【正文】 診斷方法BP神經(jīng)網(wǎng)絡(luò)自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)診斷正確率 (%) 85%84% 通過以上的統(tǒng)計(jì)表我們可以發(fā)現(xiàn)，兩種不同神經(jīng)網(wǎng)絡(luò)診斷算法，它們的診斷準(zhǔn)確率都達(dá)到了80%以上，滿足了設(shè)計(jì)要求。BP神經(jīng)網(wǎng)絡(luò)能稍微在數(shù)據(jù)表現(xiàn)上能哈點(diǎn)，當(dāng)然每一種神經(jīng)網(wǎng)絡(luò)的性能都是不一樣的，在實(shí)際應(yīng)用中常常需要根據(jù)任務(wù)目的通過實(shí)驗(yàn)比較才能確定。因此，在上述相同的訓(xùn)練與測試樣本的條件下，就是由于選取了不同的神經(jīng)網(wǎng)絡(luò)分類器，診斷結(jié)果才會(huì)有差異。另外，即使是同一種神經(jīng)網(wǎng)絡(luò)，還存在影響網(wǎng)絡(luò)的重要參數(shù)，每一次的測量結(jié)果也還是會(huì)有輕微變動(dòng)。7 結(jié) 論經(jīng)過三個(gè)月的研究，終于完成了燃?xì)廨嗞P(guān)鍵部件的故障診斷研究。通過本文的研究，我們發(fā)現(xiàn)應(yīng)用神經(jīng)網(wǎng)絡(luò)方法對滾動(dòng)軸承進(jìn)行實(shí)時(shí)診斷的結(jié)果普遍較好，本文所研究的兩種模經(jīng)網(wǎng)絡(luò)。自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)（ANFIS）、BP神經(jīng)網(wǎng)絡(luò)、故障診斷正確率都達(dá)到了80%以上，滿足了任務(wù)要求。其中，BP神經(jīng)網(wǎng)絡(luò)是本設(shè)計(jì)中診斷率相對較高的網(wǎng)絡(luò)，自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)（ANFIS）是綜合性較強(qiáng)的網(wǎng)絡(luò)。當(dāng)然選用哪種神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中常常需要根據(jù)任務(wù)目的通過實(shí)驗(yàn)比較才能確定。因此，在上述相同的訓(xùn)練樣本與測試樣本的條件下，選取不同的神經(jīng)網(wǎng)絡(luò)診斷器，診斷結(jié)果不同。同時(shí)研究還發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)本身在一定條件下具有不穩(wěn)定性，即使處理相同的問題，也會(huì)出現(xiàn)不同的結(jié)果。在這個(gè)課題中，要達(dá)到接近完美診斷這其中還需要更多的改進(jìn)，可以對多次測量的數(shù)據(jù)進(jìn)行特征分析計(jì)算多最能準(zhǔn)確表現(xiàn)出的參數(shù)這樣更能提高診斷的準(zhǔn)確率。對于這樣的課題編程更為重要，要學(xué)好MATLAB編程還需好好研究，由于初次接觸MATLAB這方面，編程方面還需努力提高。結(jié)束語緊張又刺激的三個(gè)月給大學(xué)畫上了最后一個(gè)句好，畢業(yè)設(shè)計(jì)也隨著夏日的驕陽緩緩落日余暉。一步一步的走來，初次意識(shí)到走進(jìn)社會(huì)的第一課會(huì)這么深刻，學(xué)會(huì)等待，學(xué)會(huì)虛心請教是磨練意志最好的辦法。當(dāng)難題出現(xiàn)在自己的目標(biāo)與命運(yùn)面前時(shí)就會(huì)感覺這些都是自己必須解決的，抱著一顆必成的心態(tài)一次又一次的把自己從焦慮煩躁的生活中叫醒。有些事情就是必須要去做的，無關(guān)心情。相對于收獲我感覺更多是了解了各個(gè)層面的人，這也算是給自己的社會(huì)閱歷增添一筆更為豐富的積累。當(dāng)你慢慢發(fā)現(xiàn)有些事并不是本身的難度給我們困擾，然而很多時(shí)候是外界有意無意在施加壓力，透過本質(zhì)看清的現(xiàn)象時(shí)，其實(shí)事物的本質(zhì)已經(jīng)發(fā)生了變化。我們能做的就是堅(jiān)持不被這個(gè)世界改變我們跨出校門時(shí)的熱情與自信。無數(shù)次憧憬穿上學(xué)士服的那一天即將就要來到，在這個(gè)夏天的陽光下我們熠熠生輝。