bp神经网络的转子试验台故障诊断研究【字数：10435】
摘 要当今的科学发展浩浩荡荡，带动了生活与生产。数不胜数的机械种类随着时代而逐渐完善增多。在庞大的旋转机械系统库中，各式各样的机械器材所营造的范围也逐步增大，充实了精密而严谨的结构，架构及布局。然而繁琐庞杂的的工作运动情况，又或者是机械回转振动等断裂发生了失效故障，迫使大家对转子试验台有进一步的要求提升，致使大家必须对转子试验台进行故障诊断进行合理的方法研究。本篇论文通过旋转机械的故障现状诊断引出BP神经网络，进一步利用BP网络的特性，结构以及误差反向传播BP算法，针对转子试验台进行故障诊断。首先针对信号的特征提取，阐述了三种故障类型时候，时域特征的几大性能的比较，去掉奇异值，对比特征值，提高准确率。再接着根据了解到的转子试验台转子的振动信息,利用频域分析(FFT分析)，通过选取关于BP网络的训练样本，以振动信号的频谱分析，保证采集充足的事故样本，进行训练与测试BP网络,把我们象征故障的采样数据，填充到已经完成训练的BP网络之后,通过隐含层处理，接着输出，分析结果完全能够识别事故的种类，故障的类型。在之后我们对于机械器材使用中，起到了预警和保护作用。
目录
1.绪论 1
1.1课题背景 2
1.2 国内外研究现状 2
1.2.1 旋转机械故障现状诊断 2
1.2.2 BP神经网络的研究现状 2
2.BP神经网络 4
2.1 机器学习简单概述 4
2.2 监督学习 4
2.3人工神经网络 5
2.4激活函数 6
2.5 神经网络结构 7
2.5.1 代价函数 7
2.5.2 反向传播算法 7
2.5.3 梯度下降原理 8
2.6 逻辑回归 9
2.6.1 分类问题二分 9
2.6.2 一对多分类问题 10
3.信号的特征提取 12
3.1时域分析 13
3.2频域分析 14
4.BP网络用于转子故障诊断 16
5.结论 21
5.1总结 21
5.2展望 21
参考文献 22
致谢 23< *好棒文|www.hbsrm.com +Q: ^351916072^
br /> 附录 24
1.绪论
在现代科学技术飞速进步和生产的发展旋转机械的种类不断增加的年代，他们系统构建的规模变得越来越大，拥有了越来越紧密复杂的构造。可是复杂的工作环境或者机械回转振动等各种器械失效的故障出现，令我们愁眉不展，所以我们就迫切的希望能够更高效的识别判断故障种类及其原因。对转子试验台的稳定安全高效有了更进一步的需求。过去的转子试验台故障诊断方法基于振动信号结合经验的诊断方法：如轨迹诊断法，频谱分析法。需要建精确的数学模型、有效的状态等。包含了过多的人为判断。诸如此类的要求，将如今的转子台故障诊断变得限制性很强，狭隘在一个范围之内。为了避免产生巨大的经济损失和人员损失，对于之前传统普通的识别故障方法，大家有必要及时监控测试旋转机械的转子试验台工作情况，更新最新的数据信息采集。提出解决的方案，以指导机械设备维修与维护。
人类大脑奇妙莫测，我们为了探索，所以开始了对人的脑子开展了模拟效仿其运动处理规律，研究出其基础特征。神经网络，是通过众多密集的神经元相互接触连接成的网络。诚然，我们对于神经网络的科研成果上面,展示阐述了BP人工神经网络的基础模型。然而,人类大脑的各种特性思维处理，并不可能真正的全部通过神经网络去演示构思,只能运用其简化、概念和模拟此。关于转子试验台故障诊断，我们有些的应用是巧妙分析处理了BP人工神经网络技术的，将我们获得的特征信息采样，处理分几个部分，第一步那我们把提取的特征信号输入，联接起神经网络中的神经元，在一定的范围内进行BP误差反向传播计算，接着就是隐含层处理，把输入的特征信号经激活函数处理，然后比较阀值，会出现阀值小于输出值的情况或者输出值大于阀值的情况，很显然，出现此类情况，该神经元一部分的一定就得被激活，否则状态就会改变，一直处于抑制状态。在一定情况下，神经元通过一定的形式，构成各种网络型，在神经元中，权值大小的类比某种意义上就是信号传递的增强减弱的一种反馈。
