【正文】 。1 1]。 。1 1。 。},39。T=[0 0 1。表43 測試數(shù)據(jù) 測試代碼為 Y=sim(net,P_test)測試結(jié)果一：Y = 測試結(jié)果二：Y = 由以上測試結(jié)果可知：結(jié)果一故障測試準確率為100%，結(jié)果二中故障測試有一組數(shù)據(jù)發(fā)生錯誤。},39。3）輸出層：產(chǎn)生神經(jīng)網(wǎng)絡的輸出模式。相對地短路為不對稱故障，能引起電動機轉(zhuǎn)子的震動。 故障仿真這里主要選擇BP網(wǎng)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。 圖33 ThreePhase Programmable Voltage Source模塊參數(shù)設置對話框（3）ThreePhase Series RLC Load模塊參數(shù)設置雙擊ThreePhase Series RLC Load模塊，彈出對話框。這種旋轉(zhuǎn)磁場以同步轉(zhuǎn)速切割轉(zhuǎn)子繞組，則在轉(zhuǎn)子繞組中感應出電動勢及電流（轉(zhuǎn)子繞組為閉合繞組），轉(zhuǎn)子電流與旋轉(zhuǎn)磁場相互作用產(chǎn)生點磁轉(zhuǎn)矩，使轉(zhuǎn)子旋轉(zhuǎn)。圖23 BP網(wǎng)絡結(jié)構(gòu) BP網(wǎng)絡學習算法 學習算法無論是函數(shù)逼近還是模糊識別，都必須對神經(jīng)網(wǎng)絡進行訓練。 BP神經(jīng)網(wǎng)絡BP網(wǎng)絡是一種多層前饋型神經(jīng)網(wǎng)絡，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，它可以實現(xiàn)從輸入到輸出的任意非線性映射。４）根據(jù)診斷輸入，利用BP網(wǎng)絡進行診斷。典型的基于神經(jīng)網(wǎng)絡模式識別功能的診斷系統(tǒng)結(jié)構(gòu)如圖所示。 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(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，將其歸納成規(guī)則，并運用經(jīng)驗規(guī)則通過規(guī)則推理來進行故障診斷。轉(zhuǎn)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(zhuǎn)磁場與轉(zhuǎn)子存在相對轉(zhuǎn)速，并與磁場相互作用產(chǎn)生電磁轉(zhuǎn)矩，使轉(zhuǎn)子轉(zhuǎn)起來，從而實現(xiàn)能量轉(zhuǎn)換。它可以充分利用狀態(tài)信息，對來自于不同狀態(tài)的信息逐一進行訓練而獲得某種映射關(guān)系。如采用頻譜分析等數(shù)據(jù)處理方法，可以為神經(jīng)網(wǎng)絡診斷提供可以利用的特征向量。通過對過去的歷史數(shù)據(jù)的學習，訓練出一個具有歸納全部數(shù)據(jù)的特定的神經(jīng)網(wǎng)絡，自學習功能對于預測有特別重要的意義。2）模式識別：用一個待定的輸出向量將它與輸入向量聯(lián)系起來。下面介紹BP算法的推到過程。3）選擇SimPowerSystems模塊庫的ThreePhase Library子模塊庫下的ThreePhaseSeries RLC Load模塊作為串聯(lián)RLC負載。圖37 Bus Selector模塊參數(shù)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(jié)果的時域波形進行FFT分析，得到數(shù)據(jù)。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(zhuǎn)子轉(zhuǎn)矩電流的幾個特征量。第二層（輸出層）是單個神經(jīng)元，傳遞函數(shù)是線性的，訓練函數(shù)選擇traingd()?？衫靡韵麓a來創(chuàng)建剛剛設計的網(wǎng)絡。