1、內蒙古工業大學本科畢業設計說明書摘 要主要闡述了bp 神經網絡在直流電動機故障診斷方面的應用。內容包括bp 神經網絡的建立, 基于matlab simulink的網絡仿真三相異步電動機的運行狀況直接影響到生產的正常進行，因此研究電機故障診斷技術，具有重大的理論意義和社會經濟效益。 針對三相異步電動機的接地短路的外部故障，提出了一種基于bp神經網絡的故障診斷方法,然后利用fft 分析, 將振動信號的頻譜分析作為神經網絡的訓練樣本。對所采集異步電動機的定子轉矩電流進行數據預處理與特征提取、歸一化后，把這些特征參數作為神經網絡的輸入，經過學習訓練，以判斷系統狀態，識別系統的故障。通過選擇足夠的故障樣

2、本來訓練神經網絡, 將代表故障的信息輸入訓練好的神經網絡后, 由輸出結果就可以判斷發生的故障種類。仿真和測試結果表明了該方法的有效性和正確性。關鍵詞:三相異步電動機;故障診斷;神經網絡;bp算法abstractthe application of bp neural network in the fault diagnosis of motor is explained. it contains setting up of the network and the network simulation based on matlab simulink under the programming

3、language environment .as the working status of the three-phase asynchronous motors directly impact on the daily order of production activity，it is very important to investigate the fault diagnosis techniques for the threephase asynchronous motors. so it is of great theoretical and socio-economic ben

4、efits to study on electrical fault diagnosis technologyaim at the faults of there-phase asynchronous motors such as ground fault, brings out one method of fault diagnosis based on bp neural network, then by fft analysis, the frequency information of vibration is used as the training specimen of neur

5、al network. this method used characteristic information of asynchronous motor such as stator current finishes data preprocessing，feature extraction，and normalization. then it uses these characteristic parameters as the inputs of the neura1 network，studies and trains，judges the state of system，and re

6、cognizes the fault of system. when symptoms that represent faults are input to the t rained neural network, the type of fault can be determined in the output of the neural network. the simulation and the test results point out its validity and correctness.keywords: three-phase asynchronous motors; f

7、aults diagnosis; neural network; bp arithmetic目 錄第一章 緒 論11.1 異步電動機工作原理及用途11.2 異步電動機常見故障類型及方法11.2.1 異步電動機常見故障類型11.2.2 故障診斷方法11.3 神經網絡在故障診斷中的應用21.4 神經網絡特點31.5 神經網絡故障診斷實現步驟4第二章 神經網絡概述52.1 bp神經網絡52.2 bp網絡模型結構52.2.1 神經元模型52.2.2 前饋型神經網絡62.3 bp網絡學習算法72.3.1 學習算法72.3.2 神經網絡的實現過程11第三章 異步電動機在matlab中的建模仿真及故障設置1

8、23.1 異步電動機在matlab中的建模123.1.1 選擇模塊123.1.2 搭建模塊123.1.3 模塊參數設置133.2 三相異步電動機故障設置及故障特征提取163.2.1 故障設置173.2.2 故障仿真183.2.3 特征量提取及預處理23第四章 故障診斷實例264.1 bp神經網絡的構建264.2 bp網絡設計264.2.1 網絡創建264.2.2 網絡訓練與測試27結 論30參考文獻31附 錄33致 謝36第一章 緒 論1.1 異步電動機工作原理及用途三相異步電動機也被稱作感應電動機，當其定子側通入電流以后，部分磁通將穿過短路環，并在短路環內產生感應電流。短路環內的電流阻礙磁通

9、的變化，致使有短路環部分和沒有短路環部分產生的磁通有了相位差，從而形成旋轉磁場。轉子繞組因與磁場間存在著相對運動而感生電動勢和感應電流，即旋轉磁場與轉子存在相對轉速，并與磁場相互作用產生電磁轉矩，使轉子轉起來，從而實現能量轉換。三相異步電動機具有結構簡單，成本較低，制造、使用和維護方便，運行可靠以及質量較小等優點，從而被廣泛應用于家用電器、電動縫紉機、食品加工機以及各種電動工具、小型機電設備中,在工農業、交通運輸、國防工業以及其他各行各業中應用也非常廣泛。1.2 異步電動機常見故障類型及方法1.2.1 異步電動機常見故障類型常見的兩種故障：定子部分故障和轉子部分故障。轉子故障是因為電機頻繁啟動

