【正文】 作為網(wǎng)絡(luò)輸入變量；而濾網(wǎng)壓損系數(shù)、空冷器壓損系數(shù)和廢氣鍋爐壓損系數(shù)則作為部件特性參數(shù)，直接進(jìn)行診斷。 （ 3）征兆 /故障樣本集的設(shè)計(jì) 征兆 /故障樣本集的正確確定是神經(jīng)網(wǎng)絡(luò)準(zhǔn)確進(jìn)行故障診斷的關(guān)鍵環(huán)節(jié)。渦輪增壓系統(tǒng)的一種故障對(duì)應(yīng)一個(gè)樣本。為了進(jìn)一步診斷故障的嚴(yán)重程度，這里對(duì)張媛：神經(jīng)網(wǎng)絡(luò)故障的 MATLAB 仿真 25 每個(gè)故障取兩個(gè)樣本，目標(biāo)值分別為 和 1。機(jī)組運(yùn)行負(fù)荷范圍的 征兆可分為額定負(fù)荷（ 100%MCR）、部分負(fù)荷（ 90%MCR、 75%MCR）和半負(fù)荷（ 50%MACR）等 4 種情況。 由于船舶可能會(huì)遠(yuǎn)洋航行，因此把大氣環(huán)境溫度分為 3 部分，即 283K～294K、 295K～ 306K 和 307K～ 318K，分別以 288K、 300K、 312K 為樣本中心（這里僅以 288K 為中心的樣本為例），得到相應(yīng)的樣本集，用于訓(xùn)練 RBF 神經(jīng)網(wǎng)絡(luò)，從而實(shí)現(xiàn)柴油機(jī)運(yùn)行故障的診斷。 基于 100%MCR、 90%MCR、 75%MCR 和 50%MACR 的發(fā)動(dòng)機(jī)負(fù)荷，我們給出了大氣溫度為 300K、 312K 和 288K 的輸入樣本向量和相應(yīng)的輸出目標(biāo)向量的征兆 /故障樣本集。這里選取了溫度 288K 時(shí)的 9 組征兆 /故障樣本數(shù)據(jù)，并利用這部分?jǐn)?shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，如表 3 所示。 表 3 征兆 /故障樣本數(shù)據(jù)（環(huán)境溫度： 288K） [10] 樣本序號(hào) 輸入向量 目標(biāo)向量 1 0 0 0 0 0 0 0 0 0 0 0 0 2 0 1 0 0 0 3 0 0 0 0 4 0 0 1 0 0 5 0 0 0 0 6 0 0 0 1 0 7 0 0 0 0 8 0 0 0 0 1 9 0 0 0 0 當(dāng)網(wǎng)絡(luò)的輸入變量確定后，需要進(jìn)行歸一化處理，這里將其變換在 ? ?1,1? 的范圍內(nèi)，經(jīng)過(guò)歸一化處理的數(shù)據(jù)對(duì)于神經(jīng)網(wǎng)絡(luò)跟容易訓(xùn)練和學(xué)習(xí)。因?yàn)樵紨?shù)據(jù)幅值大小不一，有時(shí)候相差還比較懸殊。如果直接投入使用，測(cè)量值大的波動(dòng)就壟斷了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，使其不能反映小的測(cè)量值的變化。歸一化后的數(shù)據(jù)時(shí)通過(guò)計(jì)算測(cè)量值與相應(yīng)的無(wú)故障情況下 基準(zhǔn)值的偏差值，再除以最大偏差值的絕對(duì)值來(lái)獲得輸入變量的。也就是說(shuō)，表 5 中的輸入變量其實(shí)是已經(jīng)經(jīng)過(guò)歸一化處理后的數(shù)據(jù)。 網(wǎng)絡(luò)輸出向量設(shè)計(jì) 從便于診斷的角度出發(fā)，將故障的嚴(yán)重程度分為 3 級(jí)，即 1 級(jí)故障、 2 級(jí)故障和無(wú)故障（正常工況）。