【正文】 直接調(diào)用，用戶也可以將自己編寫的實用程序?qū)氲組ATLAB函數(shù)庫中方便自己以后調(diào)用。20世紀(jì)70年代后期，為Linpack和Eispack兩個矩陣運算的軟件包編寫了接口程序，從而為學(xué)生編寫Fortran程序減輕負(fù)擔(dān)，此即MATLAB的萌芽。當(dāng)時間邁入20世紀(jì)90年代時，MATLAB已經(jīng)成為國際公認(rèn)的標(biāo)準(zhǔn)計算軟件。（3） 面向?qū)ο缶幊毯徒Y(jié)構(gòu)化的控制功能。（7） 分門別類的工具箱是該軟件的另一大特點。如故障樹的方法、參數(shù)估計方法、狀態(tài)估計方法和等價空間方法等； （2）基于信號處理的方法?！　∽鳛楣收显\斷的一個分支，網(wǎng)絡(luò)故障診斷所使用的方法也可以分為上述的三種方法。 （2）Hopfield模型 1982年，這個網(wǎng)絡(luò)稱為Hopfield網(wǎng)絡(luò)模型，也稱Hopfield模型。當(dāng)有輸入之后，可以求取出Hopfield的輸出，這個輸出反饋到輸入從而產(chǎn)生新的輸出，這個反饋過程一直進(jìn)行下去。 ART是一種自組織神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，是無教師的學(xué)習(xí)網(wǎng)絡(luò)。 ，原有的信息和新信息如何處理，保留有用知識，接納新知識的關(guān)系如何及解決的問題。在大腦處理信息的過程中，聚類是其極其重要的功能。排序不是指神經(jīng)元位置的移動，而是指神經(jīng)元的有關(guān)參數(shù)在神經(jīng)網(wǎng)絡(luò)受外部輸入刺激而識別事物的過程中產(chǎn)生變動。 Kohonen的思想在本質(zhì)上是希望解決有關(guān)外界信息在人腦中自組織地形成概念的問題。由于神經(jīng)網(wǎng)絡(luò)是由可以自調(diào)整的神經(jīng)元組成；所以，可以自組織成對外界信息中某一種特征敏感的形式。在隱層中的神經(jīng)元也稱隱單元。其中，每個輸入節(jié)點對應(yīng)一種故障征兆輸入，相鄰層采用互聯(lián)方式連接，同層各神經(jīng)元之間沒有任何連接，輸出層與輸入層之間也沒有直接的聯(lián)系。 BP算法實質(zhì)是求取誤差函數(shù)的最小值問題?！　∪绻轭A(yù)先設(shè)定的誤差），則繼續(xù)進(jìn)行下一輪的學(xué)習(xí)以調(diào)整權(quán)值，反之網(wǎng)絡(luò)則停止學(xué)習(xí)?！　♂槍ι厦娴膯栴}，己經(jīng)有學(xué)者提出了在權(quán)值調(diào)整的時加入動量項，以降低網(wǎng)絡(luò)對誤差曲面局部細(xì)節(jié)的敏感性，有效抑制網(wǎng)絡(luò)陷入局部最小。對于每層有n個神經(jīng)元的時候，即有i。　　=（），以及對應(yīng)期望輸出Y=?！　。砂唇o定的最小誤差判別是否滿足要求。因此，拖拉機的很多故障出現(xiàn)于變速箱中齒輪及傳動軸等機械系統(tǒng)中。神經(jīng)網(wǎng)絡(luò)的自適應(yīng)、自學(xué)習(xí)和對非線性系統(tǒng)超強的分析能力注定它可以在齒輪箱的故障診斷中大顯身手。頻域中齒輪故障比較明顯的是在嚙合頻率處的邊緣帶上。它們都是已經(jīng)歸一化后的樣本數(shù)據(jù)。BP網(wǎng)絡(luò)是一個前向多層網(wǎng)絡(luò)，它利用誤差反向傳播算法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。函數(shù)類型函數(shù)名稱函數(shù)用途前向網(wǎng)絡(luò)創(chuàng)建函數(shù)newcf創(chuàng)建級聯(lián)前向網(wǎng)絡(luò)newff創(chuàng)建前向BP網(wǎng)絡(luò)newffd創(chuàng)建存在輸入延遲的前向網(wǎng)絡(luò)傳遞函數(shù)logsigS型的對數(shù)函數(shù)dlogsiglogsig的導(dǎo)函數(shù)tansigS型的正切函數(shù)dtansigtansig的導(dǎo)函數(shù)purelin純線性函數(shù)dpurelinpurelin的導(dǎo)函數(shù)學(xué)習(xí)函數(shù)learngd基于梯度下降法的數(shù)學(xué)函數(shù)learngdm梯度下降動量學(xué)習(xí)函數(shù)性能函數(shù)mse均方誤差函數(shù)msereg均方誤差規(guī)范化函數(shù)顯示函數(shù)plotperf繪制網(wǎng)絡(luò)的性能plotes繪制一個單獨神經(jīng)元的誤差曲面plotep繪制權(quán)值和閾值在誤差曲面上的位置errsurf計算單個神經(jīng)元的誤差曲面 BP網(wǎng)絡(luò)的常用函數(shù)表 BP網(wǎng)絡(luò)創(chuàng)建 這里采用BP網(wǎng)絡(luò)進(jìn)行故障診斷?？衫靡韵麓a來創(chuàng)建剛剛設(shè)計的網(wǎng)絡(luò)。0 1。0 1。0 1。0 1]。logsig39。其中，變量threshold定義了輸入向量的最大值和最小值。=。 