基于BP神经网络故障诊断方法模板

1、鉴于BP神经网络的故障诊疗方法模板鉴于BP神经网络的故障诊疗方法模板鉴于BP神经网络的故障诊疗方法模板智能控制基础研究生课程设计报告题目鉴于BP神经网络的故障诊疗方法学院机械与汽车工程学院专业班级车辆工程学号221601852020学生姓名李跃轩指导教师武晓莉完成日期2016年12月10日智能控制基础研究生课程设计报告目录1设计概括.21.1研究对象介绍.21.2设计内容及目标.22设计原理、方法及步骤.32.1鉴于BP算法的神经网络模型.32.2神经网络信息交融故障诊疗步骤.43结果及分析.63.1数据仿真.63.2结果分析.84设计小结.9参照文件.10附录程序.11第1页/共14页智能控

2、制基础研究生课程设计报告设计概括1.1研究对象介绍信息交融是多源信息综合办理的一项新技术，是未来自某一目标(或状态)的多源信息加以智能化合成，产生比单调信息源更精准、更完满的预计和裁决。信息交融所办理的多传感器信息拥有更加复杂的形式，能够在不一样样的信息层次上出现。多传感器信息交融的长处突出地表此刻信息的冗余性、容错性、互补性、及时性和低整天性。神经网络是由大批互联的办理单元连结而成，它是鉴于现代神经生物学以及认知科学在信息办理领域应用的研究成就。它拥有大规模并行模拟办理、连续时间动力学和网络全局作用等特色，有很强的自适应学习和非线性拟合能力，进而能够代替复杂耗时的传统算法，使信号办理过程更凑

3、近人类思想活动。柴油机故障拥有相像性，故障与征兆的关系不明确，拥有较强的模糊性，故障特色互相交织，柴油机故障诊疗是一个复杂的问题。综合柴油机故障的特色以及神经网络的优势，采纳鉴于BP神经网络的多传感器信息交融技术对柴油机机械故障进行诊疗。1.2设计内容及目标设计内容：针对传统故障诊疗方法存在的诊疗正确性不高的问题，提出了BP神经网络信息交融的方法，实现对柴油机的机械故障诊疗。由多个传感器采集信号，分别经过迅速傅里叶变换后获取故障频域特色值，再经BP神经网络对柴油机进行故障局部诊疗，能够对相应传感器的不一样样故障种类做出一个正确地分类，最后完成对汽轮机机械故障的正确诊疗。实验结果表示，该方法战胜

4、了单个传感器的限制性和不确立性，是一种有效的故障诊疗方法。采纳方法：经过BP神经网络进行局部诊疗，最后判断故障及故障种类。基于BP神经网络多传感器信息交融，故障诊疗方法是特色层状态属性交融，并利用MATLAB仿真。第2页/共14页智能控制基础研究生课程设计报告设计原理、方法及步骤鉴于神经网络多传感器信息交融故障诊疗方法是特色层状态属性交融，也就是特色层结合鉴识方法，多传感器检测系统为鉴识供给了比单传感器更多的相关目标(状态)的特色信息，增大了特色空间维数。本文运用神经网络多传感器信息交融方法对机械设施运转状态进行诊疗鉴识，是鉴于这样一种思想：设施运转状态与其各样征兆参数(温度、压力、电压、电流

5、、振动信号等)之间存在着因果关系，而这类关系之复杂是难用公式表达的，因为神经网络所拥有的信息散布式储蓄方式、大规模自适应并行办理、高度的容错能力等是其可用于模式识其余基础，特别是其学习能力、容错能力和高度的非线性照耀能力对机械设施运转状态的不确立性模式鉴识拥有独到之处。2.1鉴于BP算法的神经网络模型本文采纳的是3层BP神经网络模型，由输入层、隐层和输出层组成，图1所示为一个典型的三层BP神经网络模型图1一个简单的BP神经网络模型网络的前馈意义在于每一层节点的输入仅来自前面一层节点的输出。关于输入信号，先前向流传到隐层节点，经过激活函数后，再把隐层节点的输出信息流传到输出节点，最后获取输出结果

