单相交流串励电动机结构简单，可以交直流两用，广泛应用于电动工具、家用电器等。目前，单相串励电动机的性能测试主要使用各种力矩测试系统，在电机输出端直接耦合标定的加载转矩，从而测出电机的性能。这种直接测试方法存在着诸如系统复杂、昂贵，安装调试复杂、耗时，故障率高等一些缺点。　　随着对单相交流串励电动机数量需求的稳定增长以及对电机性能指标的苛求，传统的电机测试方法已无法满足电机制造行业的需求。为简化测试过程，降低测试成本，大幅度减少测试时间，提高测试精度，需要对上述直接测试方法进行改进，或采用新的测试方法。基于数字信号处理和系统辨识的无耦合电机特性测试方法(虚拟测试系统)与相关技术成为研究热点。本文提出了针对单相交流串励电动机的无耦合特性测试概念。应用这种测试系统，只需将电机用简单的卡具固定，在电机完全空载的情况下上电运转。在电机转速由零升至空载稳定转速的过程中，利用A/D采集卡获取电机起动过程的电压和绕组电流数据，通过计算得到被测电机的参数及特性。　　为评估电机的优劣、进行电机性能分析，几乎需要知道电机的所有参数和特性，例如：绕组电阻、电感、摩擦系数、效率特性、转矩-转速特性以及最大效率点等。在电机性能测试过程中，电机的转矩-转速特性是非常重要的电机特性，如何快速、准确地测量各类电机的转矩-转速特性历来是电机测试方法、测试系统所关心的重要问题和评价的重要标准。单相串励电机含有电刷和换相片，从电机的换相理论知道：电枢绕组线圈的换相过程会在绕组电流波形中加入短时的高频干扰，从而引起绕组电流波形的畸变。其幅值取决于换相电势、换相电流的幅值，而其频率则与电机转速直接相关。可见，通过对电机电压与/或绕组电流波形的分析，可以间接得到电机转速。为获得其他参数和特性，文中采用了基于电机数学模型的参数辨识技术。这种测试方法的目标是通过测取少数易测变量，最终由计算机确定被测电机的相关参数。除少数直接测量变量，(如电机电压与电枢电流)，其余参数均通过数学模型间接辨识得出。　　为了获得电机的参数，设计了基于模型参考自适应反向应用的电机模型参数辨识方案，实际上电机模型的参数辨识是一个多维寻优的计算过程。通过对被测电机施加输入激励，然后电机的部分输出量作为电机模型输入激励，选取模型计算值与被测电机实测值之间差值的平方和作为优化的目标函数，通过最小化目标函数值，不断地调整模型参数，寻找使模型输出尽可能地与系统输出相匹配的最优化电机模型参数。由于本文的参数辨识是一个多尺度空间最优化搜索的计算过程，并且电机参数及其特性之间具有较强的非线性关系，一般的优化算法很难达到理想的效果，因此本文针对单相交流串励电动机，提出了基于遗传算法的电机模型参数辨识方法，并在实际中将基本遗传算法进行改进，提出了基于个体适应度阀值的等级制遗传算法(SHRGA)。为验证该方法的准确性，本文对应用等级制遗传算法辨识得到的参数与应用实验得到的参数进行了对比验证。实验结果表明，应用等级制遗传算法对于解决单相串励电机这类非线性、多目标的函数优化问题具有较好的效果。　　本文在参数辨识的基础上，通过计算得到单相串励电动机的各种特性，并将结果与由传统耦合测试方法得到的某些样机特性进行了对比实验，验证了特性的准确性。　　如何使测试系统具有自学习能力，使其能从测试样例中学习样本规律，进一步改进测试系统的性能，即实现测试系统的智能化。本文对测试系统的智能化的实现进行了有益的研究，设计了基于机器学习的智能测试流程，对其中最重要的神经网络的学习和基于神经网络的参数辨识进行深入的研究，证明了智能测试流程方案的可行性。