本发明涉及一种电动机监察系统特别涉及检测交流电动机定子匝故障的方 法和装置。

在各种商业和工业领域中都使用诸如三相交流感应电动机等电动机。致冷系 统印刷机，装配流水线和无数的其他应用都使用这种电动机。无论是何用途，及时检 测电动机故障都是极为重要的。一般来说，电动机故障在电动机完全损坏之前是检 测不到的，这样就可能会造成过高的代价，耽误维修时间，还可能有潜在的危险。因而 就需要在电动机完全损坏之前有效和实际地检测出电动机故障，特别是定子匝故 障。

现有状态下的电动机监察技术不足以提供损坏前的定子匝故障检测。典型的 电动机监察系统是根据转子的缺陷和只有在转动过程中才能检测到的缺陷来检测 电动机故障。这些公知的系统是分析转子转动过程中产生的频谱中谐波的变化。 然而，电动机的定子是一个静止部件，而它的缺陷不会产生额外的谐波。因此，要用这 种常规技术来检测由于电动机的定子绕组损坏或故障所造成的电动机故障是不可 能的。

现有技术的定子故障检测系统仍然存在问题。这些公知的定子匝故障检测系 统效率低下并且耗费时间。许多方法是采用一种平衡电动机的理想模型，但是效果 不好，因为实际的机器并不是理想的。有一种方法需要用电动机过多工作状态中的 数据得到一个“查询表”。为了积累用来做成有用的查询表的足够数据，就需要让 电动机在各种工作状态运行许多次。为了确定是否存在定子匝故障，需要将电动 机正常操作期间某一特定瞬时收集的操作数据与电动机在类似操作参数条件下的 查询表数据相比较。确定匝故障的有效性取决于查询表的范围和程度。查询表的 范围和程度越大，成本就越高。因此，公知的定子匝故障检测方案的应用会受到明显 的限制并且/或会是昂贵的。查询表不可能包括所有可能的工作状态的数据。

另外，这些现有技术的定子故障检测系统采用一种加权的快速傅利叶变换 (WFFT)。WFFT需要在一定的时间间隔上有若干组数据来执行变换。

这样就需要设计出一种定子匝故障检测装置和方法，它应该能检测与电动机 定子有关的电动机故障，并且不需要生成一个查询表来存储预料中的每一种操作 状态。

本发明涉及一种方法和系统，其不需要为检测电动机故障而产生操作参数参 考表，并且能够利用高速计算机网络，从而克服上述问题。

本发明通过使用前馈神经网络提供了一种方法，该方法能够容易地代替上述 的查询表，并提供计算或产生电动机的每个操作参数的需要。本发明包括获得在 正常操作条件下的电动机的电压和电流数据。提供一种计算机程序用于变换现有 的电压和电流数据，使得可以容易地获得特征数据并被存储供随后使用。该系统 还包括用于在实际操作条件下从电动机获得瞬时数据的装置。然后，所述瞬时数 据和由前馈神经网络产生的估算数据比较。根据上述数据的比较，可以精确地识 别电动机中的定子匝故障的开始。

因此，按照本发明的一个方面，披露了一种用于电动机的定子匝故障检测 器。所述检测器包括多个传感器，用于获得供给所述电动机的电流和电压信号。 然后，由和所述多个传感器以及前馈神经网络相连的处理器计算电流和电压数据 的顺序分量。前馈神经网络接收电流和电压值，或者接收至少其中的一部分，并 计算被输出到比较器的估算值。根据估算值和瞬时值的分析，可以确定定子匝故 障的开始。

按照本发明的另一个方面，披露了一种定子匝故障检测系统，其包括微处理 器和计算机可读存储介质。微处理器当被存储在计算机可读存储介质上的计算机 程序指示时，便通过至少一个输入端接收基本频率的数据，所述数据具有供给电 动机的正序和负序线电压分量和另一个正序线电流分量。当被计算机程序进一步 指示时，微处理器便启动前馈神经网络，所述神经网络根据上述的数据确定估算 的线电流的负序分量。本发明还包括至少一个输出端，用于输出估算的线电流的 负序分量。

