神经网络故障诊断与预测.pptVIP

BP网络在函数逼近中的应用 基于BP和Elmam 神经网络的故障诊断 一、神经网络用于故障诊断的优点 ⑴ 训练过的神经网络能存储有关过程的知识，能直接从历史故障信息中学习。可根据对象的历史数据训练网络，然后将此信息与当前测量数据进行比较，以确定故障类型。 ⑵ 神经网络具有滤除噪声及在有噪声情况下，得出正确结论的能力。可以训练神经网络来识别故障信息，使其能在噪声环境中有效地工作，这种滤除噪声的能力，使得神经网络适合在线故障检测和诊断。 二、基于神经网络诊断系统结构 作为一种自适应模式识别技术，不需要预先给出有关模式的经验知识和判别函数，通过自身的学习机制自动形成所要求的决策区域。 网络特性由其拓扑结构、神经元特性、学习和训练规则所决定。可以充分利用状态信息，对来自于不同状态的信息逐一进行训练而获得某种映射关系。而且网络可以连续学习，若环境发生改变，这种映射关系还可自适应地调整。 典型的神经网络模式识别功能 诊断系统结构图 图中的神经网络的诊断过程分为两步。 首先，基于一定数量训练样本集（通常称为“征兆-故障”数据集）对神经网络进行训练，得到期望的诊断网络； 其次，根据当前诊断输入对系统进行诊断，诊断的过程即为利用神经网络进行前向计算的过程。 二、基于神经网络诊断系统结构 在学习和诊断前，通常需要对诊断原始数据和训练样 本数据进行适当的处理，包括预处理和特征选择/提取等， 目的是为诊断网络提供合适的诊断输入和训练样本。 此外，尽管神经网络与传统故障诊断是两种不同的诊 断方法，但两者是紧密联系的。如采用小波分析等数据处 理方法，可用为神经网络诊断提供可以利用的特征向量。 三、基于BP网络的齿轮箱故障诊断 1、问题描述 变速箱是整机进行减速增扭的部件，它受扭转和拉压两种 载荷综合作用，据统计，以齿轮为代表的变速箱故障发生率占 据除发动机故障以外的其他所有故障的59%~70%。 在非拆卸状态下，传统的齿轮箱故障诊断依赖于专家经验 判断。但是，齿轮箱是一种非常复杂的传动机构，它的故障模 式和特征量之间是一种非常复杂的非线性关系，加上齿轮箱在 不同工况下的随机因素，专家经验并不能解决所有诊断问题。 2、征兆/故障样本集的收集与设计 对于特征量的选取，主要考虑它是否与故障有比较确定 的因果关系。 统计表明：齿轮箱故障中有60%左右都是由齿轮导致，所 以这里只研究齿轮故障的诊断。对于齿轮的故障，这里选取了 频域中的几个特征量。频域中齿轮故障比较明显的是在啮合频 率处的边缘带上。 3、BP网络设计 1、网络创建 对一般模式识别，三层网络可很好地解决，用newff函数 创建网络。 隐层神经元n2与输入层神经元n1之间有如下近似关系： n2 =2n1+1 输入层神经元15个（取2、4、6挡，1、2、3轴边频带族 处幅值，是一个15维向量）隐层神经元31，输出层神经元3。 输入向量已归一化，范围[0, 1]，隐层神经元的传递函数 用s型正切函数tansig，输出层神经元传递函数用s型对数函数 logsig，这是由于输出模式为0-1，正好满足网络输出要求。 2、网络训练（程序见bp1.m） 训练函数：trainlm; 训练参数：训练次数为1000次，训练目标0.01，学习 速率0.1。 输入向量P共9组，其中前3组为无故障，中间3组为齿 根裂纹，后3组为断齿； 输出向量T包括3种故障模式： 无故障：（1,0,0) 齿根裂纹：（0,1,0) 断齿:（0,0,1) 3、网络测试 接下来通过一组实际数据对网络进行测试，看网络是否可以正确诊断出齿轮的故障。如果正确诊断出故障，则网络可以投入使用。 分别在无故障、齿根裂纹和断齿时进行测量，得到各参数的值，将这些数据作为输入向量，利用仿真函数计算网络输出，通过故障判别准则看是否出了故障。 测试结果 某次输出结果 故障类别 0.9913 0.1055 0.0205 无故障 0.0006 1.0000 0.0000 齿根裂纹 0.0397