10、和過載運行使轉子導條和端環易產生疲勞，使之逐漸產生斷裂或開焊，引起故障。定子部分的故障主要是定子繞組故障。主要是由絕緣破壞而引起的不同形式的故障。如內部放電、匝間短路、相間短路和單相對地短路等。具體故障表現為過載、堵轉、斷相、電壓不平衡、接地、過壓、欠壓等幾種類型。過載和堵轉將導致電機電流的增加和電機過熱，斷相和電壓不平衡將會引起正序、負序電流的增長，這些故障都將使電機產生大量熱量；接地將在定子電流中出現零序分量，在傳統保護中是利用檢測零序分量的方法來識別接地故障的；過壓會損壞電機絕緣。短路故障包括供電線路的短路與電動機內部各繞組間對稱的斷路。電動機的短路會發生熱破壞，在嚴重情況下將同時發生力

11、破壞，二者形成惡性循環，造成嚴重的安全事故。1.2.2 故障診斷方法三相異步電動機故障診斷方法主要有以下幾種： (1)基于信號變換的故障診斷方法；(2)基于專家系統的故障診斷方法；該方法是根據被診斷系統的專家以往經驗，將其歸納成規則，并運用經驗規則通過規則推理來進行故障診斷。(3)基于模糊理論的故障診斷方法；通常電機的某些狀態是不分明的、不確定的，因而可以用模糊集合加以描述。(4)基于人工神經網絡（ann）的故障診斷方法。1.3 神經網絡在故障診斷中的應用神經網絡作為一種自適應的模式識別技術，并不需要預先給出有關模式的經驗知識和判別函數，它通過自身的學習機制自動形成所要求的決策區域。網絡的特性

12、有其拓撲結構、神經元特征、學習和訓練規則所決定。它可以充分利用狀態信息，對來自于不同狀態的信息逐一進行訓練而獲得某種映射關系。而且網絡可以連續學習，如果環境發生改變，這種映射關系還可以自適應地進行調整。因此，神經網絡由于自身的特性，在故障模式識別領域中有著越來越廣泛的應用。下面以單隱層bp網絡為例，介紹基于神經網絡的故障診斷的方法和特點。其中，網絡的輸入節點對應著故障征兆，輸出節點對應著故障原因。首先利用一組故障樣本對網絡進行訓練，以確定網絡的結構（中間層的傳遞函數和神經元數目）和參數（神經元時間的連接權值和閾值）。網絡訓練完畢后，故障的模式分類就是根據給定的一組征兆，實現征兆集到故障集之間的

13、非線性映射的過程。利用神經網絡進行故障診斷具有以下特點： 可用于系統模型未知或系統模型較為復雜，以及非線性系統的故障模式識別。 兼有故障信號的模式變換和特征提取功能。 對系統含有不確定因素、噪聲及輸入模式不完備的情況下不太敏感。 可用于離線診斷，也能適應實時監測的要求。典型的基于神經網絡模式識別功能的診斷系統結構如圖所示。圖1-1 基于神經網絡模式識別功能的診斷系統結構在圖中，基于神經網絡的診斷過程分為兩步。首先，基于一定數量的訓練樣本集（通常稱為“征兆故障”數據集）對神經網絡進行訓練，得到期望的診斷網絡；其次，根據當前診斷輸入對系統進行診斷，診斷的過程即為利用神經網絡進行前向計算的過程。在學

14、習和診斷之前，通常需要對診斷原始數據和訓練樣本數據進行適當的處理，包括預處理和特征選取提取等，目的是為診斷網絡提供合適的診斷輸入和訓練樣本。此外，盡管神經網絡和傳統的故障診斷是兩種不同的診斷方法，但兩者是緊密聯系在一起的。如采用頻譜分析等數據處理方法，可以為神經網絡診斷提供可以利用的特征向量。前向bp網絡學習算法屬于有導師型的。這種算法模型具有很好的推廣能力，用于故障模式識別的效果比較好。訓練好的bp網絡計算速度快、內存消耗低，可用于實時檢測和診斷。但是這種模型要求學習樣本具有一定的致密性、遍歷性和相容性，在實際工程中，有時候獲得這樣的樣本比較困難。利用bp網絡進行故障診斷的一般步驟和注意事項

