《基于BP神经网络的故障诊断方法》.docx

ZHE|IAb3CUNIVERSITYOFSCIENCE&TECHNOLOGY〈〈智能控制基础》研究生课程设计报告题目基于BP神经网络的故障诊断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日目录1设计概述2..1.1研究对象介绍2.1.2设计内容及目标2.2设计原理、方法及步骤3.2.1基丁BP算法的神经网络模型32.2神经网络信息融合故障诊断步骤43结果及分析6..3.1数据仿真.6..3.2结果分析.8..4设计小结9..参考文献10附录程序111设计概述1.1研究对象介绍信息融合是多源信息综合处理的一项新技术，是将来自某一目标（或状态）的多源信息加以智能化合成，产生比单一信息源更精确、更完全的估计和判决信息融合所处理的多传感器信息具有更为复杂的形式，可以在不同的信息层次上出现多传感器信息融合的优点突出地表现在信息的冗余性、容错性、互补性、实时性和低成本性神经网络是由大量互联的处理单元连接而成，它是基丁现代神经生物学以及认知科学在信息处理领域应用的研究成果它具有大规模并行模拟处理、连续时问动力学和网络全局作用等特点，有很强的自适应学习和非线性拟合能力，从而可以替代复杂耗时的传统算法，使信号处理过程更接近人类思维活动。

柴油机故障具有相似性，故障与征兆的关系不明确，具有较强的模糊性，故障特征相互交织，柴油机故障诊断是一个复杂的问题综合柴油机故障的特点以及神经网络的优势，采用基丁BP神经网络的多传感器信息融合技术对柴油机机械故障进行诊断1.2设计内容及目标设计内容：针对传统故障诊断方法存在的诊断准确性不高的问题，提出了BP神经网络信息融合的方法，实现对柴油机的机械故障诊断由多个传感器采集信号，分别经过快速傅里叶变换后获得故障频域特征值，再经BP神经网络对柴油机进行故障局部诊断，能够对相应传感器的不同故障类型做出一个准确地分类，最终完成对汽轮机机械故障的准确诊断实验结果表明，该方法克服了单个传感器的局限性和不确定性，是一种有效的故障诊断方法采用方法：通过BP神经网络进行局部诊断，最终判定故障及故障类型基丁BP神经网络多传感器信息融合，故障诊断方法是特征层状态届性融合，并利用MATLAB仿真2设计原理、方法及步骤基丁神经网络多传感器信息融合故障诊断方法是特征层状态届性融合，也就是特征层联合识别方法，多传感器检测系统为识别提供了比单传感器更多的有关目标(状态)的特征信息，增大了特征空间维数本文运用神经网络多传感器信息融合方法对机械设备运行状态进行诊断识别，是基丁这样一种思想：设备运行状态与其各种征兆参数(温度、压力、电压、电流、振动信号等)之间存在着因果关系,而这种关系之复杂是难用公式表达的，由丁神经网络所具有的信息分布式存储方式、大规模自适应并行处理、高度的容错能力等是其可用丁模式识别的基础，特别是其学习能力、容错能力和高度的非线性映射能力对机械设备运行状态的不确定性模式识别具有独到之处。