訓(xùn)練參數(shù)訓(xùn)練次數(shù)訓(xùn)練目標(biāo)學(xué)習(xí)速率trainlmlearngdmmse網(wǎng)率訓(xùn)練結(jié)果為：TRAINLM, Epoch 4/1000, MSE , Gradient TRAINLM, Epoch 11/1000, MSE , Gradient TRAINLM, Epoch 12/1000, MSE , Gradient TRAINLM, Performance goal met　　可見，經(jīng)過12次訓(xùn)練后，網(wǎng)絡(luò)的性能就達(dá)到了要求。 測試數(shù)據(jù)數(shù)據(jù)序號特征樣本齒輪狀態(tài)10 無障礙11 齒根裂紋12 斷齒： 訓(xùn)練狀態(tài) 訓(xùn)練目標(biāo)測試代碼為： Y=sim（net,P_test）測試結(jié)果為： Y = 、可以看出，這些誤差是非常小的。% char trainlm。 。 。1 0 0。 0 0 1。0 1。0 1。0 1。0 1。,39。)。net=train(net,P,T)。　　Y=sim(net,P_test)　　結(jié) 論本次課題研究了利用神經(jīng)網(wǎng)絡(luò)工具箱來實現(xiàn)基于神經(jīng)網(wǎng)絡(luò)故障診斷，通過研究，使得神經(jīng)網(wǎng)絡(luò)工具箱從理論上升到了實際應(yīng)用。（3）特征提取是基于神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的關(guān)鍵問題，所提取的特征需要具有代表性和典型性，能夠表征系統(tǒng)的故障狀態(tài)。這樣既可以提高網(wǎng)絡(luò)的推理能力，又可提高泛化能力。t have to choose their standard . Show that dynamic reasoning methods, according to this reasoning environment results in the performance and fault tolerance is higher than any fixed method of reasoning.Neural network model (in the more general gradient) and neural network based on genetic algorithm (the most mon gradient based) and genetic algorithm is used for automatic design of the fuzzy system. The method based on neural network is mainly used to design the fuzzy membership functions. There are two main methods:(a) direct the multidimensional fuzzy membership function of the design:The method firstly determined by rules. The number of the database And then through the level of training to determine the membership function of each cluster. More details will be presented in chapter 2.(b) indirect multidimensional fuzzy membership function of the design:This approach by bining a onedimensional fuzzy membership function to construct multidimensional fuzzy membership functions. Membership function gradient technique is used to adjust try to reduce the expectations of fuzzy system output and the actual production of the required output error.The virtue of the first method is that it can directly produce nonlinear multidimensional fuzzy membership functions。 致 謝經(jīng)過了近三個月的不懈努力，本次畢業(yè)設(shè)計論文即將畫上圓滿的句號，至此我第一個要感謝的人就是我的指導(dǎo)老師老師，從課題的選擇到論文的最終完成，趙老師都給予了我細(xì)心的指導(dǎo)和支持，每周四都會和趙老師探討畢設(shè)的重點難點，在這里我真心的對趙運弢老師說一聲：老師謝謝您！在這畢業(yè)的季節(jié)，四年的讀書生活行將結(jié)束，然而對于我而言，我的人生卻只是一個嶄新的開始，我將面對又一次征程，前途或許通達(dá)，或許坎坷，但我相信只要是軍人就勢必要向前進(jìn)，順風(fēng)逆風(fēng)都改變不了我的決心！四年了，感謝在我困難的時候跟我一起咬著牙挺過來的朋友們，感謝在我無助的時候時刻提醒我的老師們，感謝給與我幸福溫馨對我寄托深厚希望的父母，感謝你們！ 同時我也想感謝學(xué)院領(lǐng)導(dǎo)老師為我們提供的良好的做畢業(yè)設(shè)計的環(huán)境，這一切都是我們?nèi)〉贸删偷那疤帷＃?）