基于神經網絡的石家莊風機廠風機狀態預測

 石家莊風機廠 石家莊風機 石家莊市風機廠 石家莊風機維修 石家莊風機銷售5.4.1 基于神經網絡的石家莊風機廠風機狀態預測
1）數據處理
本論文數據來源于某石家莊風機廠風機。數據采集從 2012 年 3 月 1 日到 2012 年 7 月 1 日，每小時采集一次每天采集八小時，信號長度為 784 個點。原始數據與其歸一化的數據如圖 40、41 圖所示：
神經網絡的中間層數和神經元的數量是神經網絡模型設計的關鍵。神經網絡中間層數的確定：BP 網絡的中間隱含層數對訓練速度有很大的提升，但在實際的操作時，隱層數量太多會占用大量的訓練時間，況且還有一種提高訓練速度的方法是增加隱層節點數，所以在實際應用時，訓練數據不是很多，選取的隱含層數為三層。
BP 神經網絡各層中神經元個數的確定：神經元個數的確定是神經網絡模型設計的關鍵，網絡容錯性和迭代次數與網絡中的神經元個數密切相關。神經元個數太多會延長網絡訓練時間，增加訓練的迭代次數，網絡的泛化能力大幅度下降，導致預測誤差增加。網絡的神經元個數太少，網絡的容錯性降低，甚至網絡訓練無法進行。在對預測模型進行設計時，先由經驗公式初步確定神經元的個數，再將不同神經元的訓練模型對比，擇優選用。神經網絡神經元確定的經驗公式為 :i = n + m + a其中輸入層神經元的個數為n，網絡隱含層的神經元的個數為i，輸出層神經元的個數為m，a為大于 1 且小于 10 的常數，因此可以確定本實驗的神經網絡模型的隱含層神經元的個數為 3~5 個。網絡輸入的神經元設置為 4 個，輸出的神經元為 1 個。直接神經網絡預測結果以及誤差曲線如圖 42，43 所示.
結 論
本文以礦井石家莊風機廠風機為研究對象，借助振動傳感器、功率放大器、數據采集卡、計算機等硬件條件，利用 LabVIEW、SQL 數據庫、MATLAB 等軟件環境，設計了石家莊風機廠風機振動信號的實時采集系統；建立了實時采集數據、定周期采集數據、故障數據、診斷結果數據以及現場技術人員診斷與維修數據的管理系統；提出了基于EMD 的神經網絡石家莊風機廠風機運行狀態預測方法。
論文主要完成了以下研究工作：
1）對石家莊風機廠風機故障機理進行研究確定了振動信號為石家莊風機廠風機運行狀態的預測參數。2）利用傳感器技術與計算機技術，建立實時數據采集系統，完成了石家莊風機廠風機振動信號的實時采集。
3）利用 LabVIEW 與 SQL 數據庫技術，構建礦井石家莊風機廠風機的數據存儲與管理系統，實現了實時采集數據、定周期采集數據、故障數據、診斷結果數據以及現場技術人員診斷與維修數據的存儲與管理，為對石家莊風機廠風機運行狀態作進一步分析提供了完整的歷史檔案。
4）針對礦井石家莊風機廠風機振動信號的非平穩性，用 MATLAB 實現了 EMD 分解算法，對礦井石家莊風機廠風機振動信號進行了 EMD 分解，其分解過程隔離了振動信號中的非平穩性，從而減弱了分量信號的非平穩性。
5）建立了神經網絡預測模型以及基于 EMD 的神經網絡預測模型，完成了直接神經網絡預測方法與基于 EMD 的神經網絡預測方法的比較研究，結果表明后者有更好的預測準確性。