在本发明的再另一个方面中，一种用于检测电动机中定子匝故障的装置包括 用于从已知正常工作的电动机接收线电压信号和线电流信号的装置。还提供一种 变换装置，用于在时间上连续地确定至少一部分电压和电流信号的顺序分量。本 发明还包括用于根据上述的顺序分量输出估算的电流值的装置。接着，所述估算 的电流值通过一种比较装置实时地和瞬时获取的电流值比较。

按照本发明的另一个方面，披露了一种用于检测电动机中的定子匝故障的计 算机程序。当所述程序被执行时，所述计算机程序便使计算机获取在正确工作期 间的电动机的基本频率数据。所述计算机程序还使基本频率数据的至少一部分输 入到具有若干加权的前馈神经网络。然后，计算机将会训练前馈神经网络，使得 每个加权收敛为一个值，并在存储器中存储所述的值。计算机还在瞬时操作期间 从电动机获得基本频率数据。然后把瞬时的基本频率参数输入到前馈神经网络。 然后计算机获得电动机的瞬时操作的估算的基本频率参数，并比较所述参数和瞬 时基本频率参数，以便确定交流电动机的匝故障。

在本发明的另一个方面中，披露了一种用于检测交流感应电动机中的定子匝 故障的装置，所述装置包括至少两个电流传感器，用于获得至少两个交流电动机 电流信号，以及至少两个电压传感器，用于获得交流电动机电压信号。交流电动 机电流信号和交流电动机电压信号被输入到模数转换器，从而产生数字化电流信 号和数字化电压信号。在本发明中还预料一种微处理器，用于翻译数字化信号， 以便计算交流电动机操作的基本频率顺序参数。由前馈神经网络确定交流电动机 的操作的估算的基本频率参数。

按照本发明的再另一个方面，披露了一种用于检测在电动机中存在定子匝故 障的方法，所述方法包括在电动机的正常操作状态期间从电动机中获得基本频率 训练参数的步骤。所述用于检测定子匝故障的方法还包括由基本频率训练参数确 定顺序相量，从而确定电动机的正常操作的估算的基本频率值，以及确定那些估 算的基本频率值。最好是，所述方法在电动机使用时从电动机获取瞬时基本频率 值的附加步骤。接着，所述方法比较瞬时基本频率值和操作的估算的基本频率值， 从而确定故障值，并根据所述比较指示所述故障值。所述故障值表示电动机内存 在定子匝故障。

在本发明的另一个方面中，用于确定交流感应电动机内存在定子匝故障的方 法包括选择前馈神经网络的顺序相量参数，和训练前馈神经网络以使学习在正常 操作状态下的交流感应电动机的模型的步骤。然后，所述方法在电动机使用时获 取交流感应电动机的测量值，并比较从使用中的电动机获取的测量值和交流感应 电动机操作的估算值。所述方法然后重复上述步骤，直到检测到超过一个警戒值 的匝故障值。当检测到这种匝故障值时，所述方法便向用户表示在交流感应电动 机中存在定子匝故障。

