三相异步电动机是当今工业生产中应用最为广泛的动力驱动设备,它的运行状态直接影响了工业生产的正常运行,一旦发生故障将会导致整个生产系统的瘫痪,甚至会影响到人们的生命财产安全和国家安全。因此,对三相异步电动机进行监测及早期故障诊断,确保生产生活系统能够安全高效产出和优质节能运行,具有十分重要的意义。本文首先在解析模型的方法上,提出了基于鲁棒观测器的三相异步电动机故障检测方法;接着针对非线性系统观测器设计困难等问题,提出了基于解析模型结合BP神经网络的非线性观测器设计方法,实现了三相异步电动机的早期故障检测;最后,针对传统故障诊断需要复杂的信号处理技术或只停留在检测过程,无法实现故障的准确诊断等问题,提出了基于深度学习的故障诊断方法。具体工作如下:(1)阐述了三相异步电动机故障诊断的研究现状。在阅读大量国内外文献的基础上,首先分析三相异步电动机故障诊断的研究背景及意义,接着重点回顾解析模型和深度学习在故障诊断领域的研究概况,找出目前三相异步电动机故障诊断研究中的热点问题,最后列出本文的重点研究内容。(2)概括了三相异步电动机基本的故障诊断方法。首先在不同的坐标系下对三相异步电动机进行数学建模,建立d-q坐标系下的状态方程。接着详细分析了几种典型的三相异步电动机故障类型,最后具体描述基于解析模型、信号处理和机器学习的故障诊断方法的实现原理及诊断过程。(3)设计了一种基于鲁棒观测器的三相异步电动机故障检测方法。首先阐述观测器的基本理论,包括线性系统观测器设计、含有未知项的线性系统观测器设计和非线性系统观测器设计。接着具体描述本文所使用的鲁棒观测器的设计过程及观测器参数的选择,使用一种简单有效的选择误差反馈增益矩阵的方法,并进行了稳定性分析,最后通过三相异步电动机鲁棒观测器仿真实验证明:鲁棒观测器对异步电机故障检测的可行性和有效性。(4)提出基于改进的BP神经网络观测器的三相异步电动机故障智能检测方法。针对现阶段大多数非线性观测器是基于Lipschitz条件设计的,其应用具有一定的局限性。基于此,本文提出一种以解析模型为基础,结合BP神经网络的非线性观测器的设计,该方法利用布谷鸟算法优化BP神经网络(CS-BP),对三相异步电动机数学模型的非线性部分进行预测,所设计的非线性观测器能准确估计电机的电流和转速。最后,进行三相异步电动机的绕组故障实验,通过对电流残差的分析,实现了三相异步电动机的在线故障检测。(5)提出了基于深度学习的三相异步电动机故障智能诊断方法。基于解析模型的故障诊断方法需要精确的数学模型,但对于高阶非线性、强耦合、多变量的三相异步电动机来说,建立精确的数学模型是困难的;基于信号处理的方法中特征提取、分析和选择,需要研究者对诊断对象有充分的故障理论基础。深度学习具有强大的表达能力,可以将信号特征提取与模式识别融为一体,因此本文提出基于PCA-SVCNN的三相异步电动机故障诊断方法,该方法首先通过Savitzkygolay平滑去噪,使用主成分分析(PCA)对采集到的电流信号进行降维可视化,接着混合支持向量机(SVM)和卷积神经网络(CNN)对降维后的数据进行实验分析,最终实现三相异步电动机的故障智能诊断。