15、如下：）確定合理的網絡結構和規模，尤其是網絡中間層神經元個數的選擇是網絡結構確定和網絡性能的關鍵。）確定訓練樣本集和測試集。訓練樣本集用于對網絡進行訓練，而測試集用于監測網絡訓練的效果和推廣能力。一般來說，訓練樣本集不僅應全面涵蓋所有故障模式類的數據，還應具有一定的代表性，同時還必須保證學習的有效性。測試樣本集的選擇應該滿足“交叉檢驗（cross validation）的原則。）根據訓練樣本集對網絡進行訓練，經過測試的訓練結果即為神經網絡故障診斷知識庫。）根據診斷輸入，利用bp網絡進行診斷。1.4 神經網絡特點神經網絡的基本屬性反映了神經網絡特點，主要表現在以下幾個方面。1.并行分布式處理神經

16、網絡具有高度的并行結構和并行實現能力，具有高速尋找優化解的能力，能夠發揮計算機的高速運算能力，可很快的找到優化解。2.非線性處理人腦的思維是非線性的，故神經網絡模擬人的思維也應是非線性的。這一特性有助于處理非線性問題。3.具有自學習能力通過對過去的歷史數據的學習，訓練出一個具有歸納全部數據的特定的神經網絡，自學習功能對于預測有特別重要的意義。1.5 神經網絡故障診斷實現步驟圖1-2 神經網絡故障診斷流程圖基于bp網絡的異步電動機故障診斷內容及步驟如圖1-2所示。具體內容及實現功能為：1.異步電動機建模：功能強大的matlab軟件中提供了相關電機建模的simulink功能模塊。2.故障設置：本文

17、主要針對三相異步電動機供電電路單相接地和兩相接地進行故障設置。3.特征量提取：運用matalb中powergui模塊分別對幾種故障的時域特性進行fft分析，4.數據分類和歸一化5.建立神經網絡:包括設置多少層網絡（一般為三層以內）、每層節點數（具體節點數，尚無科學的模型和公式方法確定，可采用試湊法，單輸出接點數應和輸出兩個數相等）、設置隱含層的傳遞函數等。6.網絡訓練：用合適訓練數據進行訓練。7.故障測試：完成訓練后就可以調用訓練結果，輸入測試數據，對異步電動機故障進行測試。第二章 神經網絡概述 人工神經網絡（artificial neural network,anns）,也稱為神經網絡（nn

18、s）,是模擬神經網絡進行信息處理的一種數學模型。它以對大腦的生理研究成果為基礎，其目的在于模擬大腦某些機理與機制，實現一些特定的功能。目前，人工神經網絡已應用于很多領域。本文主要應用bp神經網絡，并對bp網絡進行說明介紹。2.1 bp神經網絡bp網絡是一種多層前饋型神經網絡，其神經元的傳遞是s型函數，輸出量為0到1之間的連續量，它可以實現從輸入到輸出的任意非線性映射。由于權值的調整采用反向傳播學習算法，因此也常稱其為bp網絡（back propagation network）.目前，在人工神經網絡的實際應用中，絕大部分的神經網絡模型都采用bp網絡及其變化形式。它也是前向網絡的核心部分，體現了人

19、工神經網絡的精華。bp網絡主要用于以下四個方面。1）函數逼近：用輸入向量和相應的輸出向量訓練一個網絡逼近一個函數。2）模式識別：用一個待定的輸出向量將它與輸入向量聯系起來。3）分類：把輸入向量所定義的合適方式進行分類。4）數據壓縮：減少輸出向量維數以便于傳輸或存儲。2.2 bp網絡模型結構2.2.1 神經元模型圖2-1給出一個基本的bp神經元模型，它具有r個輸入，每個輸入都通過一個適當的權值w和下一層相連，網絡輸出可表示為圖2-1 bp神經元模型a=f(wp+b)f就是表示輸入/輸出關系的傳遞函數。 bp網絡中隱層神經元的傳遞函數通常用型函數logsig()、tansigmoid型函數tans

20、ig（）以及純線性函數purelin()。其傳遞函數如圖2-2所示。如果bp網絡的最后一層是sigmoid型神經元，那么整個網絡的輸出就限制在一個較小的范圍內；如果bp網絡的最后一層是purelin型線性神經元，那么整個網絡的輸出可以取任意值。圖2-2 神經元傳遞函數2.2.2 前饋型神經網絡 前饋型神經網絡通常有一個或多個隱層，隱層中的神經元均采用s型傳遞函數，輸出層的神經元采用線性傳遞函數。圖4-3所示就是一個典型的bp網絡結構，有一個隱層，隱層神經元數目為s，隱層采用s型神經元函數logsig()，具有r個輸入。隱層的非線性傳遞函數神經元可以學習輸入輸出之間的線性和非線性關系，線性輸出層

