【基于神經網絡單相鼠籠式異步電機故障檢測的MATLAB仿真分析3000字】

第15頁共24頁第16頁共21頁基于神經網絡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基于神經網絡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神經網絡檢測構架 144161.2.1神經網絡層數的選擇 157281.2.2輸入輸出神經元數目選擇 2260371.2.3隱含層神經元個數的確定 2258671.2.4激勵函數的選擇 3170821.3BP神經網絡MATLAB實現及仿真結果分析 3275311.3.1BP神經網絡建立 3278191.3.2BP神經網絡的測試 6294401.3.3檢測結果分析 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，FFT提取各組故障電流幅值作為神經網絡的輸入，定義對應的權重分別為:X1,X2,X3,X4,X5。以神經網絡對應的檢測值=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。測試數據為：故障電流有效值，最大幅值，標準差，平均值，FFT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神經網絡檢測構架1.2.1神經網絡層數的選擇選擇神經網絡的層次取決于它的實際應用方向，本論文所做的基于BP神經網絡的鼠籠電動機的故障診斷是一種非線性系統。由于單層神經網絡主要在于解決簡單問題，且具有很高的訓練復雜程度，所以本文沒有選用單層神經網絡。另外，按照Kolmogorov定理可知，只要不限制隱含層的節點數目，含有隱含層的三層BP神經網絡能夠以任何精度近似非線性系統。另外，添加更多的神經網絡的結構會使網絡中的隱含層數量增多，會使的網絡的學習速度變得緩慢、網絡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絡結構困難后，本論文選取了三層BP神經網絡結構。1.2.2輸入輸出神經元數目選擇（1）輸入神經元數目的確定上節對該系統進行了詳細的分析，提出了一種基于輸入層、隱含層和輸出層三層結構的網絡。由于輸入層是以網絡為基礎的數據輸入，所以在神經網絡中，有多少個因素指標需要訓練，就有多少個神經網絡的輸入。本論文以神經網絡為基礎，構建了三層神經網絡，從實驗的視角出發，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個輸入層的節點。（2）輸出層神經元個數的確定輸出層網絡的輸出，即為單相鼠籠式異步電機故障檢測的檢測結果，為單輸出，所以輸出層節點為1。1.2.3隱含層神經元個數的確定隱含層神經元的選取直接影響到神經網絡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域得難題。在神經網絡中選取隱含層的節點數量非常關鍵，若選取的隱含層節點數量過少，則會訓練不出合適的網絡，或者會使得訓練出來的網絡容錯性較差。但是，如果選擇過多的隱含層節點，將會使網絡的訓練變得十分困難、還會延長訓練時間、也會使網絡泛化的性能下降。隱含層的神經元數量不僅與輸入、輸出層神經元數量相關，還與待解決問題的復雜性、轉換函數的形式選擇、數據的樣本特征等因素有關，這些因素對隱含層的神經元數量的選取具有重要的影響。目前，關于如何在隱蔽層中識別神經元數目，尚無統一的方法，在總結大量BP網絡結構設計的基礎上，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代表訓練樣本數量，l代表輸入層的神經元數量，n代表輸出層的神經元數量，m代表隱含層神經元數量。1.2.4激勵函數的選擇本文所研究的單相鼠籠式異步電機故障檢測系統屬于非線性問題的求解，它需要選取的轉換函數能夠具有較好的非線性映射能力，因此在隱含層神經元中，我們選取S型正切函數tansing作為激勵函數。此外，單相鼠籠式異步電機故障檢測的數據經過歸一化處理后，它的輸入和輸出值均在[0,1]之間。因此，本文將對數S型函數應用到隱含層與輸出層的神經元轉換中。1.3BP神經網絡MATLAB實現及仿真結果分析1.3.1BP神經網絡建立1.3.1.1BP神經網絡的建立方法BP神經網絡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絡，然后經過隱藏層，最后在輸出層生成一個輸出信號。在這段時間內，各神經元的權重、閾值均未發生變化，各層次的神經元僅對下一層次神經元的輸入及狀態產生影響。若在輸出端未獲得期望的輸出量，網絡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絡的實際輸出和預期輸出之間的結果差異，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，根據一定的規則，通過誤差信號調節網絡中各神經元的權重和閾值。以上兩個步驟應該按交替的周期進行。該算法通過對各神經元權重和閾值的不斷調整，使網絡的輸出結果與期望的輸出結果越來越接近。其中，在誤差回傳的過程中，誤差回傳的核心是對每個神經元的權值和閾值進行調節，而權值的調整是以不斷減小誤差為原則。1.3.1.2BP神經網絡檢測的實現方法基于BP神經網絡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網絡的訓練與檢測兩部分。(1)選取訓練樣本數據構造訓練樣本。(2)對單相鼠籠式異步電動機的故障歷史樣本數據和工作質量分數進行了預處理。在進行神經網絡檢測之前，需要先將原始數據進行歸一化處理，但是由于檢測值的變化幅度較大，不適合直接作為神經網絡的輸出，因此仍需進行必要的歸一化。將數據規范在[0,1]之間，這樣使數據盡可能地平滑輸出，從而消除檢測結果的噪聲。采用歸一化方法目的是為了加快訓練網絡的收斂性，具體算法是：將輸入輸出數據變換為[0,1]區間的值常用以下變換式：（4-2）式中，Xi代表輸入或輸出數據；Xmin代表數據變化范圍的最小值；Xmax代表數據變化范圍的最大值。(3)構造訓練樣本。(4)基于BP神經網絡的三層結構進行建模。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，輸出最終檢測結果。(5)檢測網絡。對后10組數據進行檢測，然后利用反歸一化進行數據處理，得到檢測后的數據。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程序設計步驟框圖第18頁共24頁第16頁共21頁1.3.2BP神經網絡的測試本文以Matlab2020a作為實驗仿真平臺，首先通過Simulink模型運行不同的故障，在此基礎上，然后將對故障數據進行有效值、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據作為神經網絡的訓練數據進行訓練。BP神經網絡是采用newff（）函數來建立的。在隱含層神經元中，選擇logisig函數作為傳遞函數，在輸出層神經元中，選擇purelin函數作為傳遞函數，trainlm函數則用于網絡訓練。net=newff(minmax(b),[25,10,1],{'tansig','tansig','purelin'},'trainlm');選擇一個sim（）函數來觀測初始網絡的輸出；nc=sim(net,nb);在初始參數選取上，我們將初始學習速率設定為0.1，最大迭代訓練次數設定為5000。net.trainParam.lr=0.05;net.TrainParam.epochs=5000;在此基礎上，我們采用附加動量的梯度下降法對20組數據進行訓練，其中前10組數據被用作訓練樣本，后10組數據被用作測試樣本，用來進行檢測網絡。圖1.2BP神經網絡訓練過程Epoch：表示訓練次數，它的最大訓練次數被設定為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，當錯誤次數達到6時，停止訓練。當訓練結束后，顯示BP網絡訓練輸出圖。圖1.3BP神經網絡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構的神經網絡，學習速度較快，訓練準確率較高，且神經網絡的訓練效果與期望的檢測輸出結果基本吻合，該實驗結果表明，本文所提出的神經網絡是有效的、可行的。然后，我們再利用該網絡對測