LED贴插一体机智能故障诊断系统设计.docx
- 文档编号:19345939
- 上传时间:2023-04-24
- 格式:DOCX
- 页数:34
- 大小:246.18KB
LED贴插一体机智能故障诊断系统设计.docx
《LED贴插一体机智能故障诊断系统设计.docx》由会员分享,可在线阅读,更多相关《LED贴插一体机智能故障诊断系统设计.docx(34页珍藏版)》请在冰豆网上搜索。
LED贴插一体机智能故障诊断系统设计
本科毕业设计(论文)说明书
LED贴插一体机智能故障诊断系统设计
系别
专业班级
学生姓名
指导教师
提交日期
学位论文原创性声明
本人郑重声明:
所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。
除了文中特别加以标注引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写的成果作品。
对本文的研究做出重要贡献的个人和集体,均已在文中以明确方式标明。
本人完全意识到本声明的法律后果由本人承担。
作者签名:
日期:
年月日
学位论文版权使用授权书
本学位论文作者完全了解学校有关保留、使用学位论文的规定,同意学校保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。
本人授权大学广州学院可以将本学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。
保密□,在年解密后适用本授权书。
本学位论文属于
不保密□。
(请在以上方框内打“√”)
学位论文作者签名:
日期:
年月日
指导教师签名:
日期:
年月日
华南理工大学广州学院
毕业设计(论文)任务书
兹发给自动化专业2班学生毕业设计(论文)任务书,内容如下:
1.毕业设计(论文)题目:
LED贴插一体机智能故障诊断系统设计
2.应完成的项目:
针对LED贴插一体机设计远程故障诊断系统,主要研究以下三个问题:
1)搭建远程网站服务平台,提供故障申报受理、故障分类查询,统计汇总等功能;
2)了解神经网络、专家系统在故障诊断中的应用,并设计基于神经网络的故障诊断算法;
3)设计后台故障诊断专家系统,可为用户提供实时引导交互诊断。
3.参考资料以及说明:
(1)中小企业网络构建之:
轻松搭建WEB服务器.
(2)李克旻,白庆华;基于XML知识管理系统的研究[J];计算机与现代化;2001年03期.
(3)李军.飞机地面空调车智能化故障诊断系统设计[D].[硕士学位论文]大连:
大连理工大学.2005:
1-3
(4)陈炜,吴志良.故障诊断专家系统结合故障树技术的结构研究[J].航海技术,2005(6):
43-45
(5)蔡宗平,汤正平,闵海波.故障树分析法的专家系统在故障诊断中应用[J].微计算机信息,2006,8-1:
135-137。
(6)王冬梅,王黎,张涛.铁路机车故障诊断专家系统的设计[J].微计算机信息,2006,10-1:
221-223。
4.本毕业设计(论文)任务书于年月日发出,应于年月日前完成,然后提交毕业设计(论文)答辩委员会进行答辩。
专业教研组(系)负责人审核年月日
指导教师(导师组负责人)签发年月日
毕业设计(论文)评语:
毕业设计(论文)总评成绩:
毕业设计(论文)答辩小组负责人签字:
年月日
摘要
现代制造业企业中,整个生产运作系统都处于高速、相互连接、相互制约的状态,设备故障的突然发生,不仅会增加企业的维护成本,而且会严重影响企业的生产效率,使企业蒙受巨大损失。
因此,及时诊断出机器故障变得十分重要。
进行设备故障诊断的研究对早期发现故障原因和部位、提高系统的运行可靠性具有现实意义。
所以本论文介绍了故障诊断专家系统以及BP神经网络研究。
并用基于BP神经网络的机器故障诊断技术设计一个智能诊断系统。
本文所设计的智能诊断系统的主要核心BP神经网络,BP神经网络进行故障分类的基本思想:
根据以往历史情况,仪表测得机器运行关键状态点参数值以及对应的机器故障模式,即形成学习样本;样本进行数据归一化后作为模型的输入输出,模型进行学习。
通过学习,网络将能够对各种故障模式进行区分。
而通过建立一个WEB服务器,还可以搭建远程网站服务平台,提供故障申报受理、故障分类查询,统计汇总等功能,最后设计后台故障诊断专家系统,可为用户提供实时引导交互诊断。
至此,一个完整的智能诊断系统就完成了。
从结果来看,与传统的诊断方法不同,BP神经网络是一种效果非常好的智能信息处理方法,它是自学习和可以被训练的,具有许多优良的特性。
