基于BP神经网络的故障诊断方法

《智能控制基础》研究生课程设计报告题目基于BP神经网络得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 ................................................................................... 错误!未定义书签。

1、1研究对象介绍 ............................................................... 错误!未定义书签。

1、2设计内容及目标 ........................................................... 错误!未定义书签。

2设计原理、方法及步骤 ......................................................... 错误!未定义书签。

2、1基于BＰ算法得神经网络模型.................................... 错误!未定义书签。

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ﻩ６3、２结果分析 .................................................................... 错误!未定义书签。

4 设计小结 ................................................................................... 错误!未定义书签。

参考文献 ....................................................................................... 错误!未定义书签。

附录程序ﻩ错误!未定义书签。

1 设计概述1、1研究对象介绍信息融合就是多源信息综合处理得一项新技术，就是将来自某一目标(或状态）得多源信息加以智能化合成,产生比单一信息源更精确、更完全得估计与判决。

信息融合所处理得多传感器信息具有更为复杂得形式,可以在不同得信息层次上出现.多传感器信息融合得优点突出地表现在信息得冗余性、容错性、互补性、实时性与低成本性。

神经网络就是由大量互联得处理单元连接而成,它就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得研究成果.它具有大规模并行模拟处理、连续时间动力学与网络全局作用等特点，有很强得自适应学习与非线性拟合能力，从而可以替代复杂耗时得传统算法，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，故障与征兆得关系不明确，具有较强得模糊性，故障特征相互交织，柴油机故障诊断就是一个复杂得问题。

综合柴油机故障得特点以及神经网络得优势，采用基于BP神经网络得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得诊断准确性不高得问题，提出了BP 神经网络信息融合得方法,实现对柴油机得机械故障诊断。

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,能够对相应传感器得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得准确诊断.实验结果表明,该方法克服了单个传感器得局限性与不确定性,就是一种有效得故障诊断方法。

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。

基于BP神经网络多传感器信息融合,故障诊断方法就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就是特征层状态属性融合,也就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得有关目标（状态)得特征信息，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，就是基于这样一种思想：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，而这种关系之复杂就是难用公式表达得,由于神经网络所具有得信息分布式存储方式、大规模自适应并行处理、高度得容错能力等就是其可用于模式识别得基础,特别就是其学习能力、容错能力与高度得非线性映射能力对机械设备运行状态得不确定性模式识别具有独到之处.２、1基于BP算法得神经网络模型本文采用得就是３层ＢＰ神经网络模型,由输入层、隐层与输出层构成,图1所示为一个典型得三层ＢP神经网络模型图1一个简单得ＢP神经网络模型网络得前馈意义在于每一层节点得输入仅来自前面一层节点得输出。

对于输入信号,先前向传播到隐层节点,经过激活函数后，再把隐层节点得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得权值,为隐层节点得偏置，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得连接权值,为输出层节点得偏置.对于给定得训练样本，为样本数,网络输出与训练目标之间得均方误差可表示为:（2－6）(2-7）其中为样本数,为第个样本得第ｌ个输出单元得目标输出结果，为第个样本得第ｌ个输出单元得网络运算结果。

BP网络训练得过程包括网络内部得前向计算与误差得反向传播，其目得就就是通过调整网络内部连接权值使网络输出误差最小。

对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接权值利用BP算法调整.诊断结果2、2 神经网络信息融合故障诊断步骤神经网络知识表示就是一种知识得隐式表示，知识表现为网络得拓扑结构与连接权值,采用神经网络技术得专家系统，由于神经网络就是一种信息存储与处理统一得网络系统,因此,在采用神经网络技术得专家系统中，知识得存储与问题求解过程中得推理过程均在系统得神经网络模块中进行，就是推理机与知识库得统一。

首先从已有得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,从已知得故障结果提取数据作为神经网络输出,构建ＢP 神经网络,利用已有得特征数据与已知得故障结果数据形成得训练样本集对构建得BP 神经网络进行训练与网络自学习,使BP 神经网络得权值、阀值与已知得故障结果之间存在对应关系达到期望得故障结果输出。

