李宇峰BP神經網絡作業(yè)

1、基于BP神經網絡的滾動軸承 故障診斷研究講述人：李宇峰研究背景及意義研究背景及意義 滾動軸承缺陷早期診斷方法的研究，對滾動軸承制造質量的評價，以及設備狀態(tài)在線監(jiān)測都有著重要的意義。目前，滾動軸承的故障主要依靠操作人員憑經驗進行測試和分析，這給滾動軸承故障診斷的精確實施帶來了困難。因此，利用計算機自動進行滾動軸承故障的智能診斷是現(xiàn)代機械工業(yè)發(fā)展的迫切需要，也是人們追求的目標。自動化智能診斷不僅可以省去操作人員的具體分析工作，還可以快速地在線監(jiān)測和診斷，并為深人開展機械故障診斷創(chuàng)造了更加有利的條件。人工神經網絡是由大量的人工神經元相互連接而成的非線性動力系統(tǒng)，可模仿人腦的智慧進行信息處理。本文提出

2、了一種基于BP神經網絡的滾動軸故障自動識別方法，利用該方法可實現(xiàn)滾動軸承故障的智能診斷。滾動軸承特征向量的提取滾動軸承特征向量的提取 對軸承振動信號進行幅域處理常用的指標有：均方根值、峰值、峭度、峰值因子、峭度因子、脈沖因子、裕度因子和波形因子等。其中均方根值和峰值為有量綱參數指標，而峭度、峰值因子、峭度因子、脈沖因子、裕度因子和波形因子為無量綱參數指標。由于有量綱參數指標依賴歷史數據并對載荷和轉速等的變化比較敏感，而無量綱參數指標基本上不受載荷和轉速等因素的影響，無須考慮相對標準值或與以前的數據進行對比，另外，它不受信號絕對水平的影響，即使測量點同以往的略有不同，對參數的計算結果也不會產生明

3、顯的影響。因此，選用峭度、峰值因子、峭度因子、脈沖因子、裕度因子及波形因子6個無量綱參數指標來表征滾動軸承運行狀態(tài)的特征向量。BP神經網絡訓練樣本神經網絡訓練樣本確定網絡結構確定網絡結構 模型采用3層BP神經網絡，輸入層為6個節(jié)點，對應于峭度、峰值因子、峭度因子、脈沖因子、裕度因子及波形因子6個特征向量，隱層節(jié)點數的選取目前尚無理論依據，可根據經驗或通過訓練學習后，考慮網絡的學習次數和識別率綜合比較后選定，本文選用隱層節(jié)點數為12，輸出層節(jié)點數為3，對應于軸承的3種故障類型，滾動軸承各種故障類型的期望輸出為:正常（0，0，0)，外圈劃傷(1，0，0)，內圈劃傷(0，1，0)，滾子劃傷(0 ，0

4、，1)。BP神經網絡的最終結構為N(6，12，3)。BP網絡程序網絡程序p= 0.0637 ,0.0410 , 0.1068 , 0.1554 , 0.1894 , 0; 0.0644 , 0.0396 , 0.1005 , 0.1512 , 0.1908 , 0.0014; 0.0655 , 0.0403 , 0.1043 , 0.1540 , 0.1866 , 0.0018; 0.0679 , 0.0413 , 0.1064 , 0.1600 , 0.1848 , 0.0014; 0.0693 , 0.0424 , 0.1085 , 0.1607 , 0.1950 , 0.0025; 0.