6、。（1）输入层节点i(i1,2,.,n),其输出Oi等于输入Xi，将变量值传达到第二层。（2）隐层节点j(j1,2,.,p),其输入Ij，输出Oj分别为：第3页/共14页智能控制基础研究生课程设计报告nIjjiOij（2-1）i1Ojf(Ij)1/1exp(Ij)（2-2）式中，ji为隐层节点j与输入层节点i之间的权值，j为隐层节点j的偏置，f为sigmoid函数，其表达式为：f(x)1/1exp(x)（2-3）（3）输出层节点k(k1,2,.,m),其输入Ik，输出yk分别为：pIkkOjjk（2-4）j1ykf(Ik)1/1exp(Ik)（2-5）式中，kj为输入层节点k与隐层节点j之间的

7、连结权值，k为输出层节点k的偏置。关于给定的训练样本(xp1,xp2,.,xpn)，p为样本数(p1,2,.,P)，网络输出与训练目标之间的均方偏差可表示为：E1p（2-6）EPpp1EP1l(tplypl)2（2-7）2l1此中p为样本数，tpl为第p个样本的第l个输出单元的目标输出结果，ypl为第p个样本的第l个输出单元的网络运算结果。BP网络训练的过程包含网络内部的前向计算和偏差的反向流传，其目的就是经过调整网络内部连结权值使网络输出偏差最小。关于多层前馈网络中输入层与隐层之间、隐层与输出层之间连结权值利用BP算法调整。2.2神经网络信息交融故障诊疗步骤神经网络知识表示是一种知识的隐式表

8、示，知识表现为网络的拓扑构造和连第4页/共14页智能控制基础研究生课程设计报告接权值，采纳神经网络技术的专家系统，因为神经网络是一种信息储蓄和办理一致的网络系统，所以，在采纳神经网络技术的专家系统中，知识的储蓄与问题求解过程中的推理过程均在系统的神经网络模块中进行，是推理机和知识库的一致。第一从已有的设施特色信号提取特色数据，经过数据预办理（归一化办理）后作为神经网络输入，从已知的故障结果提取数据作为神经网络输出，建立BP神经网络，利用已有的特色数据和已知的故障结果数据形成的训练样本集对建立的BP神经网络进行训练和网络自学习，使BP神经网络的权值、阀值与已知的故障结果之间存在对应关系达到希望的

9、故障结果输出。当BP神经网络训练完成后，就能够利用训练成功的BP神经网络进行故障诊疗。故障诊疗的过程以下：1)将故障样本输入给输入层各节点，同时它也是该层神经元的输出。2)由式（2-2）求出隐层神经元的输出，并将其作为输出层的输入。3)从式（2-5）求得输出层神经元的输出。4)由阈值函数判断输出层神经元的最后输出结果。柴油机的故障诊疗第一从待诊疗的故障信号中提取数据并进行数据预办理，今后将待诊疗故障数据输入训练成功的神经网络。利用神经网络信息交融进行故障诊疗步骤如图2所示:压力传感器待信特归特神经网络诊测号征征一断原采提关分类器化结件集取联果温度传感器图2信息交融进行故障诊疗步骤第5页/共14

10、页智能控制基础研究生课程设计报告结果及分析3.1数据仿真以某种柴油机中的4个实质故障样本为例，每个故障样本有5个故障特色值，所以采纳网络的输入节点为5。将样本输入到神经网络模型中，每个输出节点代表一种故障种类，则这4种故障种类和一个正常状态共需5个输出节点与之相对应，所以网络的输出节点为5。表3-1训练数据。表3-1训练数据故障特色值X样本序号温度压力电压电流振动信号10.00000.00000.00130.00000.000020.00740.03350.00150.00320.010630.00430.02230.00000.00470.005340.00560.03150.00120.0

11、0270.008650.00630.02050.00200.00330.006660.00490.03000.00180.00260.007870.55200.31070.25810.30940.231680.54520.27930.26110.29880.203690.55020.24580.27170.31150.2347100.54060.28620.26450.30090.2145110.56040.30280.28350.31250.2225120.55250.31250.27780.30050.2164130.24620.15080.09470.09640.0999140.2535

12、0.10610.09680.09710.0810150.26650.08940.09370.09440.0908160.25560.14650.09880.10000.1000170.26280.14320.308990.09650.0899180.25620.09990.09000.09990.0998第6页/共14页智能控制基础研究生课程设计报告190.66150.52510.51950.47101.000200.67380.44130.52250.47320.9667210.66650.47490.52550.47690.9758220.66890.46520.52000.47560.9