21、是為了拓寬網絡輸出。如果需要限定網絡輸出（例如約束在0和1之間），則可以采用s型傳遞函數（如logsig()等）。圖2-3 bp網絡結構2.3 bp網絡學習算法2.3.1 學習算法無論是函數逼近還是模糊識別，都必須對神經網絡進行訓練。訓練之前首先需要樣本，樣本中包含輸入向量p以及相應的輸出向量t,訓練過程中應不斷調整權值和閾值，使得神經網絡的表現函數達到最小。前饋神經網絡的表現函數默認為網絡輸出a和期望輸出向量t的均方差msa。bp網絡學習規則的指導思想是：對網絡權值和閾值的修正要沿著表現函數下降最快的方向負梯度方向。 （2-1） 式中，是當前的權值和閾值矩陣；是當前表現函數的梯度；ak是學習

22、效率。下面介紹bp算法的推到過程。假設三層bp網絡，輸入節點，隱層節點，輸出節點。輸入節點與隱層節點間的網絡權值為，隱層節點與輸出節點間的網絡權值為。當輸出節點的期望值為時，模型計算公式如下：隱層節點的輸出 （2-2）其中輸出節點的計算輸出 （2-3） 其中輸出節點的誤差 (2-4)誤差函數對輸出節點求導 （2-5）是多個的函數，但只有一個與有關，各間相互獨立，其中 則誤差函數對隱層節點求導 （2-6）是多個的函數，針對某一個，對應一個，它與所有有關，其中則設隱層節點誤差為 （2-7）由于權值的修正、正比于誤差函數沿梯度下降，則有式中，隱層節點誤差中的表示輸出節點的誤差通過權值向節點反向傳播成

23、為隱層節點的誤差。閾值的修正閾值也是變化值，在修正權值的同時也需要修正，原理同權值修正一樣。（）誤差函數對輸出節點閾值求導 （2-8）其中則閾值修正 （2-9）（）誤差函數對隱層節點閾值求導 （2-10）其中則閾值修正傳遞函數f()的導數型函數則 （2-11）對輸出節點對隱層節點求函數梯度有兩種方法：遞增和批處理。遞增模式，就是每增加一個輸入樣本，重新計算一次梯度并調整權值；批處理模式，就是利用所有的輸入樣本計算梯度，然后調整權值。2.3.2 神經網絡的實現過程bp神經網絡采用有指導的學習方式進行訓練和學習，即當一對學習模式提供給bp神經網絡后，神經元的激活值從輸入層經過隱含層向輸出層傳播，在

24、輸出層的各個神經元獲得網絡的輸出實際響應。通過比較輸出層各神經元的實際輸出和期望輸出，獲得二者之間的誤差，然后按照減小誤差的方向，從輸出層經各個隱含層并逐層修正各個連接權值，最后回到輸入層。這種“正向計算輸出-反向傳播誤差”的過程不斷重復進行，直至誤差降低至可以接受的范圍，bp神經網絡的學習訓練過程也就隨之結束。圖2-4 bp網絡學習過程第三章 異步電動機在matlab中的建模仿真及故障設置3.1 異步電動機在matlab中的建模三相異步電動機的工作原理是定子上對稱三相繞組中通以對稱三相交流電流時產生旋轉磁動勢及相應的旋轉磁場。這種旋轉磁場以同步轉速切割轉子繞組，則在轉子繞組中感應出電動勢及電

25、流（轉子繞組為閉合繞組），轉子電流與旋轉磁場相互作用產生點磁轉矩，使轉子旋轉。下面將對三相異步電動機進行建模與仿真，其中，三相異步電動機基本參數如下給出：工作電壓為380v；工作頻率為50hz；功率為15kw；額定轉速為1460r/min。三相異步電動機的建模與仿真步驟如下：3.1.1 選擇模塊首先建立一個新的simulink模型窗口，然后根據系統的描述選擇合適的模塊添加至模型窗口中。建立模型所需的模塊如下：1）選擇simpowersystems模塊庫的machines子模塊庫下的asynchronous machine si units模塊作為交流異步電動機。2）選擇simpowersyst

