BP神经网络分析.ppt

基于BP神经网络和RBF神经网络的离心油泵故障诊断研究 什么是离心油泵？ 离心油泵是叶片式泵的一种，由于这种泵是靠一个或数个叶轮旋转时产生的离心力来输送液体的，故被称为离心油泵。 故障现象和原因： （1）轴承温度过高 1、润滑油问题 2、机组不同心 3、震动 （2）泵无液体输出 1、管路或泵内有空气残留 2、管道阀门未打开 3、超过泵的使用扬程 4、吸入管不密封 5、叶轮反向旋转 6、泵安装位置过高 7、吸入管路堵塞 （3）流量、扬程不足 1、进口或出口阀未完全打开 2、密封环过度磨损 3、管道有杂物4、叶轮故障 5、吸入管漏气 6、转速过低 （4）电机过载 1、泵和原动机不对中 2、介质相对密度变大 3、转动部分发生摩擦4、装置阻力变低，使运行点偏向大流量处 （5）泵发生振动及杂音 1、转子不对中 2、转子不平衡 3、轴弯曲 4、轴承磨损 5、泵产生汽蚀 6、转动部分与固定部分有磨损7、关小了进口阀 用BP网络检查的：转子不平衡故障 转子不对中故障 转子摩擦故障 基础松动故障 输入量的采集： 振动理论和大量实践证明，机械内部的异常变化，一般都会通过振动变化的形式来表现，并且每种机械故障都有其特有的振动特征，每种振动变化都对应着各自噪声的频率和功率的变化，因此最常选取的输入量为频率特征，故本文在对离心油泵进行故障诊断时，输入量选择频率特征，将其进行能量融合后，作为最终的输入量。 根据第三章融合能量谱值的相关知识，利用振动信号中的六个频段上的融合能量谱值经过归一化处理后作为其故障特征值，见表 5-2。 以这四种故障现象作为故障类型，把振动特征频段的融合能量作为故障征兆，即每频段内的融合能量用两个垂直安装的传感器捕获的信号能量总和来表示。 输入量的采集： 在转轴某一截面互相垂直的安装两个传感器，选取 6 个不同频段上的融合能量谱值作为特征值，即 0 ~0.5f， 0 .51~0.99f， 1 .0f， 2.0f， 3. 0~5.0f和大于 5. 0f。 f 为离心油泵的旋转频率。 即输入层节点数是6 输入量的采集： 输出量的采集： 输出量为离心油泵的故障类型,网络训练所提供的预期输出就是我们所说的输出量。 当输出量为语言变量时,我们采用“n”中取 1 表示法。让输出向量的总个数等于总的种类数。以离心油泵的振动和杂音作为主要研究对象，共有 4 种机械故障，分别为转子不平衡故障、转子不对中故障、转子碰摩故障和基础松动故障，并以这 4 种故障征兆作为输出量。用 0 代表离心油泵正常工作，用 1 代表离心油泵发生故障，则针对上述的四种故障征兆，被表示的期望输出应该为（1000）、（0100）、（0010）、（0001）。 输出量的采集： 输出层节点数为4. 隐含层节点数的确定： 输入层节点数6 ,输出层节点数4 隐含层节点数： 其中n为输入层节点数，l为输出层节点数，α 为 1~10 之间的一个常数。 这里 m=12 即隐含层的节点数是12 网络拓扑结构图 采用的是 6-12-4 的三层神经网络结构： 利用 MATLAB 人工神经网络工具箱对神经网络进行训练 BP网络调用形式： 在以上调用格式中：P 为输入样本；T 为期望响应；Si 为网络各层的神经元个数；TFi 为第 i 层网络的传递函数。一般情形下，用 tansig 函数作为隐层的传递函数，用 purelin 函数作为输出层的传递函数。函数执行的结果是返回一个 N 层前向型的 BP 神经网络。 由于网络输入向量范围设在 0～1 之间，所以选用 S 型正切函数 tansig 作为隐含层神经元的传递函数；由于输出向量范围也在 0～1 之间，故选取 S 型对数函数logsig 作为输出层神经元的传递函数，就能够满足网络的输出要求；选择 traingdx作为训练函数，学习函数为梯度下降动量学习函数 learngdm，总步长数设为 10000，全局收敛误差设置为 0.0001，学习率为 0.05。 检测样本 检测样本 （1）取“离心油泵故障原因与故障征兆表”以及“检测样本”各故障前两组数据总共构成12个样本。 （2）拿“检测样本”故障2第5组数据进行检验。 （3）由论文知故障1第3组数据，故障3第5组数据，由论文知不满足，舍弃。 BP神经网络MATLAB编程 clear; clc; x1=[0.00 0.00 1.00 0.00 0.00 0.00]; x2=[0.02 0.08 0.88 0.02 0.00 0.00]; x3=[0.03 0.01 0.89 0.07 0.00 0.00]; x4=[0.00 0.00 0.48 0.48 0.02