根據(jù)網(wǎng)絡(luò)的輸出向量，結(jié)果處理如下： 若 ?? iF ，則 級(jí)1?iF （嚴(yán)重故障）； 若 ?? iF ，則 級(jí)2?iF （中等故障）； 若 ?iF 或者 ?iF ，則 正常?iF （無(wú)故障）。 張媛：神經(jīng)網(wǎng)絡(luò)故障的 MATLAB 仿真 26 由此可判定故障的嚴(yán)重程度。 網(wǎng)絡(luò)建立及測(cè)試 網(wǎng)絡(luò)建立 徑向基（ RBF）網(wǎng)絡(luò)主要包括隱含層和輸出層，其中隱含層的傳遞函數(shù)為radbas,輸出層的傳遞函數(shù)為純線性函數(shù) purelin。如圖 15 所示。徑向基網(wǎng)絡(luò)的隱含層有 1S 個(gè)神經(jīng)元，輸出層有 2S 個(gè)神經(jīng)元。 神經(jīng)網(wǎng)絡(luò)工具箱中用于創(chuàng)建 RBF 網(wǎng)絡(luò)的函數(shù)為 newrbe，在利用函數(shù) newrbe創(chuàng)建 RBF 網(wǎng)絡(luò)過(guò)程中，可以自動(dòng)增加隱含層的神經(jīng)元個(gè)數(shù)，直到均方誤差滿足要求為止。所以，網(wǎng)絡(luò)的創(chuàng)建過(guò)程就是訓(xùn)練過(guò)程。 在設(shè)計(jì)過(guò)程中，最重要的參數(shù)是徑向基函數(shù)的分布常數(shù) SPREAD，它可以影響網(wǎng)絡(luò)的進(jìn)度。由于本例中的樣本數(shù)目不是很大，因此，將分布常數(shù)設(shè)定為 ，由此，可利用 MATLAB 代碼創(chuàng)建一個(gè) RBF 網(wǎng)絡(luò)： P=[0 0 0 0 0 0 0 。 。 。 。 。 。 。 。 ]。 T=[0 0 0 0 0。 0 1 0 0 0。 0 0 0 0。 0 0 1 0 0。 0 0 0 0。 0 0 0 1 0。 0 0 0 0。 0 0 0 0 1。 2n12?S2Sya?2 12?S2b1,2LW12 SS?1a11?S1 12?S線性層 11?SRS?1 1,1LWdist1b1P1?R* * 11?S11?S1n1S徑向基層 R輸入 圖 15 徑向基網(wǎng)絡(luò)結(jié)構(gòu) 張媛：神經(jīng)網(wǎng)絡(luò)故障的 MATLAB 仿真 27 0 0 0 0 ]。 P=P39。 T=T39。 spread=。 =newrbe(P,T,spread)。 其中 P 和 T 分別對(duì)應(yīng)輸入向量和目標(biāo)向量，它們可以從表 5 中得到。 網(wǎng)絡(luò)測(cè)試 接下來(lái)通過(guò)一組實(shí)際數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行測(cè)試，看網(wǎng)絡(luò)是否可以正確診斷出渦輪增壓系統(tǒng)中的故障。如果可以正確診斷出故障，則網(wǎng)絡(luò)可以投入使用。分別在增壓器效率下降 2F 、空冷器傳熱惡化 3F 和透平保護(hù)格柵阻塞 4F 有故障時(shí)進(jìn)行測(cè)量，得到個(gè)參數(shù)的值，將這些數(shù)據(jù)作為輸入向量，利用仿真函數(shù)計(jì)算網(wǎng)絡(luò)輸出，通過(guò)故障判別準(zhǔn)則看是否出了故障。最終測(cè)試數(shù)據(jù)如表 4 所示。 