【基于神經(jīng)網(wǎng)絡(luò)單相鼠籠式異步電機故障檢測的MATLAB仿真分析3000字】VIP

第15頁共24頁第16頁共21頁基于神經(jīng)網(wǎng)絡(luò)單相鼠籠式異步電機故障檢測的MATLAB仿真分析目錄TOC\o"1-3"\h\u746基于神經(jīng)網(wǎng)絡(luò)單相鼠籠式異步電機故障檢測的MATLAB仿真分析 1110671.1檢測模型及思路 1288751.2BP神經(jīng)網(wǎng)絡(luò)檢測構(gòu)架 144161.2.1神經(jīng)網(wǎng)絡(luò)層數(shù)的選擇 157281.2.2輸入輸出神經(jīng)元數(shù)目選擇 2260371.2.3隱含層神經(jīng)元個數(shù)的確定 2258671.2.4激勵函數(shù)的選擇 3170821.3BP神經(jīng)網(wǎng)絡(luò)MATLAB實現(xiàn)及仿真結(jié)果分析 3275311.3.1BP神經(jīng)網(wǎng)絡(luò)建立 3278191.3.2BP神經(jīng)網(wǎng)絡(luò)的測試 6294401.3.3檢測結(jié)果分析 81.1檢測模型及思路采用故障電流有效值，最大幅值，標準差，平均值，F(xiàn)FT提取各組故障電流幅值作為神經(jīng)網(wǎng)絡(luò)的輸入，定義對應(yīng)的權(quán)重分別為:X1,X2,X3,X4,X5。以神經(jīng)網(wǎng)絡(luò)對應(yīng)的檢測值=X1*幅值+X2*有效值+X3*標準差+X4*平均值+X5*為輸出，將檢測單相鼠籠式異步電機故障類型分為：含匝間故障、含軸承故障以及不含故障三種。測試數(shù)據(jù)為：故障電流有效值，最大幅值，標準差，平均值，F(xiàn)FT提取各組故障電流幅值，輸出單相鼠籠式異步電機故障類型。1.2BP神經(jīng)網(wǎng)絡(luò)檢測構(gòu)架1.2.1神經(jīng)網(wǎng)絡(luò)層數(shù)的選擇選擇神經(jīng)網(wǎng)絡(luò)的層次取決于它的實際應(yīng)用方向，本論文所做的基于BP神經(jīng)網(wǎng)絡(luò)的鼠籠電動機的故障診斷是一種非線性系統(tǒng)。由于單層神經(jīng)網(wǎng)絡(luò)主要在于解決簡單問題，且具有很高的訓練復(fù)雜程度，所以本文沒有選用單層神經(jīng)網(wǎng)絡(luò)。另外，按照Kolmogorov定理可知，只要不限制隱含層的節(jié)點數(shù)目，含有隱含層的三層BP神經(jīng)網(wǎng)絡(luò)能夠以任何精度近似非線性系統(tǒng)。另外，添加更多的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)會使網(wǎng)絡(luò)中的隱含層數(shù)量增多，會使的網(wǎng)絡(luò)的學習速度變得緩慢、網(wǎng)絡(luò)的收斂時間延長等不利因素。因此，在比較單相鼠籠電動機網(wǎng)絡(luò)結(jié)構(gòu)困難后，本論文選取了三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。1.2.2輸入輸出神經(jīng)元數(shù)目選擇（1）輸入神經(jīng)元數(shù)目的確定上節(jié)對該系統(tǒng)進行了詳細的分析，提出了一種基于輸入層、隱含層和輸出層三層結(jié)構(gòu)的網(wǎng)絡(luò)。由于輸入層是以網(wǎng)絡(luò)為基礎(chǔ)的數(shù)據(jù)輸入，所以在神經(jīng)網(wǎng)絡(luò)中，有多少個因素指標需要訓練，就有多少個神經(jīng)網(wǎng)絡(luò)的輸入。本論文以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，構(gòu)建了三層神經(jīng)網(wǎng)絡(luò)，從實驗的視角出發(fā)，研究了方案層次指標因素在目標層中的輸入和輸出。因為在輸入層中有25個因素指標，所以需要25個輸入層的節(jié)點。（2）輸出層神經(jīng)元個數(shù)的確定輸出層網(wǎng)絡(luò)的輸出，即為單相鼠籠式異步電機故障檢測的檢測結(jié)果，為單輸出，所以輸出層節(jié)點為1。