【正文】 內(nèi)蒙古工業(yè)大學(xué)本科畢業(yè)設(shè)計(jì)說明書基于神經(jīng)網(wǎng)絡(luò)異步電動(dòng)機(jī)故障診斷畢業(yè)論文目 錄第一章 緒 論 1 異步電動(dòng)機(jī)工作原理及用途 1 異步電動(dòng)機(jī)常見故障類型及方法 1 異步電動(dòng)機(jī)常見故障類型 1 故障診斷方法 1 神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用 2 神經(jīng)網(wǎng)絡(luò)特點(diǎn) 3 神經(jīng)網(wǎng)絡(luò)故障診斷實(shí)現(xiàn)步驟 4第二章 神經(jīng)網(wǎng)絡(luò)概述 5 BP神經(jīng)網(wǎng)絡(luò) 5 BP網(wǎng)絡(luò)模型結(jié)構(gòu) 5 神經(jīng)元模型 5 前饋型神經(jīng)網(wǎng)絡(luò) 6 BP網(wǎng)絡(luò)學(xué)習(xí)算法 7 學(xué)習(xí)算法 7 神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)過程 11第三章 異步電動(dòng)機(jī)在MATLAB中的建模仿真及故障設(shè)置 12 異步電動(dòng)機(jī)在MATLAB中的建模 12 選擇模塊 12 搭建模塊 12 模塊參數(shù)設(shè)置 13 三相異步電動(dòng)機(jī)故障設(shè)置及故障特征提取 16 故障設(shè)置 17 故障仿真 18 特征量提取及預(yù)處理 23第四章 故障診斷實(shí)例 26 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建 26 BP網(wǎng)絡(luò)設(shè)計(jì) 26 網(wǎng)絡(luò)創(chuàng)建 26 網(wǎng)絡(luò)訓(xùn)練與測(cè)試 27結(jié) 論 30參考文獻(xiàn) 31附 錄 33致 謝 36第一章 緒 論 異步電動(dòng)機(jī)工作原理及用途三相異步電動(dòng)機(jī)也被稱作感應(yīng)電動(dòng)機(jī)，當(dāng)其定子側(cè)通入電流以后，部分磁通將穿過短路環(huán)，并在短路環(huán)內(nèi)產(chǎn)生感應(yīng)電流。短路環(huán)內(nèi)的電流阻礙磁通的變化，致使有短路環(huán)部分和沒有短路環(huán)部分產(chǎn)生的磁通有了相位差，從而形成旋轉(zhuǎn)磁場(chǎng)。轉(zhuǎn)子繞組因與磁場(chǎng)間存在著相對(duì)運(yùn)動(dòng)而感生電動(dòng)勢(shì)和感應(yīng)電流，即旋轉(zhuǎn)磁場(chǎng)與轉(zhuǎn)子存在相對(duì)轉(zhuǎn)速，并與磁場(chǎng)相互作用產(chǎn)生電磁轉(zhuǎn)矩，使轉(zhuǎn)子轉(zhuǎn)起來，從而實(shí)現(xiàn)能量轉(zhuǎn)換。三相異步電動(dòng)機(jī)具有結(jié)構(gòu)簡單，成本較低，制造、使用和維護(hù)方便，運(yùn)行可靠以及質(zhì)量較小等優(yōu)點(diǎn)，從而被廣泛應(yīng)用于家用電器、電動(dòng)縫紉機(jī)、食品加工機(jī)以及各種電動(dòng)工具、小型機(jī)電設(shè)備中,在工農(nóng)業(yè)、交通運(yùn)輸、國防工業(yè)以及其他各行各業(yè)中應(yīng)用也非常廣泛。 異步電動(dòng)機(jī)常見故障類型及方法 異步電動(dòng)機(jī)常見故障類型常見的兩種故障：定子部分故障和轉(zhuǎn)子部分故障。轉(zhuǎn)子故障是因?yàn)殡姍C(jī)頻繁啟動(dòng)和過載運(yùn)行使轉(zhuǎn)子導(dǎo)條和端環(huán)易產(chǎn)生疲勞，使之逐漸產(chǎn)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(nèi)部放電、匝間短路、相間短路和單相對(duì)地短路等。具體故障表現(xiàn)為過載、堵轉(zhuǎn)、斷相、電壓不平衡、接地、過壓、欠壓等幾種類型。過載和堵轉(zhuǎn)將導(dǎo)致電機(jī)電流的增加和電機(jī)過熱，斷相和電壓不平衡將會(huì)引起正序、負(fù)序電流的增長，這些故障都將使電機(jī)產(chǎn)生大量熱量；接地將在定子電流中出現(xiàn)零序分量，在傳統(tǒng)保護(hù)中是利用檢測(cè)零序分量的方法來識(shí)別接地故障的；過壓會(huì)損壞電機(jī)絕緣。短路故障包括供電線路的短路與電動(dòng)機(jī)內(nèi)部各繞組間對(duì)稱的斷路。電動(dòng)機(jī)的短路會(huì)發(fā)生熱破壞，在嚴(yán)重情況下將同時(shí)發(fā)生力破壞，二者形成惡性循環(huán)，造成嚴(yán)重的安全事故。 