電子電路故障診斷系統設計畢業論文(編輯修改稿)

　

【文章內容簡介】 在下面的實例中共用這一輸出模式。 BP神經網絡的設計BP神經網絡主要包含以下幾部分，主要有輸入層, 隱層, 輸出層，及各層間的傳輸函數等[10]。(1) 網絡層數：顧名思義，網絡層數指的是一個神經網絡包含的分層數，而大部分的神經網絡都有著固定的網絡層數，但這里研究的BP神經網絡的層數卻是不固定的，相同，其隱含層是可以進行設置更改的。BP網絡隱含層數的變化會影響著故障診斷的準確性，但往往選擇的層數都不會過大，一般兩層或兩層以下。(2)輸入層的節點數：輸入層起緩沖存儲器的作用, 它的功能是當有數據進行輸入時,其進行接收，樣本輸入數據的維數決定著輸入的節點數，有幾維就會有對應的幾個輸入節點。在本課題研究的故障診斷中，因為研究的是個5維的輸入，故輸入節點就是5個。（3）輸出層的節點數：輸出層節點數取決于兩個方面, 輸出數據類型和表示該類型所需要的數據大小。當BP網絡用于模式分類時, 以二進制形式來表示不同模式輸出結果, 輸出層的節點數可根據待分類模式數確定。（4）隱層節點數：隱層節點數的確定直接會導致訓練的成敗，節點太多會導致學習時間過長。太少又會導致識別能力過低，所以在構造網絡時，需要選擇合適的隱層節點數。常見的經驗公式有： ()式中: n為隱層節點數。 ni 為輸入節點數。 n0 為輸出節點數。 a為110之間的常數。 （5）網絡隱含層數及隱含層神經元數的確定：目前來說沒有固定的公式或者規律去確定網絡隱含層數及隱含層神經元數，而確定這兩個參數又至關重要，時刻影響著網絡的擬合能力。根據日常研究總結出的規律如下[11]： ①不管研究的問題多復雜，首先用一個隱含層來嘗試訓練效果；②隱含層神經元數越多，神經網絡的學習就會越慢，故建議神經元數盡量小點；③隱含層神經元數先從一個開始訓練，然后再嘗試兩個或三個的情況，當達到訓練滿意的結果終止。以下是日常研究總結出的確定隱含層神經元數的經驗公式： （） （） （） （）式中，S為隱含層神經元數，n為輸入層神經元數，m為輸出層神經元數，σ為 1～10 之間的常數。 BP神經網絡的工具箱函數1. BP網絡創建函數（1) newff該函數用于創建一個BP網絡。調用格式為：net=newffnet=newff(PR,[S1 S2..SN1],{TF1 TF2..TFN1},BTF,BLF,PF)其中，net=newff。用于在對話框中創建一個BP網絡。net為創建的新BP神經網絡；PR為網絡輸入向量取值范圍的矩陣；[S1 S2…SN1]表示網絡隱含層和輸出層神經元的個數；{TF1 TF2…TFN1}表示網絡隱含層和輸出層的傳輸函數，默認為‘tansig’；BTF表示網絡的訓練函數，默認為‘trainlm’；BLF表示網絡的權值學習函數，默認為‘learngdm’；PF表示性能數，默認為‘mse’。 （2）newcf函數用于創建級聯前向BP網絡，newfftd函數用于創建一個存在輸入延遲的前向網絡。2. 神經元上的傳遞函數傳遞函數是搭建BP神經網絡的橋梁。其要求是此傳遞函數必須連續可微。常見的BP神經網絡多采用下列函數： （1) logsig該傳遞函數為S型的對數函數。調用格式為：A=logsig（N）info=logsig（code）其中， N：Q個S維的輸入列向量；A：函數返回值，位于區間（0，1）中；（2）tansig該函數為雙曲正切S型傳遞函數。調用格式為：A=tansig（N）info=tansig（code）其中，N：Q個S維的輸入列向量；A：函數返回值，位于區間（1，1）之間。（3）purelin該函數為線性傳遞函數。調用格式為：A=purelin（N）info=purelin（code）其中，N：Q個S維的輸入列向量；A：函數返回值，A=N。1）learngd該函數為梯度下降權值/閾值學習函數，它通過神經元的輸入和誤差，以及權值和閾值的學習效率，來計算權值或閾值的變化率。調用格式為：[dW,ls]=learngd(W,P,Z,N,A,T,E,gW,gA,D,LP,LS)[db,ls]=learngd(b,ones(1,Q),Z,N,A,T,E,gW,gA,D,LP,LS)info=learngd(code)2) learngdm函數為梯度下降動量學習函數，它利用神經元的輸入和誤差、權值或閾值的學習速率和動量常數，來計算權值或閾值的變化率。train神經網絡訓練函數，調用其他訓練函數，對網絡進行訓練。該函數的調用格式為：[net,tr,Y,E,Pf,Af]=train(NET,P,T,Pi,Ai)[net,tr,Y,E,Pf,Af]=train(NET,P,T,Pi,Ai,VV,TV) traingd函數為梯度下降BP算法函數。traingdm函數為梯度下降動量BP算法函數。BP神經網絡訓練的部分代碼如下：xn_train = n1。 %訓練樣本dn_train = x1。 %訓練目標xn_test = n2。 %測試樣本dn_test = x2。 %測試目標NodeNum =10。 %隱層節點數TypeNum =5。 %輸出維數p1 = xn_train。 %訓練輸入t1 = dn_train。 %訓練輸出Epochs = 1000。 %訓練次數P = xn_test。 %測試輸入T = dn_test。 %測試輸出 = Epochs。 %最大訓練次數 = 1e8。 %最小均方誤差 = 1e20。 %最小梯度 = 200。 %訓練顯示間隔 = inf。 %最大訓練時間Result = ~sum(abs(Xx2)) %正確分類顯示為1Percent = sum(Result)/length(Result)%正確分類率 SallenKey低通濾波器的故障診斷 由于數據龐大,我們選取了其中的SF0,SF1,SF3,SF5,SF8進行研究。例如，把SF1故障模式的故障信號導入到MATLAB中，按照上述分析的方法提取故障特征的平均值（mean）、最大值（max）、最小值（min）、方差（var）、偏度（skewness）、峭度（kurtosis），得出的數據為n=[ ]表示出了SF1中20組數據的上述六種指標。同理，得到其它4種模式的輸入，輸出樣本集。這樣就得到了20組用于訓練和測試的原始數據樣本集。輸出樣本集采用“0—1表示法，期望輸出為x,即為：x=[1，0，0，0，0；0，1，0，0，0；0，0，1，0，0；0，0，0，1，0；0，0，0，0，1]我們經過1000次的訓練調整，分類率在90%。1111111111000000000000000000000000011111111100000000000000000000000001111110000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000111110000000000000000000000000111111111100000000000000000000000001111111111111111111100000000000000000000000001111111111000000000000000000000000011111000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000011111000000000000