26、ems模塊庫的electrical sources子模塊下的three-phase programmable voltage source模塊作為三相交流電源。3）選擇simpowersystems模塊庫的three-phase library子模塊庫下的three-phaseseries rlc load模塊作為串聯rlc負載。4）選擇simpowersystems模塊庫的elements子模塊庫下的three-phase breaker模塊作為三相斷路器、ground模塊作為接地。5）選擇simpowersystems模塊庫的measureemeents子模塊庫下的voltage meas

27、urement模塊作為電壓測量。6）選擇sources模塊庫下的constant模塊作為負載輸入。7）選擇signal routing模塊庫下的bus selector模塊作為直流電動機輸出信號選擇器。8）選擇sinks模塊庫下的scope模塊。3.1.2 搭建模塊將所需模塊放置合適的位置，再將模塊從輸入端至輸出端進行相連，搭建完的串電阻起動simulink模型如圖3-1所示。圖3-1 三相異步電動機simulink仿真模型3.1.3 模塊參數設置（1）asynchronous machine si units模塊參數設置雙擊asynchronous machine si units模塊，彈出

28、對話框。三相異步電動機模塊的具體參數設置如圖3-2所示。 圖3-2 asynchronous machine si units模塊參數設置對話框（2）three-phase programmable voltage source模塊參數設置雙擊three-phase programmable voltage source模塊，彈出對話框。三相可調交流電壓源的具體參數設置如圖3-3所示。 圖3-3 three-phase programmable voltage source模塊參數設置對話框（3）three-phase series rlc load模塊參數設置雙擊three-phase se

29、ries rlc load模塊，彈出對話框。模塊地具體參數設置如圖3-4所示。 圖3-4 three-phase series rlc load模塊參數設置對話框（4）voltage measurement模塊參數設置 圖3-5 voltage measurement模塊參數設置對話框具體參數設置如圖3-5所示。（5）three-phase breaker模塊參數設置斷路器模塊的具體參數設置如圖3-6所示。 圖3-6 three-phase breaker模塊參數設置對話框（6）constant模塊參數設置將對話框中的常數設置為1，即異步電動機的負載為1.（7）bus selector模塊參數

30、設置在模型搭建完后，運行一次simulink,此時再雙擊bus selector模塊，會彈出如圖3-7所示的對話框，將待輸出信號從對話框左側的signal in the bus列表框內的信號選擇到右側的selected signals列表框內便可。圖3-7 bus selector模塊參數設置對話框（8）powergui模塊打開模塊powergui，從tools菜單中選擇fft analysis,對輸出結果的時域波形進行fft分析，得到數據。圖3-8 powergui模塊（9）scope模塊參數設置 圖3-9 scope模塊參數設置對話框（10）仿真參數設置及運行設置仿真參數的start ti

31、me(起始時間)為0、stop time（終止時間）為0.5，s olver option的步長選擇變步長variable-step,解算方法solve選擇ode23tb解算器，然后保存該系統模型并進行仿真運行。3.2 三相異步電動機故障設置及故障特征提取短路故障，是指不同相的導線間或相對地，發生金屬性的連接或經較小阻抗的連接. 電動機短路，通常發生在接線端子或繞組內部. 接線端子短路，是由于接線端松脫造成的單相偶然與殼體連接或兩相間偶然短路. 而繞組內部短路，又分為相間短路和匝間短路兩種. 相間短路包括繞組端部層間短路、槽內上下層線圈之間短路及繞組連接線或引出線絕緣損壞造成的相間短路. 匝間

32、短路包括一個線圈之間短路，一個極相組中的線圈之間短路及各極相組線圈間的短路，造成繞組短路的內部原因，是電動機絕緣有缺陷及導線本身絕緣不良或嵌線時絕緣受損. 電動機出現短路后，短路電流通常大于8 倍的額定電流以上. 短路電流使繞組迅速產生高熱，以致絕緣變色、焦脆、直至燒毀. 短路后果是嚴重的，因此短路故障出現時必須迅速切除。3.2.1 故障設置這里主要對接地性不對稱故障進行設置，具體包括單相接地短路和兩相接地短路。由于我國異步電動機的中性點不接地，在接地性不對稱故障中，將會出現零序電流分量。具體故障設置及框圖如圖3-10所示。具體故障為：單相接地短路：a相接地短路、b相接地短路、c相接地短路；兩