1.2.3隱含層神經(jīng)元個數(shù)的確定隱含層神經(jīng)元的選取直接影響到神經(jīng)網(wǎng)絡(luò)能否正確地進行樣本的識別，所以對于如何選取隱含層非常關(guān)鍵。到目前為止，還沒有一種比較精確的計算方法，該問題成為了該研究領(lǐng)域得難題。在神經(jīng)網(wǎng)絡(luò)中選取隱含層的節(jié)點數(shù)量非常關(guān)鍵，若選取的隱含層節(jié)點數(shù)量過少，則會訓練不出合適的網(wǎng)絡(luò)，或者會使得訓練出來的網(wǎng)絡(luò)容錯性較差。但是，如果選擇過多的隱含層節(jié)點，將會使網(wǎng)絡(luò)的訓練變得十分困難、還會延長訓練時間、也會使網(wǎng)絡(luò)泛化的性能下降。隱含層的神經(jīng)元數(shù)量不僅與輸入、輸出層神經(jīng)元數(shù)量相關(guān)，還與待解決問題的復(fù)雜性、轉(zhuǎn)換函數(shù)的形式選擇、數(shù)據(jù)的樣本特征等因素有關(guān)，這些因素對隱含層的神經(jīng)元數(shù)量的選取具有重要的影響。目前，關(guān)于如何在隱蔽層中識別神經(jīng)元數(shù)目，尚無統(tǒng)一的方法，在總結(jié)大量BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的基礎(chǔ)上，我們得到如下的估算方法: m=l+n+p/2（4-1）在公式（4-1）中，p代表訓練樣本數(shù)量，l代表輸入層的神經(jīng)元數(shù)量，n代表輸出層的神經(jīng)元數(shù)量，m代表隱含層神經(jīng)元數(shù)量。1.2.4激勵函數(shù)的選擇本文所研究的單相鼠籠式異步電機故障檢測系統(tǒng)屬于非線性問題的求解，它需要選取的轉(zhuǎn)換函數(shù)能夠具有較好的非線性映射能力，因此在隱含層神經(jīng)元中，我們選取S型正切函數(shù)tansing作為激勵函數(shù)。此外，單相鼠籠式異步電機故障檢測的數(shù)據(jù)經(jīng)過歸一化處理后，它的輸入和輸出值均在[0,1]之間。因此，本文將對數(shù)S型函數(shù)應(yīng)用到隱含層與輸出層的神經(jīng)元轉(zhuǎn)換中。1.3BP神經(jīng)網(wǎng)絡(luò)MATLAB實現(xiàn)及仿真結(jié)果分析1.3.1BP神經(jīng)網(wǎng)絡(luò)建立1.3.1.1BP神經(jīng)網(wǎng)絡(luò)的建立方法BP神經(jīng)網(wǎng)絡(luò)的建立過程包括如下兩個階段：(1)在工作信號的正向傳輸中，輸入信號可以從輸入層進入網(wǎng)絡(luò)，然后經(jīng)過隱藏層，最后在輸出層生成一個輸出信號。在這段時間內(nèi)，各神經(jīng)元的權(quán)重、閾值均未發(fā)生變化，各層次的神經(jīng)元僅對下一層次神經(jīng)元的輸入及狀態(tài)產(chǎn)生影響。若在輸出端未獲得期望的輸出量，網(wǎng)絡(luò)將進入誤差信號的反向傳輸過程。(2)誤差信號的反向傳輸是網(wǎng)絡(luò)的實際輸出和預(yù)期輸出之間的結(jié)果差異，即誤差信號。誤差信號從輸出端一層一層地傳輸回來。在此傳輸過程期間，根據(jù)一定的規(guī)則，通過誤差信號調(diào)節(jié)網(wǎng)絡(luò)中各神經(jīng)元的權(quán)重和閾值。以上兩個步驟應(yīng)該按交替的周期進行。該算法通過對各神經(jīng)元權(quán)重和閾值的不斷調(diào)整，使網(wǎng)絡(luò)的輸出結(jié)果與期望的輸出結(jié)果越來越接近。其中，在誤差回傳的過程中，誤差回傳的核心是對每個神經(jīng)元的權(quán)值和閾值進行調(diào)節(jié)，而權(quán)值的調(diào)整是以不斷減小誤差為原則。1.3.1.2BP神經(jīng)網(wǎng)絡(luò)檢測的實現(xiàn)方法基于BP神經(jīng)網(wǎng)絡(luò)的單相鼠籠式異步電動機的故障診斷，可以將其劃分為神經(jīng)網(wǎng)絡(luò)的訓練與檢測兩部分。