基于BP神经网络的故障诊断方法讲解.doc

《智能控制基础》 研究生课程设计报告 题 目 学 院 专业班级 学 号 学生姓名 指导教师 完成日期  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基于BP算法的神经网络模型 3 2.2 神经网络信息融合故障诊断步骤 4 3 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 11 1 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，它是基于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、连续时间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，采用基于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。通过BP神经网络进行局部诊断，最终判定故障及故障类型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属性融合，并利用MATLAB仿真。 2 设计原理、方法及步骤 基于神经网络多传感器信息融合故障诊断方法是特征层状态属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于这样一种思想设备运行状态与其各种征兆参数(等之间存在着因果关系而自适应并行处理、高度的容错能力等是其可用于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网络的前馈意义在于每一层节点的输入仅来自前面一层节点的输出。对于输入信号先前向传播到隐层节点经过激活函数后再把隐节点的输出信息传播到输出节点最后得到输出结果 （1）输入层节点其输出等于输入，将变量值传送到第二层。 （2）隐层节点其输入，输出分别为： （2-1） （2-2） 式中，为隐层节点与输入层节点之间的权值，为隐层节点的偏置，为sigmoid函数，其表达式为： （2-3） （3）输出层节点其输入，输出分别为： （2-4） （2-5） 式中，为输入层节点与隐层节点之间的连接权值，为输出层节点的偏置。 对于给定的训练样本，为样本数，网络输出与训练目标之间的均方误差可表示为： （2-6） （2-7） 其中为样本数，为第个样本的第l个输出单元的目标输出结果，为第个样本的第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，由于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。首先从已有的设备特征信号提取特征数据