本发明的其它的特征、目的和优点从下面的详细说明和附图中将看得更加清 楚。

下面的附图说明用于实施本发明的当前预计的优选实施例。其中：

图1是本发明的匝故障检测器的示意图；

图2是利用图1所示的匝故障检测器的匝故障检测方法的方框图。

图3是说明用于确定图1所示的电动机的线电压和线电流的顺序分量的本发 明的相关实施例的方框图。

图4是表示与图1所示的装置连用的前馈神经网络的综合训练的流程图；

图5是说明用于操作与图1所示的装置连用的前馈神经网络的一个实施例的 流程图；

图6是说明用于试验按照图5训练的图1所示的装置的前馈神经网络的一个

实施例的流程图；

图7是说明用于试验和训练与图1所示的装置连用的前馈神经网络的另一个

实施例的流程图；

图8是说明用于训练图1所示的装置的前馈神经网络的另一个实施例的流程 图；

图9是说明用于训练图1所示的本发明的前馈神经网络的另一个实施例的流 程图；

图10是说明按照图8训练的图1所示的前馈神经网络的试验的流程图；

本发明的操作环境将针对图1所示的三相交流感应电动机进行说明。不过， 应当理解，本发明可以用于单相或其它多相交流电动机或其它类型的电动机。

本发明披露了图1所示的匝故障检测器，其体现图2所示的匝故障检测方 法。参看图1，定子匝故障系统10包括通过传输线16a-16c和电动机14相连的电 源12。系统10还包括通用计算机18，其具有模数转换器(A/D转换器)20，用 于监察在传输线16a-16c上的被传输给电动机14的电流和电压。电流传感器 22a，22b获得流入电动机14的电流波形，并把所述电流波形通过传输线24a，24b 传输给A/D转换器20。电压传感器26a，26b获得供给电动机14的电压波形，并通 过传输线28a，28b把所述波形传输给A/D转换器20。A/D转换器20接收所述电流 和电压波形，并把每个波形数字化，从而可以容易地获得波形的测量值。计算机 18具有微处理器30，其接收来自AD转换器20的数字化信号，并执行使微处理 器30分析所述数字化信号的程序，如下面参照图3-10所述。

计算机18具有和微处理器30相连的超越终端32，当其被启动时则允许交流 感应电动机14的用户超越微处理器30的输出。这种超越控制在重要的应用中用 于延迟停车可能是有用的，其中处理工序必须继续进行，而不管电动机的故障。 微处理器30通过输出终端34向电动机14的用户输出数据。

图2是要由微处理器30执行的计算机程序实现的系统的方框图。数字化的波 形的电压和电流数据36被输入到前馈神经网络38，其处理数据36，并输出电动 机14在实际操作中的电流负序分量的实部40a和虚部40b的估算值。比较器42 接收估算的数据40a，40b，并将该数据和包括在实际操作期间获得的电动机14的 负序电流的实部分量44a和虚部分量44b的实际的数据分量比较。比较器42一般 包括加法器，减法器，或求和器，以后一般称为比较器。故障指示器46接收比较 器42的输出值，并指示电动机14中故障状态48的存在。本发明预计使用各种故 障指示器46，包括但不限于自组织特征图(SOFM)46a，其可以阻止电动机14 的进一步操作，在其它方式中，使报警器发声，利用指针的波动显示故障，以及/ 或输出闪光。SOFM46a是一种用图形显示电动机14的操作状态的神经网络。为 了正确地显示电动机14的操作状态，SOFM46a作为输入接收输出值48和负序电 压50的幅值。本发明试图利用另外的或者第二故障指示器46b。第二故障指示器 46b可以包括仪表，一组故障指示灯，或者前述的故障指示器的任意组合。在检测 定子匝故障领域内的普通技术人员能够理解，本发明的实施不依靠使用SOFM 46a，以取代任何其它的特定的故障指示器。

图3说明数字化电流和电压波形当由微处理器30从A/D转换器20接收时进 行的转换。所述转换一般被称为同步参考坐标(SRF)变换，并且是公知的。SRF 是一种用于变换数字化数据的技术，不像快速傅里叶变换(FFT)那样，能够进行 数据的连续变换。不像SRF变换那样，在对数字化数据可以进行FFT之前需要若 干个数据采集周期，才能获得有效的结果。