故障診斷方法三相異步電動(dòng)機(jī)故障診斷方法主要有以下幾種： (1)基于信號(hào)變換的故障診斷方法；(2)基于專家系統(tǒng)的故障診斷方法；該方法是根據(jù)被診斷系統(tǒng)的專家以往經(jīng)驗(yàn)，將其歸納成規(guī)則，并運(yùn)用經(jīng)驗(yàn)規(guī)則通過規(guī)則推理來進(jìn)行故障診斷。(3)基于模糊理論的故障診斷方法；通常電機(jī)的某些狀態(tài)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(jīng)網(wǎng)絡(luò)（ANN）的故障診斷方法。 神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用神經(jīng)網(wǎng)絡(luò)作為一種自適應(yīng)的模式識(shí)別技術(shù)，并不需要預(yù)先給出有關(guān)模式的經(jīng)驗(yàn)知識(shí)和判別函數(shù)，它通過自身的學(xué)習(xí)機(jī)制自動(dòng)形成所要求的決策區(qū)域。網(wǎng)絡(luò)的特性有其拓?fù)浣Y(jié)構(gòu)、神經(jīng)元特征、學(xué)習(xí)和訓(xùn)練規(guī)則所決定。它可以充分利用狀態(tài)信息，對(duì)來自于不同狀態(tài)的信息逐一進(jìn)行訓(xùn)練而獲得某種映射關(guān)系。而且網(wǎng)絡(luò)可以連續(xù)學(xué)習(xí)，如果環(huán)境發(fā)生改變，這種映射關(guān)系還可以自適應(yīng)地進(jìn)行調(diào)整。因此，神經(jīng)網(wǎng)絡(luò)由于自身的特性，在故障模式識(shí)別領(lǐng)域中有著越來越廣泛的應(yīng)用。下面以單隱層BP網(wǎng)絡(luò)為例，介紹基于神經(jīng)網(wǎng)絡(luò)的故障診斷的方法和特點(diǎn)。其中，網(wǎng)絡(luò)的輸入節(jié)點(diǎn)對(duì)應(yīng)著故障征兆，輸出節(jié)點(diǎn)對(duì)應(yīng)著故障原因。首先利用一組故障樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以確定網(wǎng)絡(luò)的結(jié)構(gòu)（中間層的傳遞函數(shù)和神經(jīng)元數(shù)目）和參數(shù)（神經(jīng)元時(shí)間的連接權(quán)值和閾值）。網(wǎng)絡(luò)訓(xùn)練完畢后，故障的模式分類就是根據(jù)給定的一組征兆，實(shí)現(xiàn)征兆集到故障集之間的非線性映射的過程。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷具有以下特點(diǎn)：● 可用于系統(tǒng)模型未知或系統(tǒng)模型較為復(fù)雜，以及非線性系統(tǒng)的故障模式識(shí)別?！?兼有故障信號(hào)的模式變換和特征提取功能。● 對(duì)系統(tǒng)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(yīng)實(shí)時(shí)監(jiān)測(cè)的要求。典型的基于神經(jīng)網(wǎng)絡(luò)模式識(shí)別功能的診斷系統(tǒng)結(jié)構(gòu)如圖所示。圖11 基于神經(jīng)網(wǎng)絡(luò)模式識(shí)別功能的診斷系統(tǒng)結(jié)構(gòu)在圖中，基于神經(jīng)網(wǎng)絡(luò)的診斷過程分為兩步。首先，基于一定數(shù)量的訓(xùn)練樣本集（通常稱為“征兆－故障”數(shù)據(jù)集）對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到期望的診斷網(wǎng)絡(luò)；其次，根據(jù)當(dāng)前診斷輸入對(duì)系統(tǒng)進(jìn)行診斷，診斷的過程即為利用神經(jīng)網(wǎng)絡(luò)進(jìn)行前向計(jì)算的過程。在學(xué)習(xí)和診斷之前，通常需要對(duì)診斷原始數(shù)據(jù)和訓(xùn)練樣本數(shù)據(jù)進(jìn)行適當(dāng)?shù)奶幚恚A(yù)處理和特征選?。崛〉龋康氖菫樵\斷網(wǎng)絡(luò)提供合適的診斷輸入和訓(xùn)練樣本。此外，盡管神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的故障診斷是兩種不同的診斷方法，但兩者是緊密聯(lián)系在一起的。如采用頻譜分析等數(shù)據(jù)處理方法，可以為神經(jīng)網(wǎng)絡(luò)診斷提供可以利用的特征向量。前向BP網(wǎng)絡(luò)學(xué)習(xí)算法屬于有導(dǎo)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(shí)別的效果比較好。訓(xùn)練好的BP網(wǎng)絡(luò)計(jì)算速度快、內(nèi)存消耗低，可用于實(shí)時(shí)檢測(cè)和診斷。