表 4 測(cè)試數(shù)據(jù) [10] 數(shù)據(jù)序號(hào) 輸入向量 故障原因 1 2F 有嚴(yán)重故障 2 3F 有中等故障 3 4F 有嚴(yán)重故障 測(cè)試代碼如下： %p1,p2,p3 分別對(duì)應(yīng)表 4 中序號(hào) 1,2,3 的數(shù)據(jù) p1=[ ]39。 p2=[ ]39。 p3=[ ]39。 y1=sim(,p1) y2=sim(,p2) y3=sim(,p3) 輸出結(jié)果如下所示： y1 = 0 y2 = 0 張媛：神經(jīng)網(wǎng)絡(luò)故障的 MATLAB 仿真 28 y3 = 0 測(cè)試結(jié)果分析與評(píng)價(jià) 第一組數(shù)據(jù)： ??F ，即 1F 正常無(wú)故障； 2 ??? F ，即 2F 有嚴(yán)重故障； ???F ，即 3F 正常無(wú)故障； ??F ，即 4F 正常無(wú)故障； ??F ，即 5F 正常無(wú)故障。 第二組數(shù)據(jù)： ??F ，即 1F 正常無(wú)故障； ???F ，即 2F 正常無(wú)故障； 3 ??? F ，即 3F 有中等故障； ??F ，即 4F 正常無(wú)故障； ???F ，即 5F 正常無(wú)故障。 第三組數(shù)據(jù)： ??F ，即 1F 正常無(wú)故障； ???F ，即 2F 正常無(wú)故障； ??F ，即 3F 正常無(wú)故障； 4 ??? F ，即 4F 有嚴(yán)重故障； ???F ，即 5F 正常無(wú)故障。 根據(jù)結(jié)果分析可判斷三組數(shù)據(jù)的故障類別如表 5 所示。 表 5 測(cè)試結(jié) 果 輸出結(jié)果 故障類別 y1 = 0 2F 有嚴(yán)重故障 y2 = 0 3F 有中等故障 y3 = 0 4F 有嚴(yán)重故障 將表 4 與表 5 對(duì) 比可以看出，網(wǎng)絡(luò)成功地診斷出了所有故障。因此，可以將該網(wǎng)絡(luò)投入實(shí)際工程應(yīng)用了。當(dāng)然，由于本例中采用的樣本量比較少，故障診斷的數(shù)據(jù)范圍就不會(huì)很大，對(duì)于那些和訓(xùn)練數(shù)據(jù)相差很大的數(shù)據(jù)，網(wǎng)絡(luò)可能無(wú)法做出正確的診斷。而在實(shí)際應(yīng)用中，如果想提高網(wǎng)絡(luò)的故障識(shí)別準(zhǔn)確率，就要采用張媛：神經(jīng)網(wǎng)絡(luò)故障的 MATLAB 仿真 29 大容量的訓(xùn)練樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。 張媛：神經(jīng)網(wǎng)絡(luò)故障的 MATLAB 仿真 30 結(jié) 束 語(yǔ) 經(jīng)過(guò)幾個(gè)月的努力，我的畢業(yè)設(shè)計(jì)課題也終將告一段落了。這次的課題也是我大學(xué)生活的最后一次課題，為此我也盡心的去完成的，希望可以給我的大學(xué)生活劃上一個(gè)完美的句號(hào)。 本次的課題所涉及的內(nèi)容對(duì)我來(lái)說(shuō)都是全新的 。機(jī)械設(shè)備、故障診斷、神經(jīng)網(wǎng)絡(luò)，在以往的學(xué)習(xí)中都是沒(méi)有接觸過(guò)的。對(duì)于我而言，可以說(shuō)是重新了解、重新認(rèn)識(shí)、重新學(xué)習(xí)一門(mén)甚至幾門(mén)新的知識(shí)，在這過(guò)程中我有不少的收獲，讓我了解和認(rèn)識(shí)到了許多新的知識(shí)，增長(zhǎng)了自己的見(jiàn)識(shí)。