表41 網(wǎng)絡參數(shù)訓練函數(shù)學習函數(shù)性能函數(shù)Trainlm()learngdm()mse() 網(wǎng)絡訓練與測試網(wǎng)絡訓練過程是一個不斷修正權(quán)值和閾值的過程，通過調(diào)整，使網(wǎng)絡的輸出誤差達到最小，滿足實際應用的要求。體現(xiàn)了其在故障診斷方面的優(yōu)點，不需要建立故障診斷的數(shù)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。1 1 0。=。 ]39。logsig39。T=[0 0 1。},39。在寫作過程中，劉老師對論文的內(nèi)容和結(jié)構(gòu)提出了很多寶貴的建議和意見，同時對疑惑進行了細心的解答，使我受益匪淺，在此要深深感謝劉老師的悉心指導。=。1 1 1]39。=。1 1 0。 。1 1]。 。net=train(net,P,T)。1 1]。一般有輸入層、隱含層和輸出層，各層順次連接。利用MATLAB實現(xiàn)向量的歸一化過程，這里將樣本數(shù)據(jù)都歸一化到（1，1）之間的小數(shù)。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。 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31所示。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(diào)整權(quán)值；批處理模式，就是利用所有的輸入樣本計算梯度，然后調(diào)整權(quán)值。如果BP網(wǎng)絡的最后一層是sigmoid型神經(jīng)元，那么整個網(wǎng)絡的輸出就限制在一個較小的范圍內(nèi)；如果BP網(wǎng)絡的最后一層是purelin型線性神經(jīng)元，那么整個網(wǎng)絡的輸出可以取任意值。：完成訓練后就可以調(diào)用訓練結(jié)果，輸入測試數(shù)據(jù)，對異步電動機故障進行測試。２）確定訓練樣本集和測試集。網(wǎng)絡訓練完畢后，故障的模式分類就是根據(jù)給定的一組征兆，實現(xiàn)征兆集到故障集之間的非線性映射的過程。如內(nèi)部放電、匝間短路、相間短路和單相對地短路等。主要是由絕緣破壞而引起的不同形式的故障。首先利用一組故障樣本對網(wǎng)絡進行訓練，以確定網(wǎng)絡的結(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)元時間的連接權(quán)值和閾值）。利用BP網(wǎng)絡進行故障診斷的一般步驟和注意事項如下：１）確定合理的網(wǎng)絡結(jié)構(gòu)和規(guī)模，尤其是網(wǎng)絡中間層神經(jīng)元個數(shù)的選擇是網(wǎng)絡結(jié)構(gòu)確定和網(wǎng)絡性能的關(guān)鍵。：用合適訓練數(shù)據(jù)進行訓練。其傳遞函數(shù)如圖22所示。（１）誤差函數(shù)對輸出節(jié)點閾值求導 （28）其中　　　　　　　　　　　　　　　　　　　　則　　　　　　　　　　　　閾值修正 （29）（２）誤差函數(shù)對隱層節(jié)點閾值求導 （210）其中　　　　　則　　　　　閾值修正４．傳遞函數(shù)f(ｘ)的導數(shù)　　?。有秃瘮?shù)則 （211）對輸出節(jié)點對隱層節(jié)點　　求函數(shù)梯度有兩種方法：遞增和批處理。8）選擇Sinks模塊庫下的Scope模塊。具體故障設置及框圖如圖310所示。對于本文的數(shù)值量輸出，可直接用數(shù)值量來表示，但由于網(wǎng)絡實際輸出只能是0～1或1～1之間的數(shù)，所以需要將期望輸出進行尺度變化。將一個神經(jīng)網(wǎng)絡模型的所有神經(jīng)元按照功能分為若干層。1 1。=。 。1 1。 。1 0 1。=1000。1 1 0。=。其次我要感謝電力學院的所有老師，淵博的學識、悉心的講解使我在大學四年學到了更多的專業(yè)知識，同時也為我們樹立了很好的榜樣，使我們不斷成長。trainlm39。0 1 0。},39。T=[0 0 1。=。1 1 1]39。這就使得系統(tǒng)采樣輸人數(shù)據(jù)類型大為減少，簡化了系統(tǒng)的設計，提高了故障診斷的可靠性。訓練函數(shù)trainlm()是利