但是這種模型要求學(xué)習(xí)樣本具有一定的致密性、遍歷性和相容性，在實(shí)際工程中，有時(shí)候獲得這樣的樣本比較困難。利用BP網(wǎng)絡(luò)進(jìn)行故障診斷的一般步驟和注意事項(xiàng)如下：１）確定合理的網(wǎng)絡(luò)結(jié)構(gòu)和規(guī)模，尤其是網(wǎng)絡(luò)中間層神經(jīng)元個(gè)數(shù)的選擇是網(wǎng)絡(luò)結(jié)構(gòu)確定和網(wǎng)絡(luò)性能的關(guān)鍵。２）確定訓(xùn)練樣本集和測(cè)試集。訓(xùn)練樣本集用于對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，而測(cè)試集用于監(jiān)測(cè)網(wǎng)絡(luò)訓(xùn)練的效果和推廣能力。一般來說，訓(xùn)練樣本集不僅應(yīng)全面涵蓋所有故障模式類的數(shù)據(jù)，還應(yīng)具有一定的代表性，同時(shí)還必須保證學(xué)習(xí)的有效性。測(cè)試樣本集的選擇應(yīng)該滿足“交叉檢驗(yàn)（Cross Validation）＂的原則。３）根據(jù)訓(xùn)練樣本集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)過測(cè)試的訓(xùn)練結(jié)果即為神經(jīng)網(wǎng)絡(luò)故障診斷知識(shí)庫。４）根據(jù)診斷輸入，利用BP網(wǎng)絡(luò)進(jìn)行診斷。 神經(jīng)網(wǎng)絡(luò)特點(diǎn)神經(jīng)網(wǎng)絡(luò)的基本屬性反映了神經(jīng)網(wǎng)絡(luò)特點(diǎn)，主要表現(xiàn)在以下幾個(gè)方面。神經(jīng)網(wǎng)絡(luò)具有高度的并行結(jié)構(gòu)和并行實(shí)現(xiàn)能力，具有高速尋找優(yōu)化解的能力，能夠發(fā)揮計(jì)算機(jī)的高速運(yùn)算能力，可很快的找到優(yōu)化解。人腦的思維是非線性的，故神經(jīng)網(wǎng)絡(luò)模擬人的思維也應(yīng)是非線性的。這一特性有助于處理非線性問題。通過對(duì)過去的歷史數(shù)據(jù)的學(xué)習(xí)，訓(xùn)練出一個(gè)具有歸納全部數(shù)據(jù)的特定的神經(jīng)網(wǎng)絡(luò)，自學(xué)習(xí)功能對(duì)于預(yù)測(cè)有特別重要的意義。 神經(jīng)網(wǎng)絡(luò)故障診斷實(shí)現(xiàn)步驟圖12 神經(jīng)網(wǎng)絡(luò)故障診斷流程圖基于BP網(wǎng)絡(luò)的異步電動(dòng)機(jī)故障診斷內(nèi)容及步驟如圖12所示。具體內(nèi)容及實(shí)現(xiàn)功能為：：功能強(qiáng)大的MATLAB軟件中提供了相關(guān)電機(jī)建模的Simulink功能模塊。：本文主要針對(duì)三相異步電動(dòng)機(jī)供電電路單相接地和兩相接地進(jìn)行故障設(shè)置。：運(yùn)用MATALB中Powergui模塊分別對(duì)幾種故障的時(shí)域特性進(jìn)行FFT分析，:包括設(shè)置多少層網(wǎng)絡(luò)（一般為三層以內(nèi)）、每層節(jié)點(diǎn)數(shù)（具體節(jié)點(diǎn)數(shù)，尚無科學(xué)的模型和公式方法確定，可采用試湊法，單輸出接點(diǎn)數(shù)應(yīng)和輸出兩個(gè)數(shù)相等）、設(shè)置隱含層的傳遞函數(shù)等。：用合適訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練。：完成訓(xùn)練后就可以調(diào)用訓(xùn)練結(jié)果，輸入測(cè)試數(shù)據(jù)，對(duì)異步電動(dòng)機(jī)故障進(jìn)行測(cè)試。第二章 神經(jīng)網(wǎng)絡(luò)概述 人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network,ANNs）,也稱為神經(jīng)網(wǎng)絡(luò)（NNs）,是模擬神經(jīng)網(wǎng)絡(luò)進(jìn)行信息處理的一種數(shù)學(xué)模型。它以對(duì)大腦的生理研究成果為基礎(chǔ)，其目的在于模擬大腦某些機(jī)理與機(jī)制，實(shí)現(xiàn)一些特定的功能。目前，人工神經(jīng)網(wǎng)絡(luò)已應(yīng)用于很多領(lǐng)域。本文主要應(yīng)用BP神經(jīng)網(wǎng)絡(luò)，并對(duì)BP網(wǎng)絡(luò)進(jìn)行說明介紹。 BP神經(jīng)網(wǎng)絡(luò)BP網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的傳遞是S型函數(shù)，輸出量為0到1之間的連續(xù)量，它可以實(shí)現(xiàn)從輸入到輸出