5、0805 , 0.6150 , 0.1838 , 0.2212 , 0.2940 , 0.0025; 0.0823 , 0.4501 , 0.1684 , 0.2233 , 0.2912 , 0.0042; 0.0851 , 0.4995 , 0.2226 , 0.2261 , 0.2895 , 0.0053; 0.0858 , 0.8152 , 0.1883 , 0.2244 , 0.2874 , 0.0049; 0.0865 , 0.4918 , 0.1789 , 0.2275 , 0.2919 , 0.0063; 0.1099 , 0.6311 , 0.2566 , 0.3217 , 0

6、.5142 , 0.0070; 0.1103 , 0.7200 , 0.2590 , 0.3147 , 0.5212 , 0.0077; 0.1110 , 0.7749 , 0.2618 , 0.3322 , 0.5072 , 0.0091; 0.1113 , 0.7452 , 0.2597 , 0.3427 , 0.5317 , 0.0105; 0.1120 , 0.5754 , 0.2209 , 0.3357 , 0.5247 , 0.0088; 0.2849 , 0.9209 , 0.2909 , 0.4897 , 0.6682 , 0.0105; 0.2867 , 0.7263 , 0

7、.2940 , 0.5037 , 0.6297 , 0.0126; 0.2968 , 0.5978 , 0.2790 , 0.5247 , 0.6472 , 0.0151; 0.3000 , 1.0000 , 0.2965 , 0.1642 , 0.6962 , 0.0165; 0.3035 , 0.8089 , 0.2986 , 0.5072 , 0.6682 , 0.0144;t=0, 0 ,0; 0 ,0, 0; 0, 0 ,0; 0 ,0 ,0; 0 ,0 ,0;1 ,0 ,0; 1, 0 ,0; 1 ,0 ,0; 1, 0, 0; 1 ,0 ,0;0 ,1 ,0; 0 ,1, 0;

8、0, 1 ,0; 0, 1 ,0; 0, 1, 0; 0, 0 ,1; 0 ,0 ,1; 0, 0 ,1; 0, 0 ,1; 0,0,1;p=p;t=t;net=newff(minmax(p),12,3, tansig,logsig,trainlm);net.trainparam.epochs=100;net.trainparam.goal=0.001;net.trainParam.lr=0.05;net=train(net,p,t);p_test = 0.0791,0.0497, 0.1247 , 0.1901 , 0.2291 , 0; 0.0837, 0.0526, 0.1367 , 0

9、.2034 , 0.2486 , 0.0041; 0.0965, 0.5911, 0.2179 , 0.2552 , 0.3302 , 0.0054; 0.1036, 0.7063, 0.2075 , 0.2862 , 0.3869 , 0.0075; 0.1321, 1.0000, 0.3099 , 0.3931 , 0.6417 , 0.0095; 0.1616, 0.6810, 0.2614 , 0.5215 , 0.7038 , 0.0133; 0.3451, 0.3451, 0.2887 , 0.6210 , 0.7659 , 0.0137; 0.3567, 0.3567, 0.35

10、09 , 0.5671 , 0.9068 , 0.0203;p_test=p_test;y=(sim(net ,p_test)BP網絡的訓練網絡的訓練檢驗網絡檢驗網絡軸承狀態(tài)正常外圈劃傷內圈劃傷滾子劃傷峭度3.123.233.543.714.405.119.549.82峭度因子2.412.1415.4818.2625.3517.659.549.82峰值因子4.224.516.476.228.697.528.189.68脈沖因子5.806.127.378.1210.713.816.214.9裕度因子6.747.219.1810.5516.718.219.723.1波形因子1.211.311.34

11、1.391.441.531.541.7理想輸出（0,0,0）（0,0,0）（1,0,0）（1,0,0）（0,1,0）（0,1,0）（0,0,1）（0,0,1）實際輸出（0.0076,0.0375,0.0001） (0.0101,0.0099,0.0002)(0.9397,0.0485,0.0044)(0.8526,0.1319,0.0104)(0.0002,0.9618,0.1582)(0.0001,0.9901,0.3373)(0.0002,0.0668,0.9525)(0.0000,0.4992,0.9759) 用訓練好的網絡對檢驗樣本進行識別,神經網絡對滾動軸承檢驗樣本進行診斷的輸出結果如下表所示，可以看出，神經網絡能根據所測的數據準確地判斷軸承的故障類型，說明神經網絡具有很強的識別能力，診斷效果良好。結束語結束語 軸承是機械系統(tǒng)中重要的支承部件,軸承故障診斷是一個