基于-bp神經(jīng)網(wǎng)絡(luò)的故障診斷方法

《基于-bp神經(jīng)網(wǎng)絡(luò)的故障診斷方法》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。

1、

2、《智能控制基礎(chǔ)》研究生課程設(shè)計報告題目基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法學院機械與汽車工程學院專業(yè)班級車輛工程學號221601852020學生姓名李躍軒指導教師武曉莉完成日期2016年12月10日

3、目錄1設(shè)計概述21.1研究對象介紹21.2設(shè)計內(nèi)容及目標22設(shè)計原理、方法及步驟32.1基于BP算法的神經(jīng)網(wǎng)絡(luò)模型32.2神經(jīng)網(wǎng)絡(luò)信息融合故障診斷步驟43結(jié)果及分析63.1數(shù)據(jù)仿真63.2結(jié)果分析84設(shè)計小結(jié)9參考文獻10附錄程序11

4、1設(shè)計概述1.1研究對象介紹信息融合是多源信息綜合處理的一項新技術(shù)，是將來自某一目標(或狀態(tài))的多源信息

5、加以智能化合成，產(chǎn)生比單一信息源更精確、更完全的估計和判決。信息融合所處理的多傳感器信息具有更為復(fù)雜的形式，可以在不同的信息層次上出現(xiàn)。多傳感器信息融合的優(yōu)點突出地表現(xiàn)在信息的冗余性、容錯性、互補性、實時性和低成本性。神經(jīng)網(wǎng)絡(luò)是由大量互聯(lián)的處理單元連接而成，它是基于現(xiàn)代神經(jīng)生物學以及認知科學在信息處理領(lǐng)域應(yīng)用的研究成果。它具有大規(guī)模并行模擬處理、連續(xù)時間動力學和網(wǎng)絡(luò)全局作用等特點，有很強的自適應(yīng)學習和非線性擬合能力，從而可以替代復(fù)雜耗時的傳統(tǒng)算法，使信號處理過程更接近人類思維活動。柴油機故障具有相似性，故障與征兆的關(guān)系不明確，具有

6、較強的模糊性，故障特征相互交織，柴油機故障診斷是一個復(fù)雜的問題。綜合柴油機故障的特點以及神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，采用基于BP神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合技術(shù)對柴油機機械故障進行診斷。1.2設(shè)計內(nèi)容及目標設(shè)計內(nèi)容：針對傳統(tǒng)故障診斷方法存在的診斷準確性不高的問題，提出了BP神經(jīng)網(wǎng)絡(luò)信息融合的方法，實現(xiàn)對柴油機的機械故障診斷。由多個傳感器采集信號，分別經(jīng)過快速傅里葉變換后獲得故障頻域特征值，再經(jīng)BP神經(jīng)網(wǎng)絡(luò)對柴油機進行故障局部診斷，能夠?qū)ο鄳?yīng)傳感器的不同故障類型做出一個準確地分類，最終完成對汽輪機機械故障的準確診斷。實驗結(jié)果表明，該方法克服了單個

7、傳感器的局限性和不確定性，是一種有效的故障診斷方法。采用方法：通過BP神經(jīng)網(wǎng)絡(luò)進行局部診斷，最終判定故障及故障類型?；贐P神經(jīng)網(wǎng)絡(luò)多傳感器信息融合，故障診斷方法是特征層狀態(tài)屬性融合，并利用MATLAB仿真。

8、2設(shè)計原理、方法及步驟基于神經(jīng)網(wǎng)絡(luò)多傳感器信息融合故障診斷方法是特征層狀態(tài)屬性融合，也就是特征層聯(lián)合識別方法，多傳感器檢測系統(tǒng)為識別提供了比單傳感器更多的有關(guān)目標(狀態(tài))的特征信息，增大了特征空間維數(shù)。本文運用神經(jīng)網(wǎng)絡(luò)多傳感器信息融合方法對機械設(shè)備運行狀態(tài)進行診斷識別，是基于這樣一種思想：設(shè)備運行狀態(tài)與其各種征兆參數(shù)(溫度、