把基于神经网络BP算法的故障诊断技术引入伺服系统,能够在伺服系统的监测及诊断中发挥较大的作用。
如果对BP算法进行适当的改进,或者跟其他方法相结合,发挥各种方法的长处,可以获得更理想的结果。
关键词:
智能诊断系统、BP神经网络、故障诊断、MATLAB
Abstract
Modernmanufacturingenterprises,theproductionoperationsysteminhighspeed,mutualconnection,mutualrestrictcondition,equipmentfailuresuddenlyoccurs,willnotonlyincreasethemaintenancecostfortheenterprise,butalsoseriouslyaffecttheproductionefficiencyofenterprise,makeenterpriseincurhugeloss.Therefore,promptdiagnosisofmachinefaulthasbecomeveryimportant.Faultdiagnosisresearchonearlydetectionoffaultreasonsandpositions,improvethereliabilityofthesystemisofpracticalsignificance.SothispaperintroducestheexpertsystemoffaultdiagnosisandbasedonBPneuralnetwork.AndbasedonBPneuralnetworkfaultdiagnosistechnologytodesignanintelligentdiagnosissystem.ThedesignoftheintelligentdiagnosticsystemforthemaincoreofBPneuralnetwork,theBPneuralnetworkforfaultclassification:
thebasicideaonthebasisofprevioushistory,instrumentmeasuringmachineoperationkeystateparametersandcorrespondingmachinefaultpattern,namelyformalearningsample;thesampledataisnormalizedasmodelinputandoutput,modellearning.Throughlearning,networkwillbeabletodistinguishbetweenvariousfailuremodes.AndthroughthecreationofaWEBserver,alsocanbuildaremotewebserviceplatform,providesfaultdeclarationaccepting,faultclassification,query,statisticsandotherfunctions,anddesignthefaultdiagnosisexpertsystem,canprovideuserswithreal-timeguideinteractivediagnosis.Thus,acompleteintelligentdiagnosissystemiscomplete.Fromtheresult,andthetraditionaldiagnosismethodisdifferent,theBPneuralnetworkisakindofeffectisverygoodintelligenceinformationprocessingmethod,itisthelearningandcanbetrained,isofmanyexcellentproperties.TheBPalgorithmbasedonneuralnetworkfaultdiagnosistechnologyintotheservosystem,canbeinaservosystemmonitoringanddiagnosisofplaybiggerfunction.IfBPalgorithmtoappropriateimprovement,orwithothermethod,andthecombinationofplaytothestrengthsofthevariousmethods,cangettheresultofmoreideal..
