【故障诊断】BP神经网络电机数据特征提取与故障诊断【含Matlab源码 2569期】

最新推荐文章于 2024-07-14 15:49:41 发布

Matlab武动乾坤

最新推荐文章于 2024-07-14 15:49:41 发布

阅读量142

点赞数

分类专栏： Matlab信号处理（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/135225013

版权

Matlab信号处理（进阶版）专栏收录该内容

522 篇文章 45 订阅

订阅专栏

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、BP神经网络故障诊断简介

针对电机为研究对象，建立了仿真模型，并对电机故障进行仿真，提出了基于BP神经网络的故障诊断方法，确定了网络的结构和参数，并以此训练网络．仿真试验结果表明，该神经网络具有很好的故障识别能力，所选择的基于BP神经网络的电机故障诊断系统是可行的。

电力电子技术广泛应用于国防军事和工业生产.电力电子设备一旦发生故障，可能造成装置或系统的损坏甚至威胁人身安全；因此，对电力电子设备进行故障检测和诊断非常有意义。由于电力电子器件的过载能力小，损坏速度快，且故障信息仅存在于发生故障后到停电之前的数十毫秒以内，所以需要动态监视，在线诊断.目前，人们只能从输出波形来诊断它是否有故障，以及何种故障，现已有多种方法用于电力电子电路的故障诊断.利用BP网络来诊断无功发生器中逆变器主回路元件开路故障；采用傅里叶分析方法实现了对电机的故障诊断；提出了采用小波分析和神经网络诊断电力电子装置故障诊断的方法。

⛄二、部分源代码

clear all
close all
%%%%%%%%加载数据
addpath(genpath(‘…/.’))

data=importdata(‘s9.txt’);
data1=data(1:3000,:);

%%%%%%%%01–时域分析
%%%%%%%02频域分析–傅里叶变换
fs=1000;
y=data1;
figure
subplot(211);plot(y,‘k’);
title(‘原始数据’,‘Fontname’, ‘宋体’);
subplot(212);
[y_f,y_ft,nfft]=hua_fft(y,fs,1);

plot(y_f,2*abs(y_ft(1:nfft/2))/length(y));%
% subplot(313);hua_fft(y,fs,1,0,250);
title(‘FFT-show’)
%%%%%%%%%%%%%%%%%%%%%%%%%%%
x=y;
nfft=64; % FFT长度
X=fft(x,nfft); % FFT分析
ff=(0:(nfft/2-1))*fs/nfft; % 频率刻度
n2=1:nfft/2; % 正频率索引号
X_abs=abs(X(n2))*2/nfft; % 正频率部分的幅值谱
fe=50; % 中心频率
D=10; % 细化倍数f
[y,freq]=exzfft_ma(x,fe,fs,nfft,D); % 细化分析
% 作图
figure
subplot 311;
plot(x,‘k’);
xlabel(‘时间/s’,‘Fontname’, ‘宋体’);
ylabel(‘幅值’,‘Fontname’, ‘宋体’);
title(‘时间序列’,‘Fontname’, ‘宋体’);
subplot 312; plot(ff,X_abs,‘k’);
xlabel(‘频率/Hz’,‘Fontname’, ‘宋体’);
ylabel(‘幅值’,‘Fontname’, ‘宋体’);
title(‘细化分析前频谱’,‘Fontname’, ‘宋体’);
grid;
subplot 313;
plot(freq,abs(y),‘k’); grid;
% set(gca, ‘XTickMode’, ‘manual’, ‘XTick’);
% set(gca, ‘YTickMode’, ‘manual’, ‘YTick’);
xlabel(‘频率/Hz’,‘Fontname’, ‘宋体’);
ylabel(‘幅值’,‘Fontname’, ‘宋体’);
title(‘细化分析的频谱’,‘Fontname’, ‘宋体’);
set(gcf,‘color’,‘w’);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
xn=data1;
ls=length(xn);
w_name=‘db6’;
%对信号进行小波分解
[c,l]=wavedec(xn,5,w_name);%5层小波分解（层：尺度）
ca5=appcoef(c,l,w_name,5);% 提取一维小波变换低频系数（第五层的逼近系数）
cd5=detcoef(c,l,5);%提取一维小波变换高频系数 (细节系数)
cd4=detcoef(c,l,4);
cd3=detcoef(c,l,3);
cd2=detcoef(c,l,2);
cd1=detcoef(c,l,1);

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]罗耀华,从静.基于matlab BP神经网络的三相逆变器故障诊断[J].应用科技.2010年6月.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合