(1)選取訓練樣本數(shù)據(jù)構(gòu)造訓練樣本。(2)對單相鼠籠式異步電動機的故障歷史樣本數(shù)據(jù)和工作質(zhì)量分數(shù)進行了預(yù)處理。在進行神經(jīng)網(wǎng)絡(luò)檢測之前，需要先將原始數(shù)據(jù)進行歸一化處理，但是由于檢測值的變化幅度較大，不適合直接作為神經(jīng)網(wǎng)絡(luò)的輸出，因此仍需進行必要的歸一化。將數(shù)據(jù)規(guī)范在[0,1]之間，這樣使數(shù)據(jù)盡可能地平滑輸出，從而消除檢測結(jié)果的噪聲。采用歸一化方法目的是為了加快訓練網(wǎng)絡(luò)的收斂性，具體算法是：將輸入輸出數(shù)據(jù)變換為[0,1]區(qū)間的值常用以下變換式：（4-2）式中，Xi代表輸入或輸出數(shù)據(jù)；Xmin代表數(shù)據(jù)變化范圍的最小值；Xmax代表數(shù)據(jù)變化范圍的最大值。(3)構(gòu)造訓練樣本。(4)基于BP神經(jīng)網(wǎng)絡(luò)的三層結(jié)構(gòu)進行建模。第一層為輸入層，輸入訓練樣本，第二層作為隱含層，第三層為輸出層，輸出最終檢測結(jié)果。(5)檢測網(wǎng)絡(luò)。對后10組數(shù)據(jù)進行檢測，然后利用反歸一化進行數(shù)據(jù)處理，得到檢測后的數(shù)據(jù)。第16頁共24頁第16頁共21頁基本流程圖如下圖1.1所示：圖1.1程序設(shè)計步驟框圖第18頁共24頁第16頁共21頁1.3.2BP神經(jīng)網(wǎng)絡(luò)的測試本文以Matlab2020a作為實驗仿真平臺，首先通過Simulink模型運行不同的故障，在此基礎(chǔ)上，然后將對故障數(shù)據(jù)進行有效值、最大值、標準差、頻域等多個特征進行提取，并將其不同的故障數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓練數(shù)據(jù)進行訓練。BP神經(jīng)網(wǎng)絡(luò)是采用newff（）函數(shù)來建立的。在隱含層神經(jīng)元中，選擇logisig函數(shù)作為傳遞函數(shù)，在輸出層神經(jīng)元中，選擇purelin函數(shù)作為傳遞函數(shù)，trainlm函數(shù)則用于網(wǎng)絡(luò)訓練。net=newff(minmax(b),[25,10,1],{'tansig','tansig','purelin'},'trainlm');選擇一個sim（）函數(shù)來觀測初始網(wǎng)絡(luò)的輸出；nc=sim(net,nb);在初始參數(shù)選取上，我們將初始學習速率設(shè)定為0.1，最大迭代訓練次數(shù)設(shè)定為5000。net.trainParam.lr=0.05;net.TrainParam.epochs=5000;在此基礎(chǔ)上，我們采用附加動量的梯度下降法對20組數(shù)據(jù)進行訓練，其中前10組數(shù)據(jù)被用作訓練樣本，后10組數(shù)據(jù)被用作測試樣本，用來進行檢測網(wǎng)絡(luò)。圖1.2BP神經(jīng)網(wǎng)絡(luò)訓練過程Epoch：表示訓練次數(shù)，它的最大訓練次數(shù)被設(shè)定為5000；Performance：表示訓練誤差（訓練性能），最小誤差為0.00001；Gradient：表示最小梯度為0.1；Validationchecks：表示錯誤驗證，當錯誤次數(shù)達到6時，停止訓練。當訓練結(jié)束后，顯示BP網(wǎng)絡(luò)訓練輸出圖。圖1.3BP神經(jīng)網(wǎng)絡(luò)樣本訓練輸出圖從圖1.2、1.3中可以看出，本文所選取的三層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，學習速度較快，訓練準確率較高，且神經(jīng)網(wǎng)絡(luò)的訓練效果與期望的檢測輸出結(jié)果基本吻合，該實驗結(jié)果表明，本文所提出的神經(jīng)網(wǎng)絡(luò)是有效的、可行的。然后，我們再利用該網(wǎng)絡(luò)對測