最好是，SRF变换100由以上述参照图2所述的方式获得两个线电流和两个 线电压开始。两个线电压Vab，Vbc相对于静止参考坐标110作变换，以便分别 计算d轴和q轴静止电压Vsqs和Vsds，它们每个都是实数。Vsqs和Vsds相对于同步参 考坐标作变换。为了把Vsqs和Vsds相对于同步参考坐标120而变换，还必须对同步 参考坐标120输入变换角θe。在同步参考坐标120的输出veds被输入到加法器。加 法器122的输出被输入到数字PI控制器124，用于把d轴电压调节到0。通过在 闭环中调节频率ωs，并使用积分器126，使变换角θe收敛，从而把d轴电压veds强 制到0。因而，q轴的同步电压Veqs经过低通滤波器128，并被转换为RMS值130， 从而产生线电压的正序分量VLsp。所得的RMS值VLsp被输出，用于线对中点的相 量计算148。

为了分别确定线电压的负序分量的幅值和相位VLsn，arg(VLsn)，静止的q轴电 压Vsqs和静止的d轴电压Vsds，以及在132收敛变换角θe的负值被输入到同步参考 坐标。在计算VLsn和arg(VLsn)之前，同步参考坐标的输出Veds和Veqs经过低通滤 波器134a，134b。VLsn和arg(VLsn)的计算136如下： $\left|{\tilde{V}}_{\mathrm{Lsn}}\right|=\frac{1}{\sqrt{2}}\sqrt{{\left({v^e}_{\mathrm{qs}}\right)}^2+{\left({v^e}_{\mathrm{ds}}\right)}^2}----\left(1\right)$

  ( )                                   (2)

计算的线电压负序分量的的幅值和相位被输出用于线对中点的相量的计算 148。

电流波形的正负序分量的幅值和相位的计算非常类似于线电压的负序分量的 幅值和相位的计算。不过，应当注意，变换角θe，并且不是其负值，被输入，用 于相对于同步参考坐标138作变换，以便计算电流的正序分量的幅值和相位。线 电流的正序分量的计算如下： $I_{\mathrm{SP}}=\sqrt{{\left(i_{\mathrm{qs}}^e\right)}^2+{\left(i_{\mathrm{ds}}^e\right)}^2}----\left(3\right)$

arg(ISP)＝tan-1(ieds/ieqs)          (4)

为了计算线电流的负序分量，变换角θe被乘以-1140。经过改变的θe，isqs和 isds被输入到同步参考坐标142。在142的结果是两个值ieqs和ieds，它们在通过低通 滤波器144之后，被用于计算146，其提供线对线电流的负序分量。计算线电流 的负序分量的公式如下： $I_{\mathrm{sn}}=\sqrt{({i_{\mathrm{qs}}^e}^2+{i_{\mathrm{ds}}^e}^2)/2}----\left(5\right)$

arg(ISn)＝tan-1(Ieds/Ieqs)            (6)

然后输出具有幅值和相位的正负序分量，用于在148作相量计算。

需要相量计算148，以便计算图2的前馈神经网络的输入数据36。输入到前馈 神经网络38的数据36，即Vsp，Vsn-real，Vsn-imag，Isp-real，Isp-imag按下式计算： $V_{\mathrm{sp}}=\left|\frac{1}{\sqrt{3}}{\tilde{V}}_{\mathrm{Lsp}}\right|----\left(7\right)$ $I_{\mathrm{sp}-}\mathrm{real}=\mathrm{Re}\left\{{\tilde{I}}_{\mathrm{sp}}{e}^{\mathrm{j\pi }/6}\right\}----\left(10\right)$ $I_{\mathrm{sp}-}\mathrm{imag}=\mathrm{Im}\left\{{\tilde{I}}_{\mathrm{sp}}{e}^{\mathrm{j\pi }/6}\right\}----\left(11\right)$