更重要的是，我從中提升了我的自學(xué)能力，搜索信息的能力以及接受新信息新知識(shí)的能力。 但也因此，我所涉及和學(xué)習(xí)到的也都只是皮毛而已。加上時(shí)間和個(gè)人能力的問(wèn)題，本次的課題的完成也有許些不盡完善的地方。比如說(shuō)對(duì)各種機(jī)械的認(rèn)識(shí)不足，沒(méi)辦法采集到更多的樣本數(shù)據(jù)，雖然建立的模型能夠在實(shí)驗(yàn)中準(zhǔn)確的診斷出故障問(wèn)題，但是 在實(shí)際應(yīng)用中，僅靠我在本實(shí)驗(yàn)中的十幾組樣本數(shù)據(jù)是遠(yuǎn)遠(yuǎn)不夠的。而神經(jīng)網(wǎng)絡(luò)的建立學(xué)習(xí)我也只涉及到了皮毛，故障診斷方面的知識(shí)我所學(xué)到的更是少的可憐，甚至不能說(shuō)學(xué)到，只能算是有所了解。 隨著畢業(yè)設(shè)計(jì)的結(jié)束，隨著畢業(yè)論文的完成，我的大學(xué)生活漸漸地畫(huà)上了句號(hào)，但是學(xué)習(xí)是永無(wú)止境的。在大學(xué)的學(xué)習(xí)生活中，在畢業(yè)設(shè)計(jì)中，我學(xué)到的不僅僅是知識(shí)，給我更多的是能力的培養(yǎng)和鍛煉。大學(xué)所學(xué)的知識(shí)，所鍛煉的能力都是我永恒的財(cái)富，它們將在以后的日子里陪伴著我，一直向前。 張媛：神經(jīng)網(wǎng)絡(luò)故障的 MATLAB 仿真 31 參考文獻(xiàn) [1] 曹龍漢 .柴油機(jī)智能化故障診斷技術(shù) .北京 .國(guó)防工 業(yè)出版社， 2021 [2] 張來(lái)斌 王朝暉等 .機(jī)械設(shè)備故障診斷技術(shù)及方法 .北京 .石油工業(yè)出版社， 2021 [3] 李葆文 .故障診斷邏輯與數(shù)學(xué)原理 .廣東高等教育出版社， 1995 [4] 吳今培 .模糊診斷理論及其應(yīng)用 .科學(xué)出版社 ,1995 [5] 飛思科技產(chǎn)品研發(fā)中心 . 輔助神經(jīng)網(wǎng)絡(luò)分析與設(shè)計(jì) .北京 .電子工業(yè)出版社 ,2021 [6] 飛思科技產(chǎn)品研發(fā)中心 .MATLAB7 基礎(chǔ)與提高 .北京 .電子工業(yè)出版社 ,2021 [7] 張德豐 .MATLAB 神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用 .電子工業(yè)出版社 ,2021 [8] 朱大奇 史慧 .人工神經(jīng)網(wǎng)絡(luò) 原理及應(yīng)用 .北京 .科學(xué)出版社， 2021 [9] 樓順天 ,施陽(yáng) .基于 MATLAB 的系統(tǒng)分析與設(shè)計(jì) —— 神經(jīng)網(wǎng)絡(luò) .西安電子科技大學(xué)出版社 ,1999 [10] 飛思科技 產(chǎn)品 研發(fā)中心 .神經(jīng)網(wǎng)絡(luò) 理論與 MATLAB7 實(shí)現(xiàn) .北京 .電子工業(yè)出版社 ,2021 張媛：神經(jīng)網(wǎng)絡(luò)故障的 MATLAB 仿真 32 致 謝 本次的畢業(yè)設(shè)計(jì)課題的完成離不開(kāi)自己的學(xué)習(xí)和努力，更離不開(kāi)李秀平副教授的悉心指導(dǎo)和不懈支持，也離不開(kāi)同學(xué)們的幫助和支持。 