33、相接地短路：ab兩相接地短路、ac兩相接地短路、bc兩相接地短路。 圖3-9為a相接地短路故障時的建模，同樣道理對其他五項故障進行建模設置。仿真一個電路系統時，將simpowersystems模塊與simulink模塊連接，搭建一個電路方框圖，將模塊powergui放置于模塊圖的上方。對任意包含simpowersystems模塊的simulink模塊圖進行仿真時，模塊powergui都是必不可少的。圖3-10 a相接地短路故障狀態模型圖設置仿真參數的start time（起始時間）為0、stop time(終止時間)為0.5，solver options的步長選擇variable-step,解

34、算方法solve選擇ode23tb解算器，然后保存該系統模型并進行仿真運行。3.2.2 故障仿真這里主要選擇bp網絡對異步電動機外部故障中的一種，即供電線路單項短路（分別包括a、b、c三相）、兩相短路（包括ab、ac、bc）六種故障進行診斷仿真。總結出了電動機定子電流的故障特征，這些異常的運行狀態，會引起電動機定子電流超過其額定工作電流其六種故障仿真時域波形和頻域波形如圖所示。將powergui復制到仿真框圖中，初始化各種狀態變量，設置仿真參數，仿真并得出仿真結果。這里為了方便頻譜分析, 建立了以上仿真模型。3-11 異步電動機正常工作時轉子電流時域波形3-12 異步電動機正常工作時轉子電流f

35、ft分析圖3-13 異步電動機a相接地短路故障時域波形3-14 異步電動機a相接地短路故障fft分析圖3-15 異步電動機b相接地短路故障時域波形3-16 異步電動機b相接地短路故障fft分析圖3-17 異步電動機c相接地短路故障時域波形3-18 異步電動機相接地短路故障fft分析圖3-19 異步電動機ab相接地短路故障時域波形3-20 異步電動機ab兩相接地短路故障fft分析圖3-21 異步電動機ac相接地短路故障時域波形3-22 異步電動機ac兩相接地短路故障fft分析圖3-23 異步電動機bc相接地短路故障時域波形3-24 異步電動機bc兩相接地短路故障fft分析圖3.2.3 特征量提取

36、及預處理神經網路輸入的確定實際上就是特征量的選取，對于特征量的選取，主要考慮它是否與故障有比較確定的因果關系。1.特征數據采集對于故障特征的提取主要分別選取了0hz、24hz、50hz、76hz、100hz頻域下轉子轉矩電流的幾個特征量。 具體采集了三相異步電動機正常電壓下（即220v相電壓）工作時數據和電網波動時（240v相電壓）時數據分別作為訓練樣本、測試數據，對異步電動機進行故障診斷：表中從上到下各行數據依次表示：電動機無故障工作數據、a相供電線路接地短路數據、b相供電線路接地短路數據、c相供電線路接地短路數據、ab相供電線路接地短路數據、ac相供電線路接地短路數據、bc相供電線路接地短

37、路數據。1.220v時采集數據表3-1 三相異步電動機220v工作狀態原始數據146.101452.4103399.873372.451724.3695235.8971240.2465181.942130.5824362.3285315.4558183.3201232.5889146.0186299.5373432.566150.61680.1144128.6359296.9675153.8175532.86057001.0397625.2743332.1803654.1234210.189319232.282138.788155.4073714.872117.21362689.322551.

38、200619.3125表3-2 三相異步電動機240v工作狀態原始數據828.5861568.3113325.477871.229821.4681923.2527187.1596151.4981113.5484420.4743108.2272183.3209151.135104.5691303.7626119.0948236.789775.7823148.4791370.135912145.271498.91576689.5587583.382311.27781353.1659203.847616941.624133.374752.5581414.4836116.5332829.314948.

39、774117.51292.數據預處理獲得樣本數據向量后，由于其中這些數據具有不同的單位和量級，為了計算方便及防止部分神經元達到過飽和狀態，所以在輸入神經網絡之前應該首先進行歸一化處理。神經網絡的輸入量無法直接獲得，常常需要用信號處理方法與特征提取技術從原始數據中提取能反映其特征參數作為網絡的輸入。輸出量通常就是指為網絡訓練提供的期望輸出，一個網絡可以有多個輸出變量，其表示方法通常比輸入量容易得多，而且對網絡的精度和訓練時間影響也不大。對于本文的數值量輸出，可直接用數值量來表示，但由于網絡實際輸出只能是01或-11之間的數，所以需要將期望輸出進行尺度變化。利用matlab實現向量的歸一化過程，這

