随着科学技术的进步和工业生产的快速发展使得各种生产设备的结构日趋复杂，由于结构的复杂性以及设备在大功率和高负荷的条件下连续运转，随着时间的增长和内外部条件的变化，设备会不可避免地发生一些故障。这些故障，轻则会降低设备性能，重则会影响生产、毁坏设备，造成严重的经济损失与社会影响。如何及时预测和发现故障并保证设备在工作期间始终安全、高效、可靠地运转，本文采用故障诊断技术为设备运行的安全性和可靠性提供了一个有效的解决方案。论文在广泛收集感应电动机故障诊断研究资料的基础上，从分析电机定子电流入手，提取出了电机在故障时相应的特征频率和幅值，利用神经网络实现对电机常见故障的诊断。 本文详细介绍了人工神经网络，尤其是BP网络的基本理论及应用，研究了BP网络结构的建立原则、网络样本的处理方法、网络样本的训练方式。论文以三相感应电动机的常见故障为例，建立了对其进行故障诊断的8-12-4三层网络结构。针对BP神经网络的不足，探讨了几种改进的BP算法，并详细分析了这些改进算法在故障诊断中的应用效果。 根据神经网络和遗传算法(GA)的特点，利用遗传算法优化神经网络，将二者有机的结合起来，建立故障诊断的优化网络模型(GA—BP)。在遗传算法中，采用锦标赛选择取代常用的轮盘赌选择，并加入迁移策略来优化BP网络的初始权值和阈值。以各种原始资料和现场实录资料作为训练样本，首先进行遗传算法的全局搜索，得到的优化解作为BP网络的初始权值和阈值，然后通过训练样本来实现BP神经网络的学习，建立样本(作为输入变量)与实际故障类型(作为目标变量)之间的潜在联系，最后用测试样本对GA—BP网络性能进行检验。 通过对GA—BP网络的检验结果与未进行遗传算法优化的BP网络检验结果相比较，表明用改变选择并加入迁移策略的遗传算法来优化BP网络的诊断正确率明显高于未进行优化的BP网络，这样不仅发挥了神经网络的泛化映射能力，而且诊断速度也有提高。