9、壓力、電壓、電流、振動信號等)之間存在著因果關(guān)系，而這種關(guān)系之復(fù)雜是難用公式表達的，由于神經(jīng)網(wǎng)絡(luò)所具有的信息分布式存儲方式、大規(guī)模自適應(yīng)并行處理、高度的容錯能力等是其可用于模式識別的基礎(chǔ)，特別是其學習能力、容錯能力和高度的非線性映射能力對機械設(shè)備運行狀態(tài)的不確定性模式識別具有獨到之處。

10、2.1基于BP算法的神經(jīng)網(wǎng)絡(luò)模型本文采用的是3層BP神經(jīng)網(wǎng)絡(luò)模型，由輸入層、隱層和輸出層構(gòu)成，圖1所示為一個典型的三層BP神經(jīng)網(wǎng)絡(luò)模型圖1一個簡單的BP神經(jīng)網(wǎng)絡(luò)模型

11、網(wǎng)絡(luò)的前饋意義在于每一層節(jié)點的輸入僅來自前面一層節(jié)點的輸出。對于輸入信號，先前向傳

12、播到隱層節(jié)點，經(jīng)過激活函數(shù)后，再把隱層節(jié)點的輸出信息傳播到輸出節(jié)點，最后得到輸出結(jié)果。（1）輸入層節(jié)點其輸出等于輸入，將變量值傳送到第二層。（2）隱層節(jié)點其輸入，輸出分別為：

13、（2-1）（2-2）式中，為隱層節(jié)點與輸入層節(jié)點之間的權(quán)值，為隱層節(jié)點的偏置，為sigmoid函數(shù)，其表達式為：（2-3）（3）輸出層節(jié)點其輸入，輸出分別為：（2-4）（2-5）式中，為輸入層節(jié)點與隱層節(jié)點之間的連接權(quán)值，為輸出層節(jié)點的偏置。對于給定的訓練樣本，為樣本數(shù)，網(wǎng)絡(luò)輸出與訓練目標之間的均方誤差可表示為：（2-6）（2-7）其中為樣本數(shù)，為第個樣本的

14、第l個輸出單元的目標輸出結(jié)果，為第個樣本的第l個輸出單元的網(wǎng)絡(luò)運算結(jié)果。BP網(wǎng)絡(luò)訓練的過程包括網(wǎng)絡(luò)內(nèi)部的前向計算和誤差的反向傳播，其目的就是通過調(diào)整網(wǎng)絡(luò)內(nèi)部連接權(quán)值使網(wǎng)絡(luò)輸出誤差最小。對于多層前饋網(wǎng)絡(luò)中輸入層與隱層之間、隱層與輸出層之間連接權(quán)值利用BP算法調(diào)整。2.2神經(jīng)網(wǎng)絡(luò)信息融合故障診斷步驟神經(jīng)網(wǎng)絡(luò)知識表示是一種知識的隱式表示，

15、知識表現(xiàn)為網(wǎng)絡(luò)的拓撲結(jié)構(gòu)和連接權(quán)值，采用神經(jīng)網(wǎng)絡(luò)技術(shù)的專家系統(tǒng)，由于神經(jīng)網(wǎng)絡(luò)是一種信息存儲和處理統(tǒng)一的網(wǎng)絡(luò)系統(tǒng)，因此，在采用神經(jīng)網(wǎng)絡(luò)技術(shù)的專家系統(tǒng)中，知識的存儲與問題求解過程中的推理過程均在系統(tǒng)的神經(jīng)

16、網(wǎng)絡(luò)模塊中進行，是推理機和知識庫的統(tǒng)一。首先從已有的設(shè)備特征信號提取特征數(shù)據(jù)，經(jīng)過數(shù)據(jù)預(yù)處理（歸一化處理）后作為神經(jīng)網(wǎng)絡(luò)輸入，從已知的故障結(jié)果提取數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸出，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，利用已有的特征數(shù)據(jù)和已知的故障結(jié)果數(shù)據(jù)形成的訓練樣本集對構(gòu)建的