【正文】 最后感謝我的家人對我生活和學(xué)業(yè)上的關(guān)心和支持。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(jìn)行了細(xì)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(dǎo)。 ]39。 。 。TRAINLM, Epoch 0/1000, MSE , Gradient TRAINLM, Epoch 25/1000, MSE , Gradient TRAINLM, Epoch 50/1000, MSE , Gradient TRAINLM, Epoch 75/1000, MSE , Gradient TRAINLM, Epoch 100/1000, MSE , Gradient TRAINLM, Epoch 125/1000, MSE , Gradient TRAINLM, Epoch 150/1000, MSE , Gradient TRAINLM, Epoch 175/1000, MSE , Gradient TRAINLM, Epoch 191/1000, MSE , Gradient TRAINLM, Performance goal met. P_test=[ 。=。=1000。)。},39。,39。net=newff(threshold,[11,3],{39。1 1。1 1。1 1 1]39。1 0 1。0 1 1。T=[0 0 1。 。 。 。net=train(net,P,T)。=。net=init(net)。trainlm39。logsig39。tansig39。1 1]。1 1。threshold=[1 1。1 1 0。1 0 0。0 1 0。 ]39。 。 。Y=sim(net,P_test)Y = 程序二:P=[ 。 。 。 。net=train(net,P,T)。=。net=init(net)。trainlm39。logsig39。tansig39。1 1]。1 1。threshold=[1 1。1 1 0。1 0 0。0 1 0。 ]39。 。 。參考文獻(xiàn)[1] [M].北京：機械工業(yè)出版社，196201[2] [M]. 北京：,276280[3] [M].北京：電子工業(yè)出版社，[4] 蔡澤祥，焦振有．異步電動機故障診斷及綜合保護(hù)的研究．[J] 東北電力學(xué)院學(xué)報，1994，14(2)：6772[5] [C].（揚州大學(xué)）[6] [C].（太原理工大學(xué)）[7] [D].太原理工大學(xué)，2005[8] Fu Yang. A Neural Network Approach to Power Transformer Fault Diagnosis[A].International Conference of Electrical Machines and Systems[C].Beijing,2003:351354.[9] [M].北京:科學(xué)出版社,2000:207[10] Yang Qiping, Xue Wude. Artificial Neural Network for Transformer Fault Diagnosis[A].ACEID[C].Korea,1999:322325.[11] C. MoYuen, Methodologies of Using Neural Network and Fuzzy Logic Technologies for Motor Incipient Fault Detection, World Scientific Publishing, 1997.[12] Czeslaw T. Kowalski, Teresa OrlowskaKowalska, Neural networks application for induction motor faults :435–448[13] [M].北京：機械工業(yè)出版社,[14] [J].煤礦安全,2002,33(12):1112.[15] 岳祖洲,[J].應(yīng)用光學(xué),1994,15(2):611.[16][M].上海:復(fù)旦大學(xué)社,1993:4344,4749.[17] [M].北京:冶金工業(yè)出版社,2000,5:1828.[18] 黃曉光,王永泓, 算法的電站燃燒氣輪機故障診斷[J]. 中國電機工程學(xué)報,2000,12.[19] 王風(fēng)昌，李面換．異步電機故障的電流監(jiān)測和診斷．哈爾濱工業(yè)大學(xué)學(xué)報．1994，26(6):88—92．[20] :機械工業(yè)出版社,1996．[21] 呂輝,27(1):7376.附 錄實例完整MATLAB代碼如下： 程序一：P=[ 。為提高故障診斷的準(zhǔn)確性，還應(yīng)加大網(wǎng)絡(luò)訓(xùn)練的樣本數(shù)據(jù)量。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(xué)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。設(shè)計了一種基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷系統(tǒng)實現(xiàn)診斷功能。因此，可以判定，經(jīng)過訓(xùn)練后，網(wǎng)絡(luò)完全可以滿足異步電動機故障診斷的要求。利用6組新的數(shù)據(jù)作為網(wǎng)絡(luò)的測試數(shù)據(jù)，見表。表42 訓(xùn)練參數(shù)訓(xùn)練次數(shù)訓(xùn)練目標(biāo)學(xué)習(xí)速率1000網(wǎng)絡(luò)訓(xùn)練結(jié)果為TRAINLM, Epoch 0/1000, MSE , Gradient TRAINLM, Epoch 25/1000, MSE , Gradient TRAINLM, Epoch 33/1000, MSE , Gradient TRAINLM, Performance goal met.可見，經(jīng)過34次訓(xùn)練后，網(wǎng)絡(luò)的性能達(dá)到了要求，如圖所示。net=train(net,P,T)。=。網(wǎng)絡(luò)的訓(xùn)練從參數(shù)設(shè)置見表。表41 網(wǎng)絡(luò)參數(shù)訓(xùn)練函數(shù)學(xué)習(xí)函數(shù)性能函數(shù)Trainlm()learngdm()mse() 網(wǎng)絡(luò)訓(xùn)練與測試網(wǎng)絡(luò)訓(xùn)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(luò)的輸出誤差達(dá)到最小，滿足實際應(yīng)用的要求。 其中，變量threshlod定義了輸入向量的最大值和最小值。trainlm39。logsig39。tansig39。1 1]。1 1。threshold=[1 1?？衫靡韵麓a來創(chuàng)建剛剛設(shè)計的網(wǎng)絡(luò)?！袢龑泳W(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5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11個。 網(wǎng)絡(luò)創(chuàng)建BP網(wǎng)絡(luò)模型結(jié)構(gòu)的確定有兩條比較重要的指導(dǎo)原則。根據(jù)模式變化功能的不同，隱含層可以有多層，也可以一層沒有。2）隱含層：是神經(jīng)網(wǎng)絡(luò)的內(nèi)部處理單元層。一般有輸入層、隱含層和輸出層，各層順次連接。 BP網(wǎng)絡(luò)設(shè)計采用BP網(wǎng)絡(luò)進(jìn)行故障診斷。前饋型神經(jīng)網(wǎng)絡(luò)在訓(xùn)練之間必須要對權(quán)值和閾值進(jìn)行初始化，newff()函數(shù)可以自動完成這一過程，但是無法重新賦初值。第二層（輸出層）是單個神經(jīng)元，傳遞函數(shù)是線性的，訓(xùn)練函數(shù)選擇traingd()。假設(shè)需要構(gòu)建一個兩層神經(jīng)網(wǎng)絡(luò)，其輸入向量是二維的，輸入向量的范圍為[1 2。 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建訓(xùn)練神經(jīng)網(wǎng)絡(luò)之前需