2.1基于BP算法的神经网络模型本文采用的是3层BP神经网络模型，由输入层、隐层和输出层构成，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丁每一层节点的输入仅来自前面一层节点的输出对丁输入信号，先前向传播到隐层节点，经过激活函数后，再把隐层节点的输出信息传播到输出节点，最后得到输出结果输入层节点i(i=1,2,...,n),其输出Oi等丁输入Xi,将变量值传送到第二层1) 隐层节点j(j=1,2,...,p),其输入Ij,输出Oj分别为：nIj=£®iOi+S(2-1)4Oj=f(Ij)=1/[1+exp(-Ij)](2-2)式中，Si为隐层节点j与输入层节点i之间的权值,们为隐层节点j的偏置，f为sigmoid函数，其表达式为：f(x)=1/[1+exp(—x)](2-3)(3)输出层节点k(k=1,2,...,m),其输入Ik,输出yk分别为：pIk=£切kO邙k(2-4)jayk=f(Ik)=1/[1+exp(—Ik)](2-5)式中，仍kj为输入层节点k与隐层节点j之间的连接权值,以为输出层节点k的偏置对丁给定的训练样本(xp1,xp2,...,xpn),p为样本数(p=1,2,...,P),网络输出与训练目标之间的均方误差可表示为：1 1p/、E=—£Ep(2-6)ppw_1"、2/cr、Ep(tp^ypl)(2-7)lm其中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网络训练的过程包括网络内部的前向计算和误差的反向传播，其目的就是通过调整网络内部连接权值使网络输出误差最小对丁多层前馈网络中输入层与隐层之间、隐层与输出层之间连接权值利用BP算法调整2.2神经网络信息融合故障诊断步骤神经网络知识表示是一种知识的隐式表示，知识表现为网络的拓扑结构和连接权值，采用神经网络技术的专家系统，由丁神经网络是一种信息存储和处理统一的网络系统，因此，在采用神经网络技术的专家系统中，知识的存储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统一tr先从已有的设备特征信号提取特征数据，经过数据预处理（归一化处理）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，构建BP神经网络，利用已有的特征数据和已知的故障结果数据形成的训练样本集对构建的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期望的故障结果输出当BP神经网络训练完毕后，就可以利用训练成功的BP神经网络进行故障诊断故障诊断的过程如下：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）由阈值函数判定输出层神经元的最终输出结果柴油机的故障诊断首先从待诊断的故障信号中提取数据并进行数据预处理，而后将待诊断故障数据输入训练成功的神经网络利用神经网络信息融合进行故障诊断步骤如图2所示:压力传感器待测原件信号采集特征提取归一化特征关联神经网络分类器诊断结果，温度传感器图2信息融合进行故障诊断步骤3结果及分析3.1数据仿真以某种柴油机中的4个实际故障样本为例，每个故障样本有5个故障特征值，因此选取网络的输入节点为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类型，则这4种故障类型和一个正常状态共需5个输出节点与之相对应，因此网络的输出节点为5表3-1训练数据表3-1训练数据样本序号故障特征值X温度压力电压电流振动信号10.00000.00000.00130.00000.000020.00740.03350.00150.00320.010630.00430.02230.00000.00470.005340.00560.03150.00120.00270.008650.00630.02050.00200.00330.006660.00490.03000.00180.00260.007870.55200.31070.25810.30940.231680.54520.27930.26110.29880.203690.55020.24580.27170.31150.2347100.54060.28620.26450.30090.2145110.56040.30280.28350.31250.2225120.55250.31250.27780.30050.2164130.24620.15080.09470.09640.0999140.25350.10610.09680.09710.0810150.26650.08940.09370.09440.0908160.25560.14650.09880.10000.1000170.26280.14320.308990.09650.0899180.25620.09990.09000.09990.0998190.66150.52510.51950.47101.000200.67380.44130.52250.47320.9667210.66650.47490.52550.47690.9758220.66890.46520.52000.47560.9899230.67000.47480.52350.48251.0000240.66230.48320.52680.46690.9887251.00001.00000.98121.00000.8206260.97970.97771.00000.99600.8206270.98460.97270.98470.98570.7600280.98000.98250.98350.98870.8000290.99650.99340.98620.98990.7800301.00000.99120.99380.99610.8014在表3-1训练数据中，样本序号1~6是正常状态；样本序号7~12是故障1状态；样本序号13~18是故障2状态；样本序号19~24是故障3状态；样本序号25~30是故障4状态。

表3-2是测试数据表3-2测试数据样本序号故障特征值X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根据故障诊断的特点建立BP神经网络模型，网络的输入层节点、隐层节点和输出层节点个数分别为5、60和5,设置系统误差为1e-3,学习率为1,最大迭代次数为1000次，其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型传递函数，在输出端设置的阈值为0.85，即网络输出值大丁0.85的置1,小丁等丁0.85的置0来处理，利用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，即在输出值大丁0.85即为1,否则为0。

根据输出数据的分析判断届丁哪种故障。