在整個(gè)畢業(yè)設(shè)計(jì)過(guò)程中，從選題到收集資料，從寫(xiě)稿到反復(fù)修改。李老師始終認(rèn)真負(fù)責(zé)的給予我細(xì)致而深刻的指導(dǎo)，幫助我 開(kāi)拓思路，精心教導(dǎo)，熱心鼓勵(lì)。無(wú)論是在畢業(yè)設(shè)計(jì)的完成還是在畢業(yè)論文的措詞排版方面，李老師都對(duì)我從嚴(yán)要求，在此期間可謂是受益匪淺，他嚴(yán)謹(jǐn)細(xì)心的治學(xué)態(tài)度令我深深折服。在此謹(jǐn)向李老師致以我最誠(chéng)摯的謝意和崇高的敬意。 另外，在課題的完成過(guò)程中也少不了同學(xué)們的支持和幫助。通過(guò)跟同學(xué)的交流和探討，讓我對(duì)課題認(rèn)識(shí)得更深；通過(guò)同學(xué)提供的信息，讓我了解到更多的知識(shí)信息；通過(guò)同學(xué)的提醒，也讓我在畢業(yè)設(shè)計(jì)中少走了很多彎路。在此我也向給予我?guī)椭耐瑢W(xué)們表示最衷心的感謝。 論文的完成也宣告著我大學(xué)生活的即將結(jié)束，在此我也向大學(xué)四年 來(lái)給我關(guān)懷、授予我知識(shí)、給予我?guī)椭睦蠋焸儽硎疚易钫\(chéng)摯的謝意！謝謝你們給予我知識(shí)，給予我力量，給予我關(guān)懷，給予我踏入社會(huì)的信心和能力。 張媛：神經(jīng)網(wǎng)絡(luò)故障的 MATLAB 仿真 33 附錄 附錄 1—— 基于 BP 網(wǎng)絡(luò)的設(shè)備狀態(tài)分類器設(shè)計(jì)的完整的 MATLAB 代碼 %以下為設(shè)備狀態(tài)分類器的創(chuàng)建代碼 P=[ 。 。 。 。 。 。 。 。 。 。 。 ]。 T=[0 1。0 1。0 1。0 1。1 0。1 0。1 0。1 0。1 1。1 1。1 1。1 1]。 P=P39。 T=T39。 =newff(minmax(P),[8,2],{39。tansig39。,39。logsig39。},39。trainlm39。) %以下為設(shè)備狀態(tài)分類器的訓(xùn)練代碼 =1000。%設(shè)定循環(huán)次數(shù)為 1000 =。%訓(xùn)練誤差為 ，其余訓(xùn)練參數(shù)區(qū)默認(rèn)值 =train(,P,T)。 %以下為設(shè)備狀態(tài)分類器的仿真代碼 sim(,P) %以下為設(shè)備狀態(tài)分類器的測(cè)試代碼 P_test=[ 。 。 ]39。 Y=sim(,P_test) 張媛：神經(jīng)網(wǎng)絡(luò)故障的 MATLAB 仿真 34 附錄 2—— 基于 RBF 網(wǎng)絡(luò)的船用柴油機(jī)故障診斷的完整的 MATLAB 代碼 %以下為柴油機(jī)故障診斷的 RBF 網(wǎng)絡(luò)創(chuàng)建和訓(xùn)練代碼。 P=[0 0 0 0 0 0 0 。 。 。 。 。 。 。 。 ]。 T=[0 0 0 0 0。 0 1 0 0 0。 0 0 0 0。 0 0 1 0 0。 0 0 0 0。 0 0 0 1 0。 0 0 0 0。 0 0 0 0 1。 0 0 0 0 ]。 P=P39。 T=T39。 spread=。 =newrbe(P,T,spread)。 %以下為測(cè)試代碼 %p1,p2,p3 分別對(duì)應(yīng)表 4 中序號(hào) 1,2,3 的數(shù)據(jù) p1=[ ]39。 p2=[ ]39。 p3=[ ]39。 y1=sim(,p1) y2=sim(,p2) y3=sim(,p3)