电力行业的安全稳定运行对一个国家的发展非常重要的，常见的电气设备的故障一旦损坏部分功能，有可能导致整体系统不能正常工作，定位电气故障点，提前预判电气故障出现的可能性，从而采取预防措施，提高系统诊断效率，有利维护机床电气工作的正常运行。基于此，以四大机床产生的电气故障作为分析的基础样本，总结出迅速的诊断与处理方法，进而推广其模式，四大机床的电气故障具有基础的电气故障类型，通过诊断四大机床电气故障的系统模型，能快速推广到其他的电气设备的故障检测中去。
传统的机床电气故障排除方法主要有1.调查研究法，通过询问设备操作人员和现场人员，故障在前后出现的现象，是否经常发生，有无明显的烧毁外观、导线、接线处有无烧过的痕迹等，在应以不损坏设备和扩大故障范围的前提去进行比较与正常运行的差异，从而进行检查。2.通电试验法。在常规的外部检查无法发现故障的时候，可以通电然后进行各点的试验，观察各个环节的支路有没有问题，发现某个地方不符合要求，则判断为相关的线路，进而缩小范围，最终确定故障点。3.逻辑分析法，通过询问及观察，利用逻辑分析的方法，电气控制电路的原理来控制线路的环节、程序和故障现象之间的关系，进行具体分析，迅速缩小检测范围，进而确定故障位置。4.测量法。首先按照黄金分割法，将回路分成几个部分，然后分别测量每一段的电阻。如果所测电阻值比正常值大，或出现电阻值大小不稳，则说明有接触不良的现象。通过连续的进行测量，一般可以确定故障的范围，进而可以排除故障。采用传统的方法确定故障时间长、不准确、占用大量的时间和劳动力，有关智能方法层出不穷，神经网络分析诊断的特点是效率高，准确度高，逐渐采用神经网络分析方法进行测量成为一种判断的趋势。研究神经网络用于电气故障现状分析：
王 勋，杨 浩，毛华敏在《深度学习在故障电气设备诊断中的应用》,利用红外线图像诊断故障图像的方式，将以往的典型故障电气设备的图像建立为典型数据集利用图像检索技术将目标故障图像从典型数据集中检索出最相似的图像，根据获得的图像融于实验中，从而采集数据集，进行了测试验证。这种方法建立了红外线的图像进行分析与诊断，但是没有做到实时监控的要求，不能直接反映出现问题的故障点，有一定的滞后性。
2016年，王桂林等提出一个基于自组织映射（SOM)的神经网络对于绝缘子故障识别算法，采用现场的绝缘子故障特征向量进行训练，2017年刘斌等通过卷积神经网络对变压器局部放电信号图像进行识别，克服了传统机器学习算法人为计算特征的缺陷。王硕禾，巩方超，古晓东，田继祥等人在《基于特征融合的变电设备类型及故障识别算法研究，提出一种基于 FastPCA 和 PHOG 特征加权融合的电气设备类型及其故障状态识别算法引入K-means 算法完成红外图像分割; 提取分割图像的 FastPCA 和 PHOG 特征并加权融合成新的混合描述子; 将新的描述子作为训练好的 SVM 分类器的输入向量，实现目标巡检设备类型及故障的识别分类。同时王硕禾在《双监督信号深度学习的电气设备红外故障识别》一文中，提出采用卷积神经网络对电气的特征提取中，提出了采用softmax损失和中心损失两种监督信号来进行提取特征进行监督训练，实现对电气设备的精准的定位和识别。采用这两种监督
分析与解决方法：
电气故障的特点，电气设备所处的环境不一样，造成的故障原因也不一样，常见的有长时间工作的过负荷运行，设备老化，设备长期在潮湿、粉尘或者腐蚀性高的地方运行等，都将影响整个系统，从而产生比较严重的后果，将电气量或者非电气量传送到数据观察分析的工具中，故障诊断与深度卷积神经的模型相结合，通过对电气量和非电气量的数据进行特征的提取，进而实现对故障种类的分类，并进行大量的实验验证，从而达成有效的诊断电气故障，为维护和维修做准备。
四大机床主要包括车床、磨床、铣床、钻床，其电气故障的分类与特点：1、三相不平衡造成的电流不稳故障，包括过负荷和两相短路、三相短路等。2、交流接触器、行程开关、按钮、继电器、指示灯、电线、断路器、变压器、电磁吸盘等电气设备故障引起的功能性缺失如单线开路、两相开路、接触不良、保护导体带点、绝缘损坏等。3、瞬间电压上升产生的故障，主要是电压和电流的瞬间冲击。4、电气线路故障则包括了：电动机的启动故障、断路器及互感器使用不当、变压器内绕着击穿等。而防雷与接地故障可以包括：接地电阻过大、接地电阻装置异常等。
电气故障诊断和解决方法的改进与提高：
一、提前预判，结合数据分析，找到故障位置。深度卷积神经网络通过将已有的数据进行输入，包括机床设备中的三相电流各个节点的电量（电流、电压、功率），非电量（热量图像）的检测数据,通过将数据进行特征的提取，然后输入卷积神经网络进行故障的分类与识别，卷积神经通过卷积层和池化层组成的特征提前器，可以减少信息缺失度，卷积核与池化层大大简化了模型复杂度，减少了模型的参数，本文采集分组进行输入，将电量和非电量分别输入，生产检测样本与训练出来的样本进行判断，当训练结果的错误率达到我们预先的设定时候，就作为保存好的卷积神经样本，重新输入故障数据，然后判断出故障的类型判断。
二、在线监督分析。人为增加的外部监测仪表监视系统、该系统主要用于采用现有的传感器手段，分别进行各种变化的监测实时进行判断，通过例如温度检测、电流电压检测等手段进行。实时对现场反馈回来的电量及非电量进行实时处理，对产生的数据实时变化进行监测，并对这些数据进行训练并输入深度学习的神经网络中去，一旦有发现有变化或者异常情况，马上进行报警与发出相关信号警示。
如图1所示，将有关的电气故障图像、数据在明确定义，并进行筛选后进行输入，经过预处理后，将数据进行卷积神经网络的三个层的学习，卷积层进行特征的提取，提取出相关的数据后对这些特征量进行压缩，通过池化层的压缩后，一般得出的数据会进一步的精简，然后将这些数据送入全连接层中去，在连接层中，讲相关的数据进行分类，并生成相应的特征向量参数，将以往的特征向量与生成的新的数据进行比较，从而可以得到相应的结果。
总结：
本文通过对四大机床主要包括车床、磨床、铣床、钻床的电气故障进行类与总结，提出了将机床的电气设备故障，线路故障，防雷与接地故障等数据进行深度学习，总结出一套适用的模型，并通过提前预判和在线分析的方法来进行对数据的处理，从而可以很好的将相关的故障进行检测与分类，能正确的进行识别，同时提高检修速度和准确度，最终达到有效减少故障的效果。