线电流的负序分量的相量计算148，包括实部和虚部Isn-real，Isn-imag，和参照图2 所述的由前馈神经网络38产生的估算的负序分量40a，40b比较。

本发明所预计的前馈神经网络38具有两个不同阶段的操作：训练阶段和试验 阶段。图4是前馈神经网络38的最综合的训练方法的流程图。前馈神经网络38 的训练从160以5×1的输入矢量p的形式向网络38的隐含层输入输入数据36开 始。隐含层由若干个隐含层神经元52，Mhid以及构成具有5×Mhid的维数的加权 矩阵Whid的加权54构成。加权被设置为会响应输入数据36的改变而改变的一个 预定值。一般地说，每个加权被预置为0值。隐含层神经元52相应于要对输入数 据36进行的特定的运算功能，如同即将要简要地说明的那样。为了在步骤162概 括地确定隐含层的输出，隐含层加权矩阵转置WhidT和p的乘积和bhid相加，其中 bhid是维数为Mhid×1的隐含层神经元的偏置矢量。取所得之和的双曲正切，确定 隐含层的输出yhid如式14所示。

yhid＝tanh(whidTp+bhid)               (12)

在162确定隐含层的输出yhid之后，在164计算在输出层中的神经网络的输出 yout。一般地说，输出层由若干个神经元和加权(未示出)构成。分解下面提出的 式15得到yout。WoutT一般表示Wout的转置，bout一般表示用作输出层神经元的2 ×1的偏置矢量；Wout是维数为Mhid×2的输出层加权矩阵。

yout＝WoutTyhid+bout              (13)

然后，前馈神经网络38的输出yout按照公式16从电动机14的连续训练操作 的测量值ydes中被减去，从而在166计算预测中的误差。和yout一样，ydes是负序 分量的2×1矢量，其具有电动机14的线电流的幅值和相位。

e＝ydes-yout                      (14)

由公式16得到的ydes和yout的差e表示电动机14的操作的实际值和由前馈神 经网络38产生的估算值之间的差，一般称为预测误差。如果没有不平衡的电源电 压或在电动机14或测量仪表中的固有的不对称性，e的值将是0。不过，电源电 压的精确平衡或者没有固有不对称性的测量仪表是不可能的。结果，e可能具有无 论怎麽小的某个正值。

在166计算e之后，在168按照已知的“Δ规则”更新加权矩阵的值。Δ规则 是一种用于更新神经网络的加权矩阵的方法，这种方法是公知的，并且在Neural Networks，Simon Haykin的文章A comprehensive Foundation(Prentice Hall，1999) 中披露了。在168更新加权矩阵之后，在170更新学习速率和其它的训练参数。

在168更新加权矩阵和在170更新学习速率和其它的训练参数之后，在172 计算e的范数，从而确定对于给定的训练输入36所述的值是否足够小。如果e的 范数不足够小，则获得新的输入数据36，并在162被输入给隐含层，并且利用已 改变的隐含层和输出层的加权的数值，e最终被重新计算。直到隐含层和输出层的 加权收敛为一个合适的值，预测误差将不会足够小。当预测误差等于0或检测系 统10的用户认为一个可接受的某些其它值时，则发生加权的收敛。微处理器20 在存储器中存储收敛时的加权值，供在前馈神经网络38的试验阶段期间在存储器 中使用。

当e的范数足够小时，前馈神经网络38的训练阶段完成。根据预定的门限值 确定e的范数是否足够小。根据电动机14的用途和操作条件，10％的预测误差可 以作为足够小，而其它的应用可能要求低得多的预测误差。

图5表示用于操作前馈神经网络38的一个已知的实施例，其一般被称为“全 局最小训练”(GMT)。神经网络38的GMT非常类似于图4所示的神经网络38 的综合训练。不过，利用GMT，当电动机处在使用状态时，加权矩阵不被更新， 学习速率和训练参数也不被更新。为了结合GMT，在训练之前必须能够得到相应 于不同的电流和电压条件的数据，或者在一段时间内积累这些数据。结果，电动 机14必须运行若干个操作周期，从而获得足够的训练数据。为了实现最精确的全 局最小，除去基本的数据存储器之外，需要大的数据集，大的数据集需要长的训 练时间。随着训练点数的增加，功能的接近的精确度、全局的最小量得以改善。 和其它的将要进行简短讨论的训练方法相比，目前认为全局最小训练成本较高效 率低。

