【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，它們的診斷準確率都達到了80%以上，滿足了設(shè)計要求。BP神經(jīng)網(wǎng)絡(luò)能稍微在數(shù)據(jù)表現(xiàn)上能哈點，當然每一種神經(jīng)網(wǎng)絡(luò)的性能都是不一樣的，在實際應(yīng)用中常常需要根據(jù)任務(wù)目的通過實驗比較才能確定。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)果也還是會有輕微變動。7 結(jié) 論經(jīng)過三個月的研究，終于完成了燃氣輪關(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)方法對滾動軸承進行實時診斷的結(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）是綜合性較強的網(wǎng)絡(luò)。當然選用哪種神經(jīng)網(wǎng)絡(luò)在實際應(yīng)用中常常需要根據(jù)任務(wù)目的通過實驗比較才能確定。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，也會出現(xiàn)不同的結(jié)果。在這個課題中，要達到接近完美診斷這其中還需要更多的改進，可以對多次測量的數(shù)據(jù)進行特征分析計算多最能準確表現(xiàn)出的參數(shù)這樣更能提高診斷的準確率。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月給大學(xué)畫上了最后一個句好，畢業(yè)設(shè)計也隨著夏日的驕陽緩緩落日余暉。一步一步的走來，初次意識到走進社會的第一課會這么深刻，學(xué)會等待，學(xué)會虛心請教是磨練意志最好的辦法。當難題出現(xiàn)在自己的目標與命運面前時就會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層面的人，這也算是給自己的社會閱歷增添一筆更為豐富的積累。當你慢慢發(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，其實事物的本質(zhì)已經(jīng)發(fā)生了變化。我們能做的就是堅持不被這個世界改變我們跨出校門時的熱情與自信。無數(shù)次憧憬穿上學(xué)士服的那一天即將就要來到，在這個夏天的陽光下我們熠熠生輝。致 謝大四最后幾個月的畢業(yè)設(shè)計馬上就要結(jié)束了，我們即將踏入社會，畢業(yè)設(shè)計是對自己學(xué)習(xí)能力的檢驗，也是對自己意志力的考驗，現(xiàn)在感覺自己在各個方面都有所長進。在本次畢業(yè)設(shè)計過程中，由于以前從來沒有接觸過神經(jīng)網(wǎng)絡(luò)方面的知識，所以剛開始拿到題目時感到無從下手，自己感覺壓力很大，就在我感到無助的時候，我的指導(dǎo)老師崔建國教授對我進行了耐心的指導(dǎo)與幫助，使我能正確的把握課題的方向，同時給予我做好畢業(yè)設(shè)計的信心。通過畢業(yè)設(shè)計我還學(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[1] 鐘秉林, 黃仁. 機械故障診斷學(xué). 北京: 機械工業(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)與模擬進化計算. 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. 上海：上?？茖W(xué)技術(shù)文獻出版社, 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)動機故障診斷研究. 機械科學(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, 2002, 24(5): 95100[13] 吳曉莉, 林哲輝. MATLAB輔助模糊系統(tǒng)設(shè)計. 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. 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. 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。% 分塊計算Hessian矩陣(僅對LevenbergMarquardt算法有效)=。 =。 % 最小均方誤差=。 % 動量項系數(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