Keywords:
Intelligentdiagnosissystem,BPneuralnetworks,Faultdiagnosis,MATLAB
摘要Ⅰ
AbstractⅡ
第一章绪论1
1.1引言1
1.2选题背景以及意义2
第二章BP神经网络3
2.1BP神经网络及其原理3
2.2BP网络诊断机器故障的工作原理6
2.3仿真平台MATLAB7
第三章BP神经网络应用实例9
3.1实例概述9
3.2神经网络结构与参数确定10
3.3网络训练13
3.4网络测试14
第四章搭建服务平台
4.1安装WEB服务17
4.2搭建一个服务平台19
总结23
致谢24
参考文献25
第一章绪论
1.1引言
智能诊断系统是将人类在故障诊断方面的多位专家具有的知识、经验、推理、技能综合后编制成的大型计算机程序,它可以利用计算机系统帮助人们分析解决只能用语言描述、思维推理的复杂问题,扩展计算机系统原有的工作范围,使计算机系统有了思维能力,能够与决策者进行“对话”,并应用推理方式提供决策建议。
智能诊断系统在故障诊断领域的应用非常广泛,长期以来,在航空、航天、电力、机械、化工、船舶等许多领域,故障检测与诊断技术与专家系统相结合,使工程的安全性与可靠性得到保证。
智能诊断系统除了具备专家系统的一般结构外,还具有自己的特殊性。
它具有如下特点。
(1)知识可以从类似机器和工作实际、诊断实例中获取,即知识来源比较规范。
(2)诊断对象多为复杂的、大型的动态系统,这种系统的大部分故障是随机的,普通人很难判断,这时就需要通过讨论或请专家来进行诊断。
但对于一些新型机器,可能无处获得诊断知识;或者对于非定型生产的机器,由于其工作特性和常用机器相比差异很大,知识获取也十分困难。
而智能诊断系统恰恰适用于复杂的、知识来源规范的大型动态系统,它可以汇集众多专家的知识,进行分析、比较、推理,最终得出正确的结论。
现场技术人员可以充分利用各种信息和症兆,在计算机系统的帮助下有效地解决工程实际问题,这也是智能诊断系统近年来成为热门研究课题的原因。
1.2选题背景以及意义
随着科学技术的发展,机械设备趋向于大型化、高速化、精密化和自动化。
为了提高机器运行的可靠性,进一步提高机器的利用率,就必须对机器运行状态进行识别、预测和监视,以便做预测性维修。
现代制造业企业中,整个生产运作系统都处于高速、相互连接、相互制约的状态,设备故障的突然发生,不仅会增加企业的维护成本,而且会严重影响企业的生产效率,使企业蒙受巨大损失。
因此,及时诊断出机器故障变得十分重要。
进行设备故障诊断的研究对早期发现故障原因和部位、提高系统的运行可靠性具有现实意义。
故障诊断技术经历了主要依靠专家或维修人员的感觉器官、个人经验及简单仪表进行故障的诊断与排除,工作传感器技术、动态测试技术及信号分析技术等阶段。
近年来随着计算机技术、人工智能技术特别是专家系统的发展,诊断技术进入智能化阶段。
人工智能作为当前控制界的发展热点,相应地也被应用到故障检测中来。
人工神经网络方法因其能模仿人脑的思维,并具有联想、记忆和很强的数据处理能力,在故障检测领域中的应用越来越广泛。
基于专家系统和神经网络的故障诊断方法,已经在工业中获得了较为成功的应用。
人工神经网络(Artificialneuralnetwork,简称ANN)具有较好的容错性、响应快、强大的学习能力、自适应能力和非线性逼近能力等,被广泛应用于故障诊断领域。
基于神经网络的故障诊断专家系统有两种形式:
一种是使用神经网络来构造专家系统,变基于符号的推理为基于数字运算的推理,提高系统效率,解决自学习问题;另一种是把神经网络作为知识源的表示和处理模式,并与其它推理机制相融合,实现多模式推理。
基于神经网络的诊断专家系统是一类新的知识表达体系,不同于传统诊断专家系统的高层逻辑模型,是一种低层数值模型。
其分布式联结机制,实现知识表示、存储和推理三者融为一体,在知识获取、并行推理和自适应学习等方面显示出明显的优越性,一定程度上克服了传统诊断专家系统存在的知识获取困难、推理速度慢、知识存储容量与系统运行速度的矛盾及知识的窄台阶效应等问题。
目前,国内外对基于神经网络的故障诊断研究多集中于BP网络,尽管提出了一些改进算法,以避免BP算法存在的收敛慢、振荡和局部极小等问题,但仍然存在一些困难。
首先,训练样本的致密性、遍历性和相容性问题,对网络的诊断影响很大;其次,BP算法一个突出问题在于对异常类故障的处理能力低,其求解能力对样本的依赖性极大,不具备增量学习功能。
