基于bp神经网络的风机故障诊断.pptx

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,#,基于bp神经网络的风机故障诊断,基于bp神经网络的风机故障诊断,第1页,风力发电机作为风能转化为电能基础设施在整个风力发电系统中有着举足轻重作用，又因为滚动轴承在风力发电机组中也有着广泛应用。所以对滚动轴承进行准确、及时故障诊疗是工程应用中非常重视问题。,一、课题研究目标及意义,基于bp神经网络的风机故障诊断,第2页,二、滚动轴承故障机理,1,、滚动轴承在风机上应用,（,1,）偏航系统轴承,（,2,）变桨距系统轴承,（,3,）传动系统轴承,基于bp神经网络的风机故障诊断,第3页,2,、滚动轴承故障特征,基于bp神经网络的风机故障诊断,第4页,三、基于神经网络滚动轴承故障诊疗,1,、时域参数选取,本文选取了,峰值因数,、,峭度,、,脉冲因子,、,波形因子,、,裕度因子,等五个无量纲时域输入参数。,2,、频域参数选取,本文研究中选取了,均方根频率,和,频率标准差,两个频域参数作为滚动轴承故障,BP,神经网络诊疗系统输入参数,。,基于bp神经网络的风机故障诊断,第5页,3,、,BP,神经网络模型构建,（,1,）输入层节点数,本文选取了七个故障特征参数，故输入层节点数为,7,。,（,2,）输出层节点数,滚动轴承故障分为外圈故障、内圈故障、滚动体故障，故输出层节点数为,3,。,（,3,）隐层数和隐层节点数,一个三层基于,BP,算法神经网络能够完成任意,n,维到,m,维映射。所以本文选取网络隐层数为,1,。,当前对隐层节点数选取尚无统一标准，经过综合比较后选取隐层节点数为,17,。,基于bp神经网络的风机故障诊断,第6页,4,、样本选取,(1),选取边界样本,（,2,）删除矛盾样本,（,3,）样本集应充满整个样本空间,正常,轴承训练样本输出均为,(0,，,0,，,0),外圈,故障轴承输出均为,(1,，,0,，,0),内圈,故障轴承输出均为,(0,，,1,，,0),滚动体,故障轴承输出均为,(0,，,0,，,1),。,基于bp神经网络的风机故障诊断,第7页,5,、数据处理,（,1,）输入数据归一化处理,对网络训练所需要原始数据进行初始化处理，使它们转化为分布在,0,，,1,区间范围内数据。,（,2,）输出诊疗结果再处理,当结果,小于,0.1(,如,0.0518),，则判断其为,0,；,当结果,大于,0.9(,如,0.918),，则判断其为,1,；,对于处于,0.1,，,0.9,区间内数据判断为,0.5(,认为该结果无意义，拒判,),。,基于bp神经网络的风机故障诊断,第8页,6,、神经网络训练,（,1,）特征性训练,（,2,）适应性训练,基于bp神经网络的风机故障诊断,第9页,7,、神经网络故障诊疗,神经网络训练完成后，即可进行故障诊疗。,诊疗结果以下所表示：,正常滚动轴承诊疗结果如表,4-2,所表示,基于bp神经网络的风机故障诊断,第10页,外圈故障滚动轴承诊疗结果如表,4-3所表示,基于bp神经网络的风机故障诊断,第11页,内圈故障滚动轴承诊疗结果如表,4-4,所表示,基于bp神经网络的风机故障诊断,第12页,滚动体故障滚动轴承诊疗结果如表,4-5,所表示,基于bp神经网络的风机故障诊断,第13页,以上诊疗结果表明，训练好,BP,神经网络能正确地识别出滚动轴承属于哪类故障，诊疗结果误差较小，诊疗效果良好。,结论,基于bp神经网络的风机故障诊断,第14页,