图6说明一旦利用结合图4的综合训练的图5的GMT程序使隐含层和输出层 的加权收敛之后，对前馈神经网络38进行的试验。在174，线电压和线电流的顺 序分量被输入到神经网络38，然后在162，166，计算隐含层和神经网络的输出， 如参照图4所述。然后在176计算误差，但是和训练阶段不同，预测误差不表示 加权不精确，而表示在电动机14中的一匝定子匝故障的开始。因为根据在从运行 的电动机14采集的数据，在前馈神经网络38的训练期间加权收敛，所以考虑仪 表和电动机的不对称性以及不平衡的电压。主要是，在训练阶段期间，前馈神经 网络38学习未处于理想的电动机14的操作状况。

前馈神经网络38的试验根据在178标称化的预测误差和警戒值的比较得出结 论。所述警戒值是用户确定的表示电动机故障的允差的值。高的警戒值将需要较 高的表示电动机14的匝故障180的预测误差，而低的警戒值则要求低得多的e 值。如果在178标称化的e值大于警戒值，则在180发出匝故障信号。如果不大 于警戒值，则在174前馈神经网络38重新获得顺序分量数据，并重复试验阶段。 只要标称的e值不超过警戒值，则继续进行在174开始的循环。

图7说明另一种已知的用于试验和训练前馈神经网络38的实施例，通常被称 为连续在线训练(COT)。虽然COT是一种已知的训练前馈神经网络38的方法， 但是COT尚未用于定子匝故障检测方案中。在连续在线训练中，按照前述获得顺 序分量。利用COT，每T秒有若干个试验时隙和一个训练时隙。因此，前馈神经 网络38的加权可以响应于顺序分量的改变被准连续地更新。一般地说，每第5个 时隙是训练时隙，在此期间将使用顺序分量数据更新加权矩阵。剩下的4个时隙 留出用于试验数据，其将用于确定在电动机14中定子匝故障是否存在。同时在训 练时隙中，通过解方程16确定预测误差184。如果在185预测误差足够大，则在 190向电动机14的用户发出故障信号。如果预测误差不足够大，则在186更新加 权矩阵，并在188获得新的顺序分量数据。而在训练时隙182和183，在192顺 序分量进行训练瞬变估算。在192进行的训练瞬变估算确定COT是否是训练瞬   变。如果正在发生训练瞬变，则在188获得新的顺序分量，并重新开始训练。如 果不存在训练瞬变，则在194按照图4所述计算网络误差e。然后网络误差e在 196和警戒值比较，确定是否在190向电动机14的用户发出匝故障信号。

图8所示的准全局最小训练(QGM)是用于训练前馈神经网络38的另一个实 施例。除去数据库的容量受限制之外，QGM训练非常类似于图5的全局最小训 练。一般地说，数据库要足够大，以便和在每天当中见到的不同的操作条件的数 量相当。经过一段时间，并且当获得一个新的输入时，由于数据库满而使数据库 被更新，现有的输入被放弃，使得从收敛的观点来看，剩余的数据呈现给前馈神 经网络38最可能的训练组合。结果，只有当新的输入被加到数据库时，加权才被 更新。因而，和图7的COT方法相比，QGM方法需要的计算较少。

利用准全局最小训练，在198在获得新的输入之前，隐含层神经元的数量Mhid 被初始化。在初始化隐含层神经元的数量之后，在数据库200中存储的顺序分量 被输入给前馈神经网络38的隐含层，从而按照上述获得预测误差e。在202计算 预测误差e之后，在204按照参照图4所述更新加权矩阵和学习参数。如果预测 误差的范数足够小，则206、207停止前馈神经网络38的训练。如果不是，则206、 209在211使隐含层神经元的数量加1，并在208使加权矩阵重新初始化。为了限 制训练误差到一个预定的门限值，隐含层神经元的数量必须随数据库的容量的增 加而增加。如果新的输入和存储在数据库中的顺序分量明显不同，则前馈神经网 络加权54可能不收敛，因而预测误差将保持高值。结果，前馈神经网络38的试 验必须中断，直到足够的输入被加到数据库使得加权54能够收敛为止。

