神經(jīng)網(wǎng)電機(jī)故障.

1、基于小波分析和神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷方法研究摘要說(shuō)明 在電機(jī)故障診斷技術(shù)中，通過(guò)電機(jī)的振動(dòng)信號(hào)能夠全面的反應(yīng)電機(jī)的運(yùn)行狀態(tài)，但通過(guò)傳統(tǒng)的傅里葉變化只能獲得在整個(gè)時(shí)間域中的頻率成分，無(wú)法獲得信號(hào)的時(shí)-頻信息，因此采用小波變化對(duì)電機(jī)的振動(dòng)信號(hào)進(jìn)行分析，通過(guò)小波包分解系數(shù)求取頻帶能量，根據(jù)頻帶能量的變化提取故障特征。 電動(dòng)機(jī)的故障種類繁多，故障原因和狀態(tài)之間沒(méi)有明確的線性關(guān)系，難以用精確的數(shù)學(xué)模型來(lái)描述，由于神經(jīng)網(wǎng)絡(luò)幾乎能夠?qū)崿F(xiàn)一切非線性的映射關(guān)系，因此采用神經(jīng)網(wǎng)絡(luò)根據(jù)故障特征來(lái)實(shí)現(xiàn)故障類型的識(shí)別。小波包能量特征提取 小波包分解可以將原信號(hào)分解為在不同頻帶上的投影，將頻帶進(jìn)行多層次的劃分。圖1 小波

2、包分解過(guò)程示意圖表1 小波包分解頻率范圍樣本信號(hào)特征向量 本文通過(guò)對(duì)6組樣本信號(hào)進(jìn)行小波分析，樣本信號(hào)如圖2所示，得到在不同電機(jī)狀態(tài)下，各頻帶信號(hào)的總能量，并對(duì)其進(jìn)行歸一化處理，可得表2所示的樣本信號(hào)特征。圖2 樣本信號(hào)表2 樣本信號(hào)特征向量BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)MATLAB程序clear;x1=0.7917 0.2686 0.2954 0.2494 0.2842 0.1562 0.1684 0.1898;x2=0.8012 0.2526 0.3001 0.2528 0.2734 0.1600 0.1725 0.1667;x3=0.1551 0.9892 0.3124 0.2157 0.1271

3、0.0680 0.0862 0.1784;x4=0.1556 0.9990 0.3068 0.2156 0.1306 0.0823 0.0860 0.1821;x5=0.1705 0.1078 0.9346 0.2041 0.2528 0.2051 0.0712 0.1403;x6=0.1680 0.1221 0.8998 0.2035 0.2697 0.2068 0.0806 0.1399;p=x1;x2;x3;x4;x5;x6;p=p;T=0 0 1;0 0 1;0 1 0;0 1 0;1 0 0;1 0 0;T=T;net=newff(p,T,7,tansig,logsig,traing

4、d);net.trainParam.max_fail=20;net.trainparam.goal=0.0001;%誤差0.0001net.trainparam.epoch=1000;%學(xué)習(xí)次數(shù)2000net.trainparam.lr=0.5;%學(xué)習(xí)率0.5net.trainparam.show=10;net=train(net,p,T);tx1=0.8017;0.2687;0.2974;0.2394;0.2742;0.1660;0.1675;0.1892;tx2=0.1660;0.9992;0.2124;0.2256;0.1370;0.0681;0.0872;0.1683;tx3=0.17

5、15;0.1076;0.9566;0.2051;0.2528;0.2161;0.0736;0.1463;tx=tx1 tx2 tx3 ;%測(cè)試樣本y=sim(net,tx);訓(xùn)練與測(cè)試結(jié)果訓(xùn)練參數(shù)對(duì)訓(xùn)練過(guò)程的影響 學(xué)習(xí)率 分別選擇學(xué)習(xí)率為0.2、0.5、0.8、1，可得如下訓(xùn)練結(jié)果：神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率直接影響B(tài)P網(wǎng)絡(luò)的收斂速度，學(xué)習(xí)率增大，收斂速度加快，訓(xùn)練時(shí)間減小，學(xué)習(xí)率減小，結(jié)論相反。但是，學(xué)習(xí)率過(guò)大容易導(dǎo)致系統(tǒng)不穩(wěn)定 訓(xùn)練方法自適應(yīng)學(xué)習(xí)率（traingda） Traingda訓(xùn)練方法在訓(xùn)練過(guò)程中，力圖使算法穩(wěn)定，同時(shí)根據(jù)誤差梯度實(shí)時(shí)改變學(xué)習(xí)率大小，當(dāng)誤差向減小方向修正時(shí)，表示修正方向正確，

6、增大學(xué)習(xí)率，提高收斂速度，當(dāng)誤差增大超過(guò)設(shè)定值時(shí)C倍時(shí)，說(shuō)明修正過(guò)度，迅速減小學(xué)習(xí)率，訓(xùn)練結(jié)果如圖所示。通過(guò)這種訓(xùn)練方法，既能保證了系統(tǒng)的穩(wěn)定性，又能縮短訓(xùn)練時(shí)間。在實(shí)際設(shè)計(jì)BP網(wǎng)絡(luò)時(shí)選擇合適的訓(xùn)練方法，對(duì)于提高系統(tǒng)性能尤為重要。 隱層神經(jīng)元節(jié)點(diǎn)數(shù) 分別選取隱層神經(jīng)元節(jié)點(diǎn)數(shù)為4、7、10、13、16，可得如下訓(xùn)練結(jié)果：隱層神經(jīng)元節(jié)點(diǎn)數(shù)越少，易出現(xiàn)局部最小，且訓(xùn)練時(shí)間過(guò)長(zhǎng)，增加隱層神經(jīng)元節(jié)點(diǎn)數(shù)，可以縮短訓(xùn)練時(shí)間。此外增加隱層神經(jīng)元節(jié)點(diǎn)數(shù)，可以有效提高精度。 激活函數(shù) 隱層激活函數(shù)和輸出層激活函數(shù)分別同時(shí)取線性函數(shù)（purelin）、對(duì)數(shù)S型函數(shù)（logsig）、雙曲正切S型函數(shù)（tansig），