基于BP神经网络的转子台常见故障诊断中的应用中，我们往往第一步去分析统计性能;均值、标准差、有效值、极差、中位数、偏度、峰度，这些时域特性。接着应用采集到的获得转子的振动频率,然后用FFT出图分析,提取特征信号，处理分好的训练样本通过采样频率的频谱分析获得，进而测试验证，对这些故障样本反复训练测试,将发生故障的采样信息处理好，输入到神经网络,经过隐层二次处理后，获得需要的输出结果最后就能识别发生的故障种类,再进行测试校正于剩余的百分之30数据定义测试样本，进而判断出转子的故障类型。
1.1课题背景
在机械设备生产中，旋转机械是一种必不可少，相当关键的的重要构成。在各个重要的工程领域，如化工，电力等部分，旋转机械都被多多少少应用到了。针对我们研究的课题基于BP神经网络的转子试验台故障诊断，是以转子及其回转部件为工作的主体，作为一项核心设备。是尽量杜绝产生或大或小的过失故障，来减少产生的难以挽回的经济损失。所以在神经网络技术的迅猛研究发下，我们的硬件要求就变得越来越高。所以针对这种大趋环境，一个不过载运行，安全稳定的设备符合了我们对于旋转机械的基本要求。于是，不光是为了经济成本，还为了社会影响，我们必须对旋转机械进行监察与测试，并且识别其故障诊断。
1.2 国内外研究现状
1.2.1 旋转机械故障现状诊断
这些年来因为IT技术，模拟仿真、静态动态信息采集的蓬勃发展，识别故障诊断开始研发具有良好人机界面的基于BP神经网络的转子试验台的故障诊断软件系统。在机械生产当中是被刚需的，之前都是靠老一辈工程师及技术工人的经验与知识库存来判断识别，现如今特征信息提取采集，输入处理输出，分析识别故障发展到以信号采集、数据分析进而实现我们的故障诊断，这样就可以人机合一，完美实现人工智能的故障诊断。
振动信息永远适合旋转机械的良好运行有着密不可分的关系，所有的继续振动信息的更替交换往往是暗示反馈了一种故障类型的产生。代表了即将发生或者已经存在的事故的破损。于是现如今，我们从振动信息方面着手钻研，寻找产生故障的原因。其运动特征信号代表了运行设备的良好或者故障，时域分析和频域分析都能视作故障产生的监测判别。针对这些进行大量的研究验证，于是也就呼应了基于BP神经网络的转子试验台故障诊断是顺势而出。
目录
1.绪论 1
1.1课题背景 2
1.2 国内外研究现状 2
1.2.1 旋转机械故障现状诊断 2
1.2.2 BP神经网络的研究现状 2
2.BP神经网络 4
2.1 机器学习简单概述 4
2.2 监督学习 4
2.3人工神经网络 5
2.4激活函数 6
2.5 神经网络结构 7
2.5.1 代价函数 7
2.5.2 反向传播算法 7
2.5.3 梯度下降原理 8
2.6 逻辑回归 9
2.6.1 分类问题二分 9
2.6.2 一对多分类问题 10
3.信号的特征提取 12
3.1时域分析 13
3.2频域分析 14
4.BP网络用于转子故障诊断 16
5.结论 21
5.1总结 21
5.2展望 21
参考文献 22
致谢 23< *好棒文|www.hbsrm.com +Q: ^351916072^
br /> 附录 24
1.绪论
在现代科学技术飞速进步和生产的发展旋转机械的种类不断增加的年代，他们系统构建的规模变得越来越大，拥有了越来越紧密复杂的构造。可是复杂的工作环境或者机械回转振动等各种器械失效的故障出现，令我们愁眉不展，所以我们就迫切的希望能够更高效的识别判断故障种类及其原因。对转子试验台的稳定安全高效有了更进一步的需求。过去的转子试验台故障诊断方法基于振动信号结合经验的诊断方法：如轨迹诊断法，频谱分析法。需要建精确的数学模型、有效的状态等。包含了过多的人为判断。诸如此类的要求，将如今的转子台故障诊断变得限制性很强，狭隘在一个范围之内。为了避免产生巨大的经济损失和人员损失，对于之前传统普通的识别故障方法，大家有必要及时监控测试旋转机械的转子试验台工作情况，更新最新的数据信息采集。提出解决的方案，以指导机械设备维修与维护。
