感应电机作为一种必不可缺的驱动装置,在现代工业生产中占据着重要地位。一旦电机出现故障,不仅影响生产设备的整体生产效率,造成经济损失,严重时可能会引发灾难性的事故。因此,为了保障生产系统的安全运行,及时发现问题并进行维修以减少生产损失,对感应电机进行状态监测与故障诊断具有非常重要的意义。感应电机发生故障的位置多,故障现象复杂,而现有的故障诊断方法大多采用信号处理方法来分析采集到的信号,提取一些表现电机运行状态的故障特征量用于故障识别。在这过程中不仅需要大量的信号处理专业知识来对信号进行处理与分析,并且要求技术人员对所检测机械的运行状态和故障相关背景都有较强的专业认识,再加上机械运转过程中,大量不可预测的因素存在,使得故障诊断过程更为复杂,人为判断错误的可能性加大。随着人工智能、机器学习方法的兴起与不断发展,从数据本身自动学习数据的有效内在表达的思想和方法为感应电机状态监测与故障诊断提供了切实有效的研究新思路。本文着重研究了深度学习的几种实现模型及其在感应电机故障诊断中的应用,主要研究工作和成果归纳如下:(1)系统学习了神经网络的基本理论和深度学习的基本思想及常用方法,并且针对"浅层"神经网络存在表达能力有限,泛化能力差的缺点,重点研究了机器学习领域中深度学习的几种深度基本模型和极限学习机模型,这些模型算法都有效改善了传统神经网络的局限性。(2)研究了自动编码器及其扩展类型:稀疏自编码和去噪自编码,并把它们结合到一个自动编码器模型上,提出基于稀疏去噪自动编码的感应电机故障诊断方法。利用大量无标签电机振动数据训练稀疏去噪自动编码器,提取数据的内在简明且稀疏的特征,进行有效的无监督特征学习,进而用于深度神经网络的构建,实现感应电机的大数据特征挖掘与故障诊断。(3)研究了卷积神经网络,掌握其结构组成及卷积池化操作的过程和意义,实现一维时间序列的卷积操作,提取到具有内部选择、时域不变的特征。卷积池化结构具有稀疏连接的结构特性,可以利用局部滤波器学习振动数据的局部变化,提取到更细致的特征表达。针对传统卷积神经网络的监督式训练方式需要大量的训练样本和训练用时的问题,对其结构和训练方式进行了相应改进,提出一种判别性卷积特征学习方法,更快速智能有效的进行感应电机故障特征学习。(4)研究了极限学习机模型,探索其作为分类器在感应电机故障诊断上的实现效果。研究基于局部感受域的极限学习机,用卷积的节点实现局部特征的学习,使得极限学习机更适用于具有较强局部性的模式分类问题。研究核极限学习机模型,如支持向量机一样,其引入核函数,在不需要知道隐层表达情况下实现模式分类,具有更强的泛化性与鲁棒性。在研究两种极限学习机故障分类性能后,提出结合核极限学习机和深度学习模型的智能感应电机故障诊断方法,用于多工况下的感应电机故障诊断。