致 謝大四最后幾個(gè)月的畢業(yè)設(shè)計(jì)馬上就要結(jié)束了，我們即將踏入社會(huì)，畢業(yè)設(shè)計(jì)是對自己學(xué)習(xí)能力的檢驗(yàn)，也是對自己意志力的考驗(yàn)，現(xiàn)在感覺自己在各個(gè)方面都有所長進(jìn)。在本次畢業(yè)設(shè)計(jì)過程中，由于以前從來沒有接觸過神經(jīng)網(wǎng)絡(luò)方面的知識(shí)，所以剛開始拿到題目時(shí)感到無從下手，自己感覺壓力很大，就在我感到無助的時(shí)候，我的指導(dǎo)老師崔建國教授對我進(jìn)行了耐心的指導(dǎo)與幫助，使我能正確的把握課題的方向，同時(shí)給予我做好畢業(yè)設(shè)計(jì)的信心。通過畢業(yè)設(shè)計(jì)我還學(xué)到了很多為人處世的道理，讓我受益匪淺。在這里我首先要感謝我的指導(dǎo)老師崔建國教授，感謝他這段時(shí)間以來在百忙之中對我的耐心指導(dǎo)與幫助。以及研究生劉寶勝師哥在畢設(shè)期間給予的幫助！衷心地謝謝他們給予的幫助！ 參考文獻(xiàn)[1] 鐘秉林, 黃仁. 機(jī)械故障診斷學(xué). 北京: 機(jī)械工業(yè)出版社, 1997, 12[2] 張德豐. MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用. 北京: 電子工業(yè)出版社, 2009, 6[3] 楊行俊, 鄭君里. 人工神經(jīng)網(wǎng)絡(luò)與盲信號處理. 北京: 清華大學(xué)出版社, 2002[4] Simon Haykin. 神經(jīng)網(wǎng)絡(luò)原理. 北京: 機(jī)械工業(yè)出版社, 2004[5] 閻平凡, 張長水. 人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)化計(jì)算. 北京: 清華大學(xué)出版社, 2000[6] 尹澤明, 丁春利. 精通MATLAB. 北京: 清華大學(xué)出版社, 2002[7] 張敬芬, 趙德有. 基于模糊神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)融合的結(jié)構(gòu)裂紋故障診斷. 船舶力學(xué), 2007, 6: 7880[8] 王世同. 模糊神經(jīng)網(wǎng)絡(luò)及應(yīng)用程序設(shè)計(jì). 上海：上海科學(xué)技術(shù)文獻(xiàn)出版社, 1998, 12[9] 蔡開龍, 楊秉政, 謝壽生. 基于模糊神經(jīng)網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)故障診斷研究. 機(jī)械科學(xué)與技術(shù), 2003, 23(1): 12[10] 李濤, 賀勇軍, 劉志儉. MATLAB工具箱應(yīng)用指南－應(yīng)用數(shù)學(xué)篇. 北京: 電子工業(yè)出版社, 2000, 5[11] 唐永哲. 基于神經(jīng)網(wǎng)絡(luò)的飛機(jī)故障診斷. 航空維修, 2001, 3: 12[12] 吳彥春, 王舜燕. 神經(jīng)網(wǎng)絡(luò)在機(jī)械設(shè)備故障診斷中的研究應(yīng)用. 武漢理工大學(xué)學(xué)報(bào), 2002, 24(5): 95100[13] 吳曉莉, 林哲輝. MATLAB輔助模糊系統(tǒng)設(shè)計(jì). 西安：西安電子科技大學(xué)出版社, 2002[14] 聞新, 周露, 王丹力, 熊曉英. MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì). 北京: 科學(xué)出版社, 2001[15] 張智星, 張春在, 張平安, 高春華. 神經(jīng)模糊和軟計(jì)算. 西安：西安交通大學(xué)出版社, 2000, 2[16] 田景文, 高美娟. 神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用. 北京: 北京理工大學(xué)出版社, 2006, 7[17] 周開利, 康耀紅. 神經(jīng)網(wǎng)絡(luò)及其MATLAB仿真程序設(shè)計(jì). 北京: 清華大學(xué)出版社, 2005, 7附錄Ⅰ BP神經(jīng)網(wǎng)絡(luò)故障診斷源程序清單clear allclose alldata = xlsread(39。39。)。 %%%%%%%%%%%從原始數(shù)據(jù)excel文件中調(diào)入原始數(shù)據(jù)%%%data1=data(1:60,:)。data2=data(61:120,:)。zcxl=data1(1:50,:)。