《基于bp神經網絡的風機故障診斷》由會員分享，可在線閱讀，更多相關《基于bp神經網絡的風機故障診斷（14頁珍藏版）》請在裝配圖網上搜索。

1、單擊此處編輯母版標題樣式,單擊此處編輯母版文本樣式,第二級,第三級,第四級,第五級,#,基于bp神經網絡的風機故障診斷,基于bp神經網絡的風機故障診斷,第1頁,風力發(fā)電機作為風能轉化為電能基礎設施在整個風力發(fā)電系統(tǒng)中有著舉足輕重作用，又因為滾動軸承在風力發(fā)電機組中也有著廣泛應用。所以對滾動軸承進行準確、及時故障診療是工程應用中非常重視問題。,一、課題研究目標及意義,基于bp神經網絡的風機故障診斷,第2頁,二、滾動軸承故障機理,1,、滾動軸承在風機上應用,（,1,）偏航系統(tǒng)軸承,（,2,）變槳距系統(tǒng)軸承,（,3,）傳動系統(tǒng)軸承,基于bp神經網絡的風機故障診斷,第3頁,2,、滾動軸承故障特征,基于

2、bp神經網絡的風機故障診斷,第4頁,三、基于神經網絡滾動軸承故障診療,1,、時域參數(shù)選取,本文選取了,峰值因數(shù),、,峭度,、,脈沖因子,、,波形因子,、,裕度因子,等五個無量綱時域輸入參數(shù)。,2,、頻域參數(shù)選取,本文研究中選取了,均方根頻率,和,頻率標準差,兩個頻域參數(shù)作為滾動軸承故障,BP,神經網絡診療系統(tǒng)輸入參數(shù),。,基于bp神經網絡的風機故障診斷,第5頁,3,、,BP,神經網絡模型構建,（,1,）輸入層節(jié)點數(shù),本文選取了七個故障特征參數(shù)，故輸入層節(jié)點數(shù)為,7,。,（,2,）輸出層節(jié)點數(shù),滾動軸承故障分為外圈故障、內圈故障、滾動體故障，故輸出層節(jié)點數(shù)為,3,。,（,3,）隱層數(shù)和隱層節(jié)點數(shù)

3、,一個三層基于,BP,算法神經網絡能夠完成任意,n,維到,m,維映射。所以本文選取網絡隱層數(shù)為,1,。,當前對隱層節(jié)點數(shù)選取尚無統(tǒng)一標準，經過綜合比較后選取隱層節(jié)點數(shù)為,17,。,基于bp神經網絡的風機故障診斷,第6頁,4,、樣本選取,(1),選取邊界樣本,（,2,）刪除矛盾樣本,（,3,）樣本集應充滿整個樣本空間,正常,軸承訓練樣本輸出均為,(0,，,0,，,0),外圈,故障軸承輸出均為,(1,，,0,，,0),內圈,故障軸承輸出均為,(0,，,1,，,0),滾動體,故障軸承輸出均為,(0,，,0,，,1),。,基于bp神經網絡的風機故障診斷,第7頁,5,、數(shù)據(jù)處理,（,1,）輸入數(shù)據(jù)歸一化

4、處理,對網絡訓練所需要原始數(shù)據(jù)進行初始化處理，使它們轉化為分布在,0,，,1,區(qū)間范圍內數(shù)據(jù)。,（,2,）輸出診療結果再處理,當結果,小于,0.1(,如,0.0518),，則判斷其為,0,；,當結果,大于,0.9(,如,0.918),，則判斷其為,1,；,對于處于,0.1,，,0.9,區(qū)間內數(shù)據(jù)判斷為,0.5(,認為該結果無意義，拒判,),。,基于bp神經網絡的風機故障診斷,第8頁,6,、神經網絡訓練,（,1,）特征性訓練,（,2,）適應性訓練,基于bp神經網絡的風機故障診斷,第9頁,7,、神經網絡故障診療,神經網絡訓練完成后，即可進行故障診療。,診療結果以下所表示：,正常滾動軸承診療結果如表,4-2,所表示,基于bp神經網絡的風機故障診斷,第10頁,外圈故障滾動軸承診療結果如表,4-3所表示,基于bp神經網絡的風機故障診斷,第11頁,內圈故障滾動軸承診療結果如表,4-4,所表示,基于bp神經網絡的風機故障診斷,第12頁,滾動體故障滾動軸承診療結果如表,4-5,所表示,基于bp神經網絡的風機故障診斷,第13頁,以上診療結果表明，訓練好,BP,神經網絡能正確地識別出滾動軸承屬于哪類故障，診療結果誤差較小，診療效果良好。,結論,基于bp神經網絡的風機故障診斷,第14頁,