目前,通过将模糊算法、神经网络和遗传算法三个领域综合在一起,利用模糊理论来处理诊断领域的模糊性问题,利用遗传算法来优化网络结构和隶属函数,有力的促进了不同研究领域之间的交叉渗透和共同发展。
第二章BP神经网络
2.1BP神经网络及其原理
2.1.1BP神经网络定义
BP(BackPropagation)神经网络是一种神经网络学习算法。
其由输入层、中间层、输出层组成的阶层型神经网络,中间层可扩展为多层。
相邻层之间各神经元进行全连接,而每层各神经元之间无连接,网络按有教师示教的方式进行学习,当一对学习模式提供给网络后,各神经元获得网络的输入响应产生连接权值(Weight)。
然后按减小希望输出与实际输出误差的方向,从输出层经各中间层逐层修正各连接权,回到输入层。
此过程反复交替进行,直至网络的全局误差趋向给定的极小值,即完成学习的过程。
2.1.2BP神经网络基本原理
BP神经网络是误差反向传播神经网络的简称,它由一个输入层,一个或多个隐含层和一个输出层构成,每一层由一定数量的的神经元构成。
这些神经元如同人的神经细胞一样是互相关联的。
其结构如图2.1所示:
图2.1BP神经网络模型
生物神经元信号的传递是通过突触进行的一个复杂的电化学等过程,在人工神经网络中是将其简化模拟成一组数字信号通过一定的学习规则而不断变动更新的过程,这组数字储存在神经元之间的连接权重。
网络的输入层模拟的是神经系统中的感觉神经元,它接收输入样本信号。
输入信号经输入层输入,通过隐含层的复杂计算由输出层输出,输出信号与期望输出相比较,若有误差,再将误差信号反向由输出层通过隐含层处理后向输入层传播。
在这个过程中,误差通过梯度下降算法,分摊给各层的所有单元,从而获得各单元的误差信号,以此误差信号为依据修正各单元权值,网络权值因此被重新分布。
此过程完成后,输入信号再次由输入层输入网络,重复上述过程。
这种信号正向传播与误差反向传播的各层权值调整过程周而复始地进行着,直到网络输出的误差减少到可以接受的程度,或进行到预先设定的学习次数为止。
权值不断调整的过程就是网络的学习训练过程。
BP神经网络的信息处理方式具有如下特点:
1)信息分布存储。
人脑存储信息的特点是利用突触效能的变化来调整存储内容,即信息存储在神经元之间的连接强度的分布上,BP神经网络模拟人脑的这一特点,使信息以连接权值的形式分布于整个网络。
2)信息并行处理。
人脑神经元之间传递脉冲信号的速度远低于冯·诺依曼计算机的工作速度,但是在很多问题上却可以做出快速的判断、决策和处理,这是由于人脑是一个大规模并行与串行组合的处理系统。
BP神经网络的基本结构模仿人脑,具有并行处理的特征,大大提高了网络功能。
3)具有容错性。
生物神经系统部分不严重损伤并不影响整体功能,BP神经网络也具有这种特性,网络的高度连接意味着少量的误差可能不会产生严重的后果,部分神经元的损伤不破坏整体,它可以自动修正误差。
这与现代计算机的脆弱性形成鲜明对比。
4)具有自学习、自组织、自适应的能力。
BP神经网络具有初步的自适应与自组织能力,在学习或训练中改变突触权值以适应环境,可以在使用过程中不断学习完善自己的功能,并且同一网络因学习方式的不同可以具有不同的功能,它甚至具有创新能力,可以发展知识,以至超过设计者原有的知识水平。
目前,在人工神经网络的实际应用中。
绝大部分的神经网络模型都采用BP神经网络及其变化形式。
它也是前向网络的核心部分,体现了人工神经网络的精华。
BP网络主要用于以下四方面。
(1)函数逼近:
用输入向量和相应的输出向量训练一个网络以逼近一个函数。
(2)模式识别:
用一个待定的输出向量将它与输入向量联系起来。
(3)分类:
把输入向量所定义的合适方式进行分类。
(4)数据压缩:
减少输出向量维数以便传输或存储。
2.1.3BP神经网络学习过程描述
注:
Wpq是隐含层P中p(输出)神经元到隐含层Q中q(输入)神经元的连接权值。
神经元输入用μ,激励输出用ν,激励函数用Sigmoid,μIi表示I层的第i个神经元输入,在这里即xi;
训练样本集X=[x1,x2,…,xI]T,训练实例K样本集Xk=[xk1,xk2,…,xkI]T;
实际输出Yk=[yk1,yk2,…,ykO]T,期望输出dk=[dk1,dk2,…,dkO]T;
假设n为迭代次数,即训练步长,权值和实际输出是n的函数。
2.1.4BP神经网络学习过程描述
①工作信号正向传播。