樣本的數(shù)量和質(zhì)量能夠在很大程度上影響神經(jīng)網(wǎng)絡(luò)的診斷精度。對于線性系統(tǒng)和非線性系統(tǒng)都有很好的跟蹤能力，因此可以準(zhǔn)確地識別出系統(tǒng)存在的故障。 。=。},39。net=newff(threshold,[31,3],{39。0 1。0 1。0 1。0 0 1]39。0 1 0。T=[1 0 0。 。 。 訓(xùn)練框圖本設(shè)計完整的MATLAB代碼如下：% char tansig?！　　　　　　　　　　　　　　　　　　　　　　　　　? 訓(xùn)練結(jié)果接下來需要對訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測試。net=train（net,P,T）?！　∮?xùn)練函數(shù)trainlm式利用LevenbergMarquardt算法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練的，通過以下代碼調(diào)用trainlm。trainlm39。tansig39。0 1。0 1。0 1。threshold=[0 1。（2） 三層網(wǎng)絡(luò)中，隱含層神經(jīng)元個數(shù)和輸入層神經(jīng)元個數(shù)之間有以下近似關(guān)系： 由此，可按照如下的方式設(shè)計網(wǎng)絡(luò)，網(wǎng)絡(luò)的輸入層神經(jīng)元個數(shù)為15個，輸出層神經(jīng)元個數(shù)為3個，隱含層的神經(jīng)元個數(shù)近似為31個。由于它的數(shù)學(xué)意義明確，學(xué)習(xí)算法步驟分明，使得應(yīng)用背景更加廣泛。 BP網(wǎng)絡(luò)工具箱函數(shù)BP網(wǎng)絡(luò)的全稱為BackPropagation Network，即反向傳播網(wǎng)絡(luò)。這樣一來，網(wǎng)絡(luò)的輸入就是一個15維的向量。統(tǒng)計表明，齒輪箱故障中有60%左右都是由齒輪故障導(dǎo)致的，所以這里只研究齒輪故障的診斷。但是，由于齒輪箱是一種非常復(fù)雜的傳動機構(gòu)，它的故障模式和特征量之間是一種非常復(fù)雜的非線性關(guān)系，再加上齒輪箱在不同工況下的隨機因素，所以專家的經(jīng)驗并不能解決所以的診斷問題?！　∵@個學(xué)習(xí)過程，對于任一給定的樣本XP=和期望輸出都要執(zhí)行，直到滿足所有輸入輸出要求為止?！　　！　∷惴ǖ膱?zhí)行的步驟如下；　　?！　∵@個改進(jìn)，是能有效的加速BP神經(jīng)網(wǎng)絡(luò)的收斂?！　∩厦娴囊幌盗泄矫枋龅氖墙?jīng)典的BP神經(jīng)網(wǎng)絡(luò)算法，但是該算法在調(diào)節(jié)網(wǎng)絡(luò)連接權(quán)值時，每次均是以一個與網(wǎng)絡(luò)誤差函數(shù)或其對權(quán)值導(dǎo)數(shù)大小成正比的固定因子（學(xué)習(xí)步長）進(jìn)行的，這樣，在誤差曲面較平坦處，由于這一偏導(dǎo)數(shù)值較小，因而權(quán)值參數(shù)的調(diào)節(jié)幅度也較小，以至于需要經(jīng)過多次調(diào)整才能將誤差函數(shù)曲面降低；而在誤差曲面較高曲率處，偏導(dǎo)數(shù)較大，權(quán)值參數(shù)調(diào)節(jié)的幅度也較大，以至在誤差函數(shù)最小點附近發(fā)生過沖現(xiàn)象，使權(quán)值調(diào)節(jié)路徑變?yōu)殇忼X形，難以收斂到最小點，導(dǎo)致BP算法收斂速度慢?！　P神經(jīng)網(wǎng)絡(luò)的第k層中第j個神經(jīng)元具有如下輸入輸出關(guān)系：　　 （）（k=1，2，...，M；j=1，2，...，）　　式（）中，為第kl層的第i個節(jié)點到該節(jié)點的連接權(quán)值；為該神經(jīng)元的閾值；為第k1層第i個節(jié)點的輸出；為節(jié)點作用函數(shù)；為第k層節(jié)點數(shù)；M為總層數(shù)。如果誤差不符合要求, 將誤差沿輸入相反的方向進(jìn)行傳播并沿誤差降低方向調(diào)節(jié)權(quán)值和函數(shù)的閾值。這也就是說，改變隱含層的權(quán)系數(shù)，可以改變整個多層神經(jīng)網(wǎng)絡(luò)的性能。isω（1，1） BP網(wǎng)絡(luò)中的神經(jīng)元模型 a BP網(wǎng)絡(luò)中的神經(jīng)元模型 ，它具有R個輸入，每個輸入都通過一個適當(dāng)?shù)臋?quán)值與神經(jīng)元相連接，神經(jīng)元的輸出可以表示成： （）　　BP網(wǎng)絡(luò)中基本神經(jīng)元的激活函數(shù)必須處處可微，所以經(jīng)常使用S型的對數(shù)或正切激活函數(shù)，或者是線性函數(shù)。這包括神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)調(diào)整。 ，大腦皮層分成多種不同的局部區(qū)域，各個區(qū)域分別管理某種專門的功能，比如聽覺、視覺、思維等。 依據(jù)大腦對信號處理的特點，在1981年，也就是自組織特征映射模型SOM（Seh—Organi