40、里將樣本數據都歸一化到（-1，1）之間的小數。主要是為了數據處理方便提出來的，把數據映射到01范圍之內處理，更加便捷快速，應該歸到數字信號處理范疇之內。在matlab中運用函數premnmx實現數據的歸一化。matlab命令為：x=premnmx(pp)x1=-0.8985 1.0000 0.7545 -0.7753 -1.0000-1.0000 0.2520 -0.1052 -0.4199 1.0000-1.0000 0.1818 0.5287 -0.0808 1.0000-1.0000 -0.1070 -0.6403 -0.2733 1.0000-1.0000 -0.8893 1.0000

41、 -0.8623 -0.9479-1.0000 -0.8893 1.0000 -0.8623 -0.9479-1.0000 -0.9837 1.0000 -0.9912 -0.9999-1.0000 -0.9235 1.0000 -0.9728 -0.9967x2=-0.9740 1.0000 0.1119 -0.8180 -1.0000 -1.0000 -0.1747 -0.3543 -0.5454 1.0000 -1.0000 0.1849 -0.0329 -0.3480 1.0000 -1.0000 0.2613 -0.6306 -0.2279 1.0000 -1.0000 -0.891

42、9 1.0000 -0.8661 -0.9493 -0.9999 -0.9821 1.0000 -0.9904 -1.0000 -1.0000 -0.9275 1.0000 -0.9756 -0.9978 接下來確定網絡的輸出模式，由于本次對三相異步電動機設置了7種故障模式，因此可以采用如下形式來表示輸出。無故障：(0,0,1)a相供電線路接地短路：（0,1,0）b相供電線路接地短路：（0,1,1）c相供電線路接地短路：（1,0,0）ab相供電線路接地短路:（1,0,1）ac相供電線路接地短路：(1,1,0)bc相供電線路接地短路：(1,1,1)第四章 故障診斷實例利用matlab的神經網絡工

43、具箱，介紹基于bp神經網絡的異步電動機故障診斷過程。相對地短路為不對稱故障，能引起電動機轉子的震動。4.1 bp神經網絡的構建1.構建神經網絡訓練神經網絡之前需要構造一個網絡構架，函數newff()就是用來構建神經網絡的。它需要四個輸入條件，依次是：由r維的輸入樣本最大最小值構成的r2維矩陣、各層的神經元個數、各層神經元的傳遞函數以及訓練用函數的名稱。假設需要構建一個兩層神經網絡，其輸入向量是二維的，輸入向量的范圍為-1 2;0 5,第一層（隱層）有三個神經元，傳遞函數是tansig();第二層（輸出層）是單個神經元，傳遞函數是線性的，訓練函數選擇traingd()。至此就生成了初始化待訓練的

44、神經網絡。2.權值初始化前饋型神經網絡在訓練之間必須要對權值和閾值進行初始化，newff()函數可以自動完成這一過程，但是無法重新賦初值。如果想重新初始化，可以應用init()函數，使神經網絡恢復初始化情況。4.2 bp網絡設計采用bp網絡進行故障診斷。將一個神經網絡模型的所有神經元按照功能分為若干層。一般有輸入層、隱含層和輸出層，各層順次連接。1）輸入層：連接外部輸入模式，并由各輸入單元傳送給相連的隱含層各單元。2）隱含層：是神經網絡的內部處理單元層。神經網絡所具有的模式變換能力（如模式分類、模式完善、特征提取等）主要體現在隱含層單元的處理能力上。根據模式變化功能的不同，隱含層可以有多層，也

45、可以一層沒有。3）輸出層：產生神經網絡的輸出模式。4.2.1 網絡創建bp網絡模型結構的確定有兩條比較重要的指導原則。對于一般的模式識別問題，三層網絡可以很好地被解決。三層網絡中，隱含層神經元個數和輸入層神經元個數之間有以下近似關系：由此，可按照如下的方式設計網絡，網絡的輸入層神經元個數為5個，輸出層神經元個數為3個，隱含層的神經元個數近似為11個。隱含層的神經元個數并不是固定的，需要經過實際訓練的檢驗來不斷調整。可利用以下代碼來創建剛剛設計的網絡。網絡的輸入向量范圍為-1,1，隱含層神經元的傳遞函數采用s型正切函數tansig(),輸出層神經元傳遞函數采用s型函數logsig(),這是由于輸

