǒng)來模仿人腦神經(jīng)細(xì)胞的結(jié)構(gòu)和功能。它反映了生物神經(jīng)系統(tǒng)的基本特征，是對生物神經(jīng)系統(tǒng)的某種抽象、簡化與模擬。剎車電機(jī)神經(jīng)網(wǎng)絡(luò)的基本要素是人工神經(jīng)元，也就是說三相異步電動機(jī)人工神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本處理單元，它只模擬了生物神經(jīng)元的三個基本功能：
(1)  處理剎車電機(jī)每個輸入信號，以確定其強(qiáng)度(權(quán)值)，如神經(jīng)元中突觸的可變強(qiáng)度；
(2)  確定三相異步電動機(jī)所有輸入信號的組合(加權(quán)和)；
(3)  確定剎車電機(jī)輸出(轉(zhuǎn)移特性)。
三相異步電動機(jī)神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)，為故障診斷問題提供了種新的解決途徑，特別是對于在實際中難以建立數(shù)學(xué)模型的復(fù)雜系統(tǒng)，神經(jīng)網(wǎng)絡(luò)更顯示出其獨特的作用?？偟膩碚f，剎車電機(jī)神經(jīng)網(wǎng)絡(luò)之所以可以成功地應(yīng)用于故障診斷領(lǐng)域，主要基于以下3 個方面的原因：
(1) 訓(xùn)練過的三相異步電機(jī)神經(jīng)網(wǎng)絡(luò)能存儲有關(guān)過程的知識，能直接從歷史故障信息中學(xué)習(xí)?？梢愿鶕?jù)對象的日常歷史數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，然后將此信息與當(dāng)前測量數(shù)據(jù)進(jìn)行比較，以確定剎車電機(jī)故障的類型；
(2) 三相異步電動機(jī)神經(jīng)網(wǎng)絡(luò)具有濾除噪聲及在有噪聲情況下得出正確結(jié)論的能力，可以訓(xùn)練剎車電機(jī)人工神經(jīng)網(wǎng)絡(luò)來識別故障信息，使其能在噪聲環(huán)境中有效地工作，這種濾除噪聲的能力使得人工神經(jīng)網(wǎng)絡(luò)適合在線故障監(jiān)測和診斷以及離線診斷；
(3) 三相異步電動機(jī)神經(jīng)網(wǎng)絡(luò)具有分辨故障原因及故障類型的能力。
廣義地講，故障可以理解為系統(tǒng)的任何異?，F(xiàn)象，使系統(tǒng)表現(xiàn)出所不期望的特性，通常表現(xiàn)為系統(tǒng)的某些(個)重要變量或特性偏離了正常范圍。人們對故障的認(rèn)識起初是通過選擇敏感特性和進(jìn)行簡單比較實現(xiàn)的，這對于剎車電機(jī)簡單系統(tǒng)容易做到，而對于復(fù)雜系統(tǒng)和復(fù)雜現(xiàn)象，就涉及到故障模式和正常模式的識別問題，模式建立及其識別的復(fù)雜性主要取決于系統(tǒng)的復(fù)雜性和人們的認(rèn)識水平。人們會通過獲取各種先驗信息，建立三相異步電動機(jī)設(shè)備正常／故障，以及各種不同故障的樣板模式。故障診斷時，根據(jù)剎車電機(jī)不同的故障征兆完成模式映射過程  。自然界的事物和現(xiàn)象般可分為多個相似，但又不完全相同的群體或個體組成的類別人們把這樣的類別稱為模式類或模式，而把三相異步電動機(jī)其中每個事物或現(xiàn)象稱為該模式的個樣本。同類的樣本彼此相似，具有某些共同的特征，不同類的樣本彼此互不相似。所謂模式識別就是從模式空間到類別隸屬空間的正確映射。http://m.shzcv.com/Products/diandongji.html