7、可得如下訓(xùn)練結(jié)果：選擇線性函數(shù)能夠有效縮短訓(xùn)練時(shí)間，但精度不高。選擇S性函數(shù)的精度較線性函數(shù)要高的多，但增加了計(jì)算量，訓(xùn)練時(shí)間加長(zhǎng)，此外，選擇對(duì)數(shù)S型函數(shù)時(shí)，易出現(xiàn)局部最小。配合使用線性函數(shù)以及雙曲正切函數(shù)效果較好。RBF神經(jīng)網(wǎng)絡(luò)設(shè)計(jì) RBF學(xué)習(xí)的三個(gè)參數(shù)： 基函數(shù)的中心 方差（擴(kuò)展常數(shù)） 隱含層與輸出層之間的權(quán)值x1x2xny1ymc1c2chh.w/out1outm.不同的訓(xùn)練算法，RBF神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)三個(gè)參數(shù)的方式不同。最終目的是獲得最優(yōu)的權(quán)值w，而基函數(shù)中心和方差的確定，不同的方法有不同的調(diào)整方式，或固定或一個(gè)改變或兩個(gè)都變。網(wǎng)絡(luò)創(chuàng)建函數(shù) newrb 創(chuàng)建一個(gè)RBF網(wǎng)絡(luò)語(yǔ)法格式：netn

8、ewrb net,trnewrb(P,T,GOAL,SPREAD,MN,DF) 其中， P：Q組輸入向量組成的RXQ 維矩陣； T：Q組目標(biāo)分類向量組成的SXQ 維矩陣； GOAL：均方誤差，默認(rèn)為0； SPREAD:徑向基函數(shù)的擴(kuò)展速度，默認(rèn)為1;其值越大，則函數(shù)擬合越平滑 MN:神經(jīng)元的最大數(shù)目，默認(rèn)為Q; DF:兩次顯示之間所添加的神經(jīng)元數(shù)目，默認(rèn)為25; net：返回值，一個(gè)徑向基網(wǎng)絡(luò)； tr：返回值，訓(xùn)練記錄。 基本原理：隱層的神經(jīng)元從0個(gè)開(kāi)始，通過(guò)檢查輸出誤差自動(dòng)增加神經(jīng)元。每次循環(huán)使用，使網(wǎng)絡(luò)產(chǎn)生的最大誤差所對(duì)應(yīng)的輸入向量作為權(quán)值向量，產(chǎn)生一個(gè)新的隱層神經(jīng)元，然后檢查新網(wǎng)絡(luò)的誤差

9、，重復(fù)此過(guò)程，達(dá)到誤差要求或最大隱含層神經(jīng)元為止。MATLAB程序clear;x1=0.7917 0.2686 0.2954 0.2494 0.2842 0.1562 0.1684 0.1898;x2=0.8012 0.2526 0.3001 0.2528 0.2734 0.1600 0.1725 0.1667;x3=0.1551 0.9892 0.3124 0.2157 0.1271 0.0680 0.0862 0.1784;x4=0.1556 0.9990 0.3068 0.2156 0.1306 0.0823 0.0860 0.1821;x5=0.1705 0.1078 0.9346 0

10、.2041 0.2528 0.2051 0.0712 0.1403;x6=0.1680 0.1221 0.8998 0.2035 0.2697 0.2068 0.0806 0.1399;p=x1;x2;x3;x4;x5;x6;p=p;T=0 0 1;0 0 1;0 1 0;0 1 0;1 0 0;1 0 0;T=T;net=newrb(p,T,0,1,20,1);%擴(kuò)散速度1tx1=0.8017;0.2687;0.2974;0.2394;0.2742;0.1660;0.1675;0.1892;tx2=0.1660;0.9992;0.2124;0.2256;0.1370;0.0681;0.087

11、2;0.1683;tx3=0.1715;0.1076;0.9566;0.2051;0.2528;0.2161;0.0736;0.1463;tx=tx1 tx2 tx3;y=sim(net,tx);訓(xùn)練與測(cè)試結(jié)果NEWRB, neurons = 0, MSE = 0.222222NEWRB, neurons = 2, MSE = 0.00016901NEWRB, neurons = 3, MSE = 1.28185e-05NEWRB, neurons = 4, MSE = 6.7552e-06NEWRB, neurons = 5, MSE = 3.72518e-30NEWRB, neurons = 6, MSE = 8.4782e-30BP與RBF神經(jīng)網(wǎng)絡(luò)的對(duì)比1. 結(jié)構(gòu)：BP神經(jīng)網(wǎng)絡(luò)中，隱層個(gè)數(shù)與隱層節(jié)點(diǎn)數(shù)不易確定，由此獲得的網(wǎng)絡(luò)結(jié)構(gòu)性能不