《基于BP神经网络的风机故障诊断-论文.pptVIP

基于神经网络的风机故障诊断研究 题 目 :基于神经网络的风机故障诊断研究 班 级 : 姓 名 : 指导教师 : 学 号 : Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 风力发电机作为风能转化为电能的基础设施在整个风力发电系统中有着举足轻重的作用，又因为滚动轴承在风力发电机组中也有着广泛的应用。因此对滚动轴承进行准确、及时的故障诊断是工程应用中非常重视的问题。 一、课题研究的目的及意义 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 二、滚动轴承的故障机理 1、滚动轴承在风机上的应用 （1）偏航系统轴承 （2）变桨距系统轴承 （3）传动系统轴承 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 2、滚动轴承故障特征 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 三、基于神经网络的滚动轴承故障诊断 1、时域参数的选取 本文选取了峰值因数、峭度、脉冲因子、波形因子、裕度因子等五个无量纲的时域输入参数。 2、频域参数的选取 本文研究中选用了均方根频率和频率标准差两个频域参数作为滚动轴承的故障BP神经网络诊断系统的输入参数。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 3、BP神经网络模型的构建 （1）输入层节点数 本文选取了七个故障特征参数，故输入层节点数为7。 （2）输出层节点数 滚动轴承故障分为外圈故障、内圈故障、滚动体故障，故输出层节点数为3。 （3）隐层数和隐层节点数 一个三层的基于BP算法的神经网络可以完成任意的n维到m维的映射。所以本文选取网络隐层数为1。 目前对隐层节点数的选取尚无统一标准，通过综合比较后选取隐层节点数为17。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 4、样本的选取 (1)选取边界样本 （2）删除矛盾样本 （3）样本集应充满整个样本空间 正常轴承训练样本的输出均为(0，0，0) 外圈故障轴承输出均为(1，0，0) 内圈故障轴承输出均为(0，1，0) 滚动体故障轴承输出均为(0，0，1)。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 5、数据的处理 （1）输入数据的归一化处理 对网络训练所需要的原始数据进行初始化处理，使它们转化为分布在[0，1]区间范围内的数据。 （2）输出诊断结果的再处理 当结果小于0.1(如0.0518)，则判断其为0； 当结果大于0.9(如0.918)，则判断其为1； 对于处于[0.1，0.9]区间内的数据判断为0.5 (认为该结果无意义，拒判)。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 6 、神经网络的训练 （1）特征性训练 （2）适应性训练 Evaluation only. Created with Asp