zccs=data1(51:60,:)。gzxl=data2(1:50,:)。gzcs=data2(51:60,:)。P1=[zcxl。gzxl]。 for i=1:100 P1(i,:)=P1(i,:)/sum(P1(i,:))。%歸一化endP=P139。Ptest1=[zccs。gzcs]。 for j=1:10 Ptest1(j,:)=Ptest1(j,:)/sum(Ptest1(j,:))。endPtest=Ptest139。T=[ 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 ]39。T2=[ 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 1 0 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 0 1 。 ]39。save T2netbp=newff(minmax(P),[8,2],{39。tansig39。,39。logsig39。},39。traingdx39。)。%建立多層前饋網(wǎng)絡(luò)命令，【8，2】分別為隱藏層和輸出層神經(jīng)元數(shù)，tansig，logsig分別為隱藏層和輸出層的激發(fā)%函數(shù)，traingdx為一種訓(xùn)練算法。%%%%網(wǎng)絡(luò)參數(shù)=500。%最大訓(xùn)練次數(shù)=100。%訓(xùn)練顯示間隔=。% 學(xué)習(xí)步長 traingd,traingdm=1。% 分塊計(jì)算Hessian矩陣(僅對LevenbergMarquardt算法有效)=。 =。 % 最小均方誤差=。 % 動(dòng)量項(xiàng)系數(shù) traingdm,traingdx%%%訓(xùn)練網(wǎng)絡(luò)netbp=train(netbp,P,T)。Y1=sim(netbp,Ptest)for j=1:20 Y1(:,j)=Y1(:,j)/sum(Y1(:,j))。endYbpmaa=Y1。save Ybpmaay=Ybpmaa39。附錄Ⅱ 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)（ANFIS）診斷源程序清單clearclcload good=good。load bad=bad。lgood=size(good,1)。lbad=size(bad,1)。good1=good(1:25,1:3)。bad1=bad(1:25,1:3)。good3=good(26:50,1:3)。bad3=bad(26:50,1:3)。Tgood=ones(1,25)39。Tbad=0*ones(1,25)39。trndata=[good1 Tgood。bad1 Tbad]。 %訓(xùn)練數(shù)據(jù)集tesdata=[good3 Tgood。bad3 Tbad]。 %測試數(shù)據(jù)集numpts=50。nummfs=5。mftype=39。gaussmf39。fismat=genfis1(trndata,nummfs,mftype)。%模糊化處理[x,mf]=plotmf(fismat,39。input39。,1)。figure。plot(x,mf)title(39。初始隸屬度函數(shù)39。)[x,mf]=plotmf(fismat,39。input39。,1)。figure。plot(x,mf)title(39。訓(xùn)練后隸屬度函數(shù)39。)。figure。x1=trndata(:,1:3)。y=trndata(:,4)。anfis_y=evalfis(x1,fismat)。plot(x1,y,39。39。,x1,anfis_y,39。kx39。)。legend(39。原初始數(shù)據(jù)集39。,39。結(jié)果模糊系統(tǒng)曲線39。)。%輸出診斷數(shù)據(jù)程序。testdata=tesdata。 datasize=size(testdata, 1)。inputnum=size(testdata, 2)1。 %去模糊化處理fis=fismat。testOut=evalfis(testdata(1:datasize, 1:inputnum), fis)。%網(wǎng)絡(luò)輸出值NetOut=[]。for i=1:50 if testOut(i)= NetOut(i)=1。 else NetOut(i)=0。 endend%統(tǒng)計(jì)結(jié)果正確率Tgood=zeros(25,1)。Tbad=ones(25,1)。Ttxt=[Tgood。Tbad]。Result=(abs(testOutTtxt)=) 。 Percent=sum(Result)/length(Result) %正確率49