输入信号从输入层经隐含层传向输出层,在输出端产生输出信号,在信号的向前传递过程中网络的权值是固定不变的,每一层神经元的状态只影响下一层的神经元的状态。
如果在输出层不能得到期望的输出则会转入误差反向传播;
②误差信号反向传播。
网络误差信号即网络的实际输出与期望输出之间的差值,该信号由输出端逐层向前传播。
在误差信号的反向传播过程中,网络的权值由误差反馈进行调节,即权值修正,经过不断的修正直到允许的误差范围。
2.1.5BP神经网络方框图
图2.3仅给出了输出层的一个神经元K,焦点集中在该神经元周围活动:
2.2BP网络诊断机器故障的工作原理
BP神经网络进行故障分类的基本思想:
根据以往历史情况,仪表测得机器运行关键状态点参数值以及对应的机器故障模式,即形成学习样本;样本进行数据归一化后作为模型的输入输出,模型进行学习。
通过学习,网络将能够对各种故障模式进行
区分,原理如图2.4所示
图2.4BP网络区分故障模式原理
根据BP网络的工作原理,利用其解决机器故障诊断问题的基本工作流程如图所示。
图2.5BP网络诊断故障模式的工作流程
2.3仿真平台MATLAB
MATLAB是MatritLaboratory的英文缩写,中文意思是矩阵实验室,是美国MathWorks公司出品的商业数学软件,它的内核是采用C语言编写,是一种以矩阵为基本数据元素,面向科学计算与工程计算的可视化软件。
MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等,主要应用于工程计算、控制设计、信号处理与通讯、图像处理、鲁棒控制、信号检测、金融建模设计与分析等领域。
在新的版本中也加入了对C,FORTRAN,C++,JAVA的支持。
可以直接调用,用户也可以将自己编写的实用程序导入到MATLAB函数库中方便自己以后调用,此外许多的MATLAB爱好者都编写了一些经典的程序,用户可以直接进行下载就可以用。
快速发展的Matlab软件为神经网络理论的实现提供了一种便利的仿真手段。
Matlab神经网络工具箱的出现,更加拓宽了神经网络的应用空间。
神经网络工具箱将很多原本需要手动计算的工作交给计算机,一方面提高了工作效率,另一方面,还提高了计算的准确度和精度,减轻了工程人员的负担。
神经网络工具箱是在MATLAB环境下开发出来的许多工具箱之一。
它以人工神经网络理论为基础,利用MATLAB编程语言构造出许多典型神经网络的框架和相关的函数。
这些工具箱函数主要为两大部分。
一部分函数特别针对某一种类型的神经网络的,如感知器的创建函数、BP网络的训练函数等。
而另外一部分函数则是通用的,几乎可以用于所有类型的神经网络,如神经网络仿真函数、初始化函数和训练函数等。
这些函数的MATLAB实现,使得设计者对所选定网络进行计算过程,转变为对函数的调用和参数的选择,这样一来,网络设计人员可以根据自己的的需要去调用工具箱中有关的设计和训练程序,从烦琐的编程中解脱出来,集中精力解决其他问题,从而提高了工作效率。
第三章BP神经网络应用实例
3.1实例概述
本例子是研究在LED贴片机中的伺服系统的故障诊断过程中应用改进的BP神经网络实现伺服系统故障智能诊断。
因此,根据伺服系统的故障诊断特点,确定神经网络的结构与参数。
这样根据系统输入待诊断信号的特征量,系统就自动判断故障类型,可大大减轻故障诊断人员工作量。
采用动量法和学习速率自适应法的改进BP神经网络进行伺服系统的故障诊断。
根据伺服系统的故障诊断特点,确定神经网络的结构与参数,并制作了相应的故障诊断系统,最后通过故障诊断实例表明:
改进的BP神经网络提高了学习速度,有效地抑制了网络陷于局部极小,缩短了学习时间,是伺服系统故障诊断的有效方法。
3.1.1改进BP神经网络算法
误差逆传播网络即BP网络是由输入层、输出层和若干隐含层组成的单向网络。
每一层节点输出送人下一层节点,本层节点之间没有连接。
上层输出的节点值被连接权值放大、衰减或抑制。
除了输入层外,每一节点的输人为前一层所有节点输出值的加权和。
BP神经网络具有高度的非性模式识别能力,由于实际应用中,BP算法的收敛速度很慢,而且存在着局部最小问题,尤其在训练量大、输人参数众多的情况下,学习效果大受影响,于是在本实例中采用自适应调整学习速率附加动量因子梯度下降反向传播算法训练函数,来改进神经网络。
学习速率自适应调整可以减少寻找学习速率的训练次数以及训练时间,使网络的训练在不同的阶段自
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- LED 一体机 智能 故障诊断 系统 设计