人类大脑奇妙莫测，我们为了探索，所以开始了对人的脑子开展了模拟效仿其运动处理规律，研究出其基础特征。神经网络，是通过众多密集的神经元相互接触连接成的网络。诚然，我们对于神经网络的科研成果上面,展示阐述了BP人工神经网络的基础模型。然而,人类大脑的各种特性思维处理，并不可能真正的全部通过神经网络去演示构思,只能运用其简化、概念和模拟此。关于转子试验台故障诊断，我们有些的应用是巧妙分析处理了BP人工神经网络技术的，将我们获得的特征信息采样，处理分几个部分，第一步那我们把提取的特征信号输入，联接起神经网络中的神经元，在一定的范围内进行BP误差反向传播计算，接着就是隐含层处理，把输入的特征信号经激活函数处理，然后比较阀值，会出现阀值小于输出值的情况或者输出值大于阀值的情况，很显然，出现此类情况，该神经元一部分的一定就得被激活，否则状态就会改变，一直处于抑制状态。在一定情况下，神经元通过一定的形式，构成各种网络型，在神经元中，权值大小的类比某种意义上就是信号传递的增强减弱的一种反馈。
基于BP神经网络的转子台常见故障诊断中的应用中，我们往往第一步去分析统计性能;均值、标准差、有效值、极差、中位数、偏度、峰度，这些时域特性。接着应用采集到的获得转子的振动频率,然后用FFT出图分析,提取特征信号，处理分好的训练样本通过采样频率的频谱分析获得，进而测试验证，对这些故障样本反复训练测试,将发生故障的采样信息处理好，输入到神经网络,经过隐层二次处理后，获得需要的输出结果最后就能识别发生的故障种类,再进行测试校正于剩余的百分之30数据定义测试样本，进而判断出转子的故障类型。
1.1课题背景
在机械设备生产中，旋转机械是一种必不可少，相当关键的的重要构成。在各个重要的工程领域，如化工，电力等部分，旋转机械都被多多少少应用到了。针对我们研究的课题基于BP神经网络的转子试验台故障诊断，是以转子及其回转部件为工作的主体，作为一项核心设备。是尽量杜绝产生或大或小的过失故障，来减少产生的难以挽回的经济损失。所以在神经网络技术的迅猛研究发下，我们的硬件要求就变得越来越高。所以针对这种大趋环境，一个不过载运行，安全稳定的设备符合了我们对于旋转机械的基本要求。于是，不光是为了经济成本，还为了社会影响，我们必须对旋转机械进行监察与测试，并且识别其故障诊断。
1.2 国内外研究现状
1.2.1 旋转机械故障现状诊断
这些年来因为IT技术，模拟仿真、静态动态信息采集的蓬勃发展，识别故障诊断开始研发具有良好人机界面的基于BP神经网络的转子试验台的故障诊断软件系统。在机械生产当中是被刚需的，之前都是靠老一辈工程师及技术工人的经验与知识库存来判断识别，现如今特征信息提取采集，输入处理输出，分析识别故障发展到以信号采集、数据分析进而实现我们的故障诊断，这样就可以人机合一，完美实现人工智能的故障诊断。
振动信息永远适合旋转机械的良好运行有着密不可分的关系，所有的继续振动信息的更替交换往往是暗示反馈了一种故障类型的产生。代表了即将发生或者已经存在的事故的破损。于是现如今，我们从振动信息方面着手钻研，寻找产生故障的原因。其运动特征信号代表了运行设备的良好或者故障，时域分析和频域分析都能视作故障产生的监测判别。针对这些进行大量的研究验证，于是也就呼应了基于BP神经网络的转子试验台故障诊断是顺势而出。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/jdgc/482.html