因为COT算法没有用于存储输入数据36的数据库，并且QGM算法如果在从 数据库获得明显不同的输入时可能不使加权收敛，本发明试图组合每种算法。使 用COT-QGM组合算法，利用两组加权进行故障分析。一组加权由COT算法训 练，另一组用QGM方法训练。因为在任何给定时刻只有一种方法是有效的，所 以并不增加计算的复杂性。

图9说明COT-QGM模式下的训练算法。在获得输入数据36、线电流和线 电压的顺序分量之前，进行一个确定，以便确定数据36是否从最后的QGM加权 更新以后增加210。如果数据36已被增加，则在212按照参照图4所述的GMT 算法训练前馈神经网络的加权。如果预测误差的范数e低，则在216初始化QGM 算法。如果预测误差的范数不低，则在218执行COT算法。不管执行哪种方式， COT-QGM算法在220获得作为前馈神经网络38的输入的顺序分量。COT- QGM算法在222确定是否需要把输入加于准全局最小数据库。然后，即使工作在 按照图8的QGM方式下，在224也更新COT加权54。这能够确保随着从QGM 方式向COT方式的转换，确保不会发生不合理的长的时间，以致以小于预定门限 值的预测误差使COT加权54会聚。

现在参看图10，在COT-QGM的试验算法完成时，在226进行确定，确定 前馈神经网络38是否处于训练瞬变。如果是，则在228结束COT-QGM方法的 试验方式。如果不是，则在230COT-QGM算法确定是否数据36已经从最近的 准全局最小加权更新以后增加。如果是，则在228结束COT-QGM算法的试验 方式。如果不是，则在232按照参照图3所述获得输入数据(线电流和线电压的 顺序分量)。如果在234、235输入是新的，则在228结束COT-QGM算法的试 验方式。如果不是，则在236以在图4的讨论中提出的方式计算预测误差e。如果 在238、239 预测误差的标称化小于警戒值，则在232获得新的顺序分量，并被输 入到前馈神经网络38中。如果在238预测误差的范数不小于警戒值，则在240向 电动机14的用户发出定子匝故障信号。

虽然在本发明中实施了几种训练算法和相应的试验算法，但是特定的训练和试 验算法的选择是根据定子匝故障检测器的预定用途来进行。应当理解，定子匝故 障检测系统10的功能不限于任何特定的试验与/或训练算法。

本发明设想了用于电动机，更特别是用于交流电动机14的定子匝故障检测器 的使用。这种用于交流感应电动机14的定子匝故障检测器10的一种应用如图1 所示。定子匝故障检测器10包括多个传感器22a，226，26a，26b，用于从交流感应电 动机14获得电流和电压值，以及处理器30以便计算电流值的顺序分量和电压值 的顺序分量。和处理器30相连的前馈神经网络38接收所述顺序分量，并确定表 示交流感应电动机14的负序电流的估算值的输出值。还提供比较器42，用于比 较前馈神经网络38的输出值和交流感应电动机14的一组实际的电流值，从而确 定故障值。处理器30对电压和电流值应用同步参考坐标变换，确定由前馈神经网 络38使用的相应的顺序分量。前馈神经网络38包括具有相应于要被输入的顺序 分量的数量的多个输入36的输入层，和具有至少一个神经元52和多个加权54的 隐含层。神经元52的数量和多个加权54的每个值被这样确定，使得当加权54收 敛时，用于估算线电流的负序分量的值被确定。当该多个加权54的每个数的正确 值和神经元52的正确数量已经被确定后，神经网络38就被训练，并准备检查电 动机14中的定子匝故障。

本发明按照优选实施例进行了说明，应当理解，除去这些清楚说明的实施例之 外，在所附权利要求的范围内，可以作出许多等同例、替代例和改型例。