主要研究了BP神经网在微电机的故障测试和诊断中的应用方法。文章首先构建了基于摩擦系数、峭度、振动和噪声参数的微电机工作状态的神经网络模型,然后利用实验数据对该模型进行训练。最后利用训练后的成熟神经网络进行故障测试研究。采用本文的方法可以在微电机出现故障时及时获知故障的发生和故障种类,可以大大提高设备的安全性和经济性,具有一定的实用意义。 神经网络考虑到本文研究的微电机故障种类较少，本文经过预研后决定采用含一个隐藏层的BP神经网络结构进行研究，由于输入单元为摩擦系数、峭度、噪声值和振动值，即输入单元数目为4微电机故障测试研究-电动折弯机数控滚圆机滚弧机张家港液压弯管机数控弯管机；输出单元为正常、定子故障、转子故障、轴承故障和负载波动这五种状态构成的四维向量，即输出单元数为4。根据BP神经网络隐含层神经元数目的经验公式可以知道可选隐藏层节点数为3～8之间的整数。采用试凑法得到了中间层神经元数为4时，得到的MSE值最小为54，所以确定的隐含层节点数为4。本文所用BP神经网络结构和参数如图3所示，隐含层单元数为4，主要传递函数为“tansig”和“purelin”函数。图3采用的神经网络结构示意图（4）BP神经网络的训练在Matlab中应用输入和输出样本向量对网格进行训练，定义期望误差为1e-4。训练过程中，BP神经网络误差的变化情形如图4所示。图4误差曲线的变化情况由图4可知

转载 ，当训练经过84次迭代之后达到了满意的期望误差限。（5）利用BP神经网络进行微电机故障诊断通过前面的步骤，可以获得成熟的BP神经网络，为了验证其诊断测试精度，采用表1中剩余的6组数据作为测试样本，对BP神征参数之间的关系训练成一套神经网络模型。使得再次输入类似的特征信息时，这套神经网络模型可以正确而快速的输出其对应的故障类型。利用BP神经网络进行微电机故障诊断的大致流程可以分为3个步骤，具体的过程如图1所示。图1故障诊断算法的流程具体而言，试验时采用多种传感器对微电机工作时的多个参数进行采集，并根据微电机在工作时的主要故障类型和主要影响参数初步构建BP神经网络的模型。然后选择部分试验参数作为训练样本对BP神经网络进行训练，在获得成熟的BP神经网络后就可以采用剩余的样本对BP神经网络模型进行检验，以验证模型的预测精度。本文选取某型微电机在工作时常见的4个特征参数，包括摩擦系数、峭度、噪声值和振动值，采用状态测试的方式进行试验，试验原理如图2所示，其中，振动值和噪音值由传感器直接测得，摩擦系数由减速器和力矩仪测量结果共同计算，峭度值通过计算振动传感器数据获得。基于BP神经网络的微电机故障测试研究沈勇（贵州航天林泉电机有限公司，贵州贵阳，550000）摘要：本文主要研究了BP神经网在微电机的故障测试和诊断中的应用方法。文章首先构建了基于摩擦系数、峭度、振动和噪声参数的微电机工作状态的神经网络模型，然后利用实验数据对该模型进行训练。最后利用训练后的成熟神经网络进行故障测试研究。采用本文的方法可以在微电机出现故障时及时获知故障的发生和故障微电机故障测试研究-电动折弯机数控滚圆机滚弧机张家港液压弯管机数控弯管机 转载