定子故障是最常见的异步电机故障类型之一，其中相间短路和接地短路故障多数都是由未检测到的匝间短路故障发展导致的。因此，对定子匝间短路故障进行有效的早期诊断具有重要意义。近年来，大数据和人工智能浪潮的兴起，为科学研究领域带来新的思路和方法，工业互联网的发展也对数据驱动的电气设备智能诊断提出新的要求，本文对基于机器学习模型的异步电机定子故障诊断方法进行研究。
　　在对电机数据进行探索性分析的基础上，本文首先研究了基于浅层机器学习模型的故障诊断方法，综合利用定子基波电流和视在阻抗的各序分量以及三相电流相位差作为特征，应用随机森林和支持向量机模型进行定子匝间短路故障诊断，并在实验数据上进行验证，在测试集上分别取得97.4%和95.3%的准确率。接着，提出了应用深度前馈神经网络模型的诊断方法，该方法同样依赖于特征工程，并在TensorFlow平台上进行验证，最终取得97.1%的测试集准确率。结果表明，负序电流和负序视在阻抗是定子匝间短路故障诊断的良好特征，随机森林模型的训练时间短且准确率高，具备良好的可解释性和健壮性。
　　最后，提出了两种基于卷积神经网络的方法，第一种方法利用定子三相电流采样信号构成3通道输入数据构建卷积神经网络，得到了96.7%的测试集准确率，第二种方法对定子A相电流滤除基波，并对滤波后的信号的进行5层小波包分解，提取前8个低频分解信号构成8通道信号作为卷积神经网络的输入，在测试集得到了98.6%的准确率。结果表明，在大数据集的条件下，卷积神经网络模型能够学习时序信号中的故障模式，且具有较高的泛化性能。