46、出模式為0-1，正好滿足網絡的輸出需求。threshold=-1 1;-1 1;-1 1;-1 1;-1 1;net=newff(threshold,11,3,tansig,logsig,trainlm); 其中，變量threshlod定義了輸入向量的最大值和最小值。網絡參數見表。表4-1 網絡參數訓練函數學習函數性能函數trainlm()learngdm()mse()4.2.2 網絡訓練與測試網絡訓練過程是一個不斷修正權值和閾值的過程，通過調整，使網絡的輸出誤差達到最小，滿足實際應用的要求。訓練函數trainlm()是利用levenberg-marquardt算法對網絡進行訓練，通過以下代碼

47、調用trainlm()。網絡的訓練從參數設置見表。 net.trainparam.epochs=1000;net.trainparam.goal=0.01;lp.lr=0.1;net=train(net,p,t); 其中，p和t分別為網絡的輸入向量和目標向量，p是從表中得到的。表4-2 訓練參數訓練次數訓練目標學習速率10000.010.1網絡訓練結果為trainlm, epoch 0/1000, mse 0.493845/0.01, gradient 1.19156/1e-010trainlm, epoch 25/1000, mse 0.0953709/0.01, gradient 0.01

48、06511/1e-010trainlm, epoch 33/1000, mse 0.00119753/0.01, gradient 0.130334/1e-010trainlm, performance goal met.可見，經過34次訓練后，網絡的性能達到了要求，如圖所示。圖4-1 訓練結果接下來需要對訓練好的網絡進行測試。利用6組新的數據作為網絡的測試數據，見表。表4-3 測試數據-0.9740 1.0000 0.1119 -0.8180 -1.0000 -1.0000 -0.1747 -0.3543 -0.54541.0000 -1.0000 0.1849 -0.0329 -0.348

49、0 1.0000 -1.0000 0.2613 -0.6306 -0.22791.0000 -1.0000 -0.8919 1.0000 -0.8661-0.9493-0.9999-0.9821 1.0000 -0.9904-1.0000 -1.0000 -0.9275 1.0000 -0.9756-0.9978測試代碼為 y=sim(net,p_test)測試結果一：y = 0.0007 0.0001 0.0000 0.9999 0.9454 1.0000 1.0000 0.0120 0.9901 0.9654 0.0143 0.0716 0.9948 0.96861.0000 0.2648

50、 1.0000 0.0000 1.0000 0.0652 0.8982測試結果二：y = 0.0069 0.0023 0.0003 0.3941 1.0000 1.0000 1.0000 0.0006 0.9761 0.9993 0.0000 0.1314 0.9997 0.9830 1.0000 0.0034 0.9996 0.9296 1.0000 0.0871 0.9766由以上測試結果可知：結果一故障測試準確率為100%，結果二中故障測試有一組數據發生錯誤。因此，可以判定，經過訓練后，網絡完全可以滿足異步電動機故障診斷的要求。結 論本文首先對三相異步電動機進行了介紹，并列舉了常見的故障

51、類型，針對供電線路接地短路設置故障，結合目前了解知識，采用檢測定子轉矩電流的方法來監測感應電動機是否正常運行，從而實現對電動機較的故障檢測。設計了一種基于bp神經網絡的故障診斷系統實現診斷功能。最終仿真和設計結果表明bp神經網絡技術可以快速、準確地診斷出異步電動機故障類型。體現了其在故障診斷方面的優點，不需要建立故障診斷的數學模型，只要輸入電機三相電壓和電流的有效值即可完成故障模式的辨識。這就使得系統采樣輸人數據類型大為減少，簡化了系統的設計，提高了故障診斷的可靠性。為提高故障診斷的準確性，還應加大網絡訓練的樣本數據量。本次設計采用了七種最為常見的故障模式進行了診斷，但是在實際生產過程中，三相異步電動機還可能發生其它故障，而本次設計沒有進行檢測，所以今后可以根據實際需要，適當地擴大故障模式的個數，進一步完善系統的診斷功能，以提高系統的性能；另外本文采用頻譜圖的方式來提取故障特征，這主要是通過傅立葉變換來實現的，這種方法的精度并不是很高，這有時會影響到系統的性能，故可以考慮使用較為精密的故障信號提取方法以提高系統的性能。參考文獻1 王忠賢主編.matlab建模與仿真應用m.北京：機械工業出版社，2010.8，196-2012 張德豐等編著.matlab神經網絡應用設計m.