13、899230.67000.47480.52350.48251.0000240.66230.48320.52680.46690.9887251.00001.00000.98121.00000.8206260.97970.97771.00000.99600.8206270.98460.97270.98470.98570.7600280.98000.98250.98350.98870.8000290.99650.99340.98620.98990.7800301.00000.99120.99380.99610.8014在表3-1训练数据中,样本序号16是正常状态；样本序号712是故障1状态；样本序号

14、1318是故障2状态；样本序号1924是故障3状态；样本序号2530是故障4状态。表3-2是测试数据。表3-2测试数据故障特色值X样本序号温度压力电压电流振动信号10.54930.26260.26590.30880.222120.00310.02350.00050.00300.004530.99200.98990.99790.99370.797940.67040.49720.52350.47410.979150.25720.10060.09580.09810.089060.98000.98250.98350.98870.8000依据故障诊疗的特色建立BP神经网络模型，网络的输入层节点、隐层节点

15、和输出层节点个数分别为5、60和5，设置系统偏差为1e-3，学习率为1，最大迭代次数为1000次，此中输入层到隐层之间的激活函数为双曲正切函数，隐层到输出层之间的激活函数设置为logsig的S型传达函数，在输出端设置的阈值为0.85，即网络输出值大于0.85的置1，小于等于0.85的置0来办理，利用第7页/共14页智能控制基础研究生课程设计报告MATLAB神经网络工具箱建立BP神经网络模型。3.2结果分析在本文中将正常状态设置为10000，故障1设置为01000，故障2设置为00100，故障3设置为00010，故障4设置为00001，输出阈值设置为0.85，即在输出值大于0.85即为1，不然为

16、0。依据输出数据的分析判断属于哪一种故障，表3-3为仿真输出。表3-3仿真输出网络输出y样本序号正常故障1故障2故障3故障410.00061.00080.0021-0.00960.001121.01390.0007-0.01150.0021-0.00243-0.0014-0.00190.0010-0.00190.992340.0410-0.0090-0.01590.9811-0.01445-0.0014-0.00201.0039-0.00270.00156-0.00020.00040.00250.00090.9970将表3-2中“样本序号1”的5个故障特色值输给网络的输入层节点，则网络输出层节

17、点与其对应的输出为表3-3中“样本序号1”所专家的5个输出值，此中只有y2=1.00080.85，其余5个输出均远小于0.85，所以，网络故障诊疗的结果为故障1；表3-2中“样本序号2”的5个故障特色值输给网络的输入层节点，则网络输出层节点与其对应的输出为表3-3中“样本序号2”所专家的5个输出值，此中只有y1=1.01390.85，其余5个输出均远小于0.85，所以，网络故障诊疗的结果为正常状态；表3-2中“样本序号3”的5个故障特色值输给网络的输入层节点，则网络输出层节点与其对应的输出为表3-3中“样本序号3”所专家的5个输出值，此中只有y4，其余5个输出均远小于，所=0.99230.85

18、0.85以，网络故障诊疗的结果为故障4，其余种类的故障诊疗以此类推。第8页/共14页智能控制基础研究生课程设计报告设计小结因为学习的专业是车辆工程，所以选择了对柴油机故障诊疗这一研究对象。此篇设计经过查阅文件资料，对BP神经网络的故障诊疗及Matlab仿真有了必定的认识。柴油机故障诊疗是一个特别复杂的过程，其故障与征兆关系不是很明确，存在一种非线性照耀关系。BP神经网络拥有优秀的学习能力，利用BP网络信息交融方法，能够在足够多的样本数当前提下网络保证优秀的容错性和鲁棒性是比较好的。所以在故障诊疗的过程中，神经网络信息交融发挥其联想记忆和散布并行办理能力，不只能够诊疗出已有的故障还可以够对故障进

19、行一个展望，进而知足柴油机故障断的要求。人工神经网络信息交融为智能诊疗供给了优秀的方法，为自适应学习和决议高度智能化控制系统供给了强有力的基础，并拥有宽泛的应用潜力和发展远景。第9页/共14页智能控制基础研究生课程设计报告参照文件1朱大奇,于盛林鉴于D-S凭证理论的数据交融算法及其在电路故障诊疗中的应用J.电子学报,2002,30(2):221-223.王万良.人工智能及其应用(第3版)(附光盘)(BZ)M.高等教育第一版社,2016.3朱大奇,于盛林电子电路故障诊疗的神经网络数据交融算法J.东南大学学报(自然科学版),2001,31(2):87-90.4何友,王国宏多传感器信息交融及应用M.