当BP 神经网络训练完毕后，就可以利用训练成功得B Ｐ神经网络进行故障诊断.故障诊断得过程如下:1）将故障样本输入给输入层各节点，同时它也就是该层神经元得输出. ２)由式（2—２）求出隐层神经元得输出，并将其作为输出层得输入。

3)从式(２-5)求得输出层神经元得输出.4）由阈值函数判定输出层神经元得最终输出结果。

柴油机得故障诊断首先从待诊断得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得神经网络。

利用神经网络信息融合进行故障诊断步骤如图2所示： 3、1数据仿真以某种柴油机中得4个实际故障样本为例，每个故障样本有５个故障特征值，因此选取网络得输入节点为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种故障类型与一个正常状态共需5个输出节点与之相对应，因此网络得输出节点为5。

表3-1训练数据.表3—1 训练数据2627 2８2９３０0、97970、9８4６0、9８０00、996５１、000０0、9７770、97270、９８250、9934０、9９12１、0０000、9847０、９8３50、９8620、9９３80、99６00、9857０、9887０、9899０、9961０、82060、7600０、８0000、780０0、80１4在表3—１训练数据中，样本序号１～６就是正常状态；样本序号7~１2就是故障1状态；样本序号1３~18就是故障２状态；样本序号19～24就是故障3状态;样本序号２5～３０就是故障4状态.表3－2就是测试数据。

表３－2测试数据根据故障诊断得特点建立BP神经网络模型，网络得输入层节点、隐层节点与输出层节点个数分别为５、60与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得激活函数为双曲正切函数，隐层到输出层之间得激活函数设置为ｌogｓig得S型传递函数，在输出端设置得阈值为０、８5，即网络输出值大于0、8５得置１,小于等于0、85得置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[1 0 0 0 0］,故障１设置为［0 1 0 0 0 ］,故障2设置为［0 ０１0 0 ]，故障3设置为[０0 0 1 0 ］,故障４设置为［0 0 0 0 １］,输出阈值设置为0、８5，即在输出值大于０、8５即为1，否则为0。

根据输出数据得分析判断属于哪种故障,表３—3为仿真输出.表3-3仿真输出将表3－2中“样本序号1”得５个故障特征值输给网络得输入层节点，则网络输出层节点与其对应得输出为表３—３中“样本序号1"所在行得5个输出值，其中只有y2=１、0008>0、８5，其她５个输出均远小于0、8５,所以,网络故障诊断得结果为故障１；表3-２中“样本序号2”得5个故障特征值输给网络得输入层节点，则网络输出层节点与其对应得输出为表3—3中“样本序号２”所在行得5个输出值,其中只有y1=1、０1３9〉0、8５，其她5个输出均远小于０、85，所以，网络故障诊断得结果为正常状态;表3—2中“样本序号3”得5个故障特征值输给网络得输入层节点,则网络输出层节点与其对应得输出为表3－3中“样本序号3”所在行得5个输出值，其中只有ｙ4=0、９923〉０、８5，其她5个输出均远小于0、85，所以，网络故障诊断得结果为故障4，其她类型得故障诊断以此类推.４设计小结因为学习得专业就是车辆工程,因此选择了对柴油机故障诊断这一研究对象。

此篇设计经过查阅文献资料，对BP神经网络得故障诊断及Mａｔlab仿真有了一定得认识。

柴油机故障诊断就是一个非常复杂得过程,其故障与征兆关系不就是很明确，存在一种非线性映射关系。

BP神经网络具有良好得学习能力，利用BP网络信息融合方法，能够在足够多得样本数目前提下网络保证良好得容错性与鲁棒性就是比较好得。

所以在故障诊断得过程中,神经网络信息融合发挥其联想记忆与分布并行处理能力，不仅能够诊断出已有得故障还能对故障进行一个预测，从而满足柴油机故障断得要求。

人工神经网络信息融合为智能诊断提供了良好得方法，为自适应学习与决策高度智能化控制系统提供了强有力得基础，并具有广泛得应用潜力与发展前景。