20、北京:电子工业第一版社,2000.5张绪锦,谭剑波,韩江洪鉴于BP神经网络的故障诊疗方法J.系统工程理论与实践,2002,22(6):61-66.Y.G.Lei,Z.J.He,Y.Y.Zi,Q.Hu,FaultdiagnosisofrotatingmachinerybasedonmultipleANFIScombinationwithGasJ.Mech.Syst.SignalProcess.2007(21)22802294.V.T.Tran,F.AlThobiani,A.Ball,Anapproachtofaultdiagnosisofreciprocatingcompressorvalves

21、usingTeagerKaiserenergyoperatoranddeepbeliefnetworksJ.ExpertSyst.Appl.2014(41)41134122.第10页/共14页智能控制基础研究生课程设计报告附录程序clcclear%输入训练数据（包含正常数据和故障数据）%训练样本中，每一列分别代表：“温度”，“压力”，“电压”，“电流”和“振动信号”；每一行分别代表一个样本p11=0.00000.00000.00130.00000.0000;p12=0.00740.03350.00150.00320.0106;p13=0.00430.02230.00000.00470.0053

22、;p14=0.00560.03150.00120.00270.0086;p15=0.00630.02050.00200.00330.0066;p16=0.00490.03000.00180.00260.0078;%正常数据p21=0.55200.31070.25810.30940.2316;p22=0.54520.27930.26110.29880.2036;p23=0.55020.24580.27170.31150.2347;p24=0.54060.28620.26450.30090.2145;p25=0.56040.30280.28350.31250.2225;p26=0.55250.31

23、250.27780.30050.2164;%故障1p31=0.24620.15080.09470.09640.0999;p32=0.25350.10610.09680.09710.0810;p33=0.26650.08940.09370.09940.0908;p34=0.25560.14650.09880.10000.1000;p35=0.26280.14320.08990.09650.0899;p36=0.25620.09990.09000.09990.0998;%故障2p41=0.66150.52510.51950.47101.0000;p42=0.67380.44130.52250.47

24、320.9667;p43=0.66650.47490.52550.47690.9758;p44=0.66890.46520.52000.47560.9899;p45=0.67000.47480.52350.48251.0000;p46=0.66230.48320.52680.46690.9887;%故障3p51=1.0001.00000.98121.00000.8206;p52=0.97970.97771.00000.99600.7759;p53=0.98460.97270.98470.98570.7600;p54=0.98000.98250.98350.98870.8000;p55=0.99

25、650.99340.98620.98990.7800;p56=1.00000.99120.99380.99610.8014;%故障4p=p11p12p13p14p15p16p21p22p23p24p25p26p31p32p33p34p35p36p41p42p43p44p45p46p51p52p53p54p55p56;第11页/共14页智能控制基础研究生课程设计报告%将全部的数据：包含正常数据和异样数据放在一个数据集中，将该数据集设置为输着迷经网络的特色值%对被检测对象种类进行编码（设置目标值，即标签，用二进制种类表示）t11=10000;t12=10000;t13=10000;t14=1000

26、0;t15=10000;t16=10000;%normalt21=01000;t22=01000;t23=01000;t24=01000;t25=01000;t26=01000;%fault1t31=00100;t32=00100;t33=00100;t34=00100;t35=00100;t36=00100;%fault2t41=00010;t42=00010;t43=00010;t44=00010;t45=00010;t46=00010;%fault3t51=00001;t52=00001;t53=00001;t54=00001;t55=00001;t56=00001;%fault4t=t

27、11t12t13t14t15t16t21t22t23t24t25t26t31t32t33t34t35t36t41t42t43t44t45t46t51t52t53t54t55t56;p,s1=mapminmax(p);%输入样本归一化归一化的范围是（-1,1），s1记录归一化的参数net=newff(minmax(p),60,5,tansig,purelin,trainlm);%新建BP网络，p为样本输入：p=martric(5*30)分别表示5个传感器，30个样第12页/共14页智能控制基础研究生课程设计报告本隐层神经元个数为60，依据输出目标t确立输出层神经元个数为5，从输入层到隐层的激励函数为双曲正切，隐层到输出层的激励函数为线性函数，训练方法利用LM（Levenberg-Marquardt）算法进行网络参数sita=W,b的更新%设置网络训练参数net.trainParam