基于BP神经网络的电机故障诊断系统

资 源 简 介

本项目利用MATLAB平台构建一个基础的BP（Back Propagation）神经网络模型，用于识别和诊断电机的常见故障类型。主要流程包括数据预处理、特征提取、网络构建、训练与测试。首先，系统导入电机在不同健康状态下（如正常运行、轴承故障、转子断条、定子短路等）的振动信号或电流信号数据。通过计算信号的时域统计特征（如均方根值、峰值因子、峭度、偏度等）或频域能量特征，构建特征向量以降低数据维度并提高训练效率。然后，设计一个包含输入层、单隐含层和输出层的BP神经网络，设置合适的神经元数量、学习率和传递函数。使用一部分带有标签的数据集对网络进行监督训练，利用误差反向传播算法调整权重和偏置。最后，利用训练好的网络模型对未知的测试样本进行分类，输出诊断结果，实现对电机健康状态的初步评估和故障类型的自动识别。

详 情 说 明

基于BP神经网络的电机故障诊断系统 (MATLAB)

这是一个基于MATLAB开发的电机故障诊断与状态监测模拟系统。该项目利用BP（Back Propagation）神经网络算法，通过分析模拟的电机振动信号，自动识别电机的健康状态。系统涵盖了从信号生成、特征提取、数据预处理到神经网络训练及结果可视化的全过程。

项目简介

本项目旨在构建一个智能化的故障诊断模型，能够识别四种典型的电机状态：正常运行、轴承故障、转子断条以及定子短路。由于实际工业数据获取困难，本项目内置了基于物理机理的信号生成模块，能够自动合成带有特定故障特征的仿真信号。通过提取信号的时域统计特征，并将这些特征输入到BP神经网络中进行训练，从而实现对未知样本的高精度分类。

功能特性

• 多状态信号模拟：基于物理模型自动生成四种电机状态（正常、轴承故障、转子断条、定子短路）的振动信号，包含逼真的噪声干扰。
• 时域特征提取：自动计算信号的10种关键时域统计特征，构建高维特征向量。
• 自动数据预处理：包含特征数据的归一化处理（[0, 1]区间）和标签的One-Hot编码转换。
• BP神经网络分类：构建包含单隐含层的前馈神经网络，使用量化共轭梯度法（SCG）进行快速训练。
• 多维度结果评估：提供训练集与测试集的准确率计算。
• 丰富的数据可视化：

* 各类故障原始信号波形对比。 * 神经网络训练误差收敛曲线（MSE）。 * 自定义热力图形式的分类混淆矩阵。 * 基于PCA（主成分分析）的三维特征空间分布图。

系统要求

• 软件环境：MATLAB
• 工具箱依赖：

* Deep Learning Toolbox (Neural Network Toolbox) - 用于构建和训练BP神经网络。 * Statistics and Machine Learning Toolbox - 用于PCA分析和部分统计函数。

使用方法

1. 确保MATLAB已正确安装所需的工具箱。
2. 打开MATLAB环境，定位到项目所在目录。
3. 直接运行主脚本。
4. 程序将自动执行数据生成、处理、训练和测试流程，并依次弹出结果图表。
5. 控制台将输出训练集和测试集的最终分类准确率。

系统流程与实现逻辑

系统的核心逻辑流程如下，完全对应代码的执行顺序：

1. 环境初始化与数据生成

程序首先清理工作区并设定固定的随机数种子（Seed=42），确保每次运行产生的数据和训练结果可复现。随后调用内置生成函数模拟800个样本（每类200个），采样频率设定为10kHz，每个样本长度为2048个点。

2. 原始信号可视化

系统随机抽取每种状态的一个样本，绘制其时域波形图。这有助于直观理解不同故障类型下的信号特征差异（如轴承故障的冲击成分、转子故障的调制现象）。

3. 特征提取机制

为了降低数据维度并提取有效信息，系统不直接使用原始波形数据进行训练，而是对每个样本计算以下10个时域特征：

• 基础统计量：均值、标准差、均方根值（RMS）、峰值。
• 高阶统计量：偏度（Skewness）、峭度（Kurtosis）。
• 无量纲指标：波形因子、峰值因子、脉冲因子、裕度因子。

4. 数据集划分与预处理

• 归一化：使用最大最小映射（mapminmax）将所有特征数据缩放到 [0, 1] 范围内，以消除不同特征量纲对网络权重更新的影响。
• 标签编码：将类别标签转换为神经网络专用的One-Hot编码矩阵（例如类别2表示为 [0 1 0 0]）。
• 数据集分割：将数据集随机打乱，按照70%作为训练集，30%作为测试集进行划分。

5. BP神经网络构建与训练

系统构建了一个典型的三层前馈神经网络：

• 输入层：10个节点，对应10个时域特征。
• 隐含层：12个节点（设定值），采用Sigmoid型激活函数。
• 输出层：4个节点，对应4种电机状态。
• 训练算法：采用缩放共轭梯度算法（trainscg），该算法收敛速度快，适合模式识别任务。
• 参数设定：最大迭代1000次，目标误差1e-5，最小梯度1e-6。

6. 模型测试与诊断

利用训练好的网络对独立的测试集数据进行前向预测。根据输出层4个节点中数值最大的节点索引确定预测类别，并将其解码为具体的故障类型。

7. 结果分析与图形展示

• 准确率计算：分别计算并打印训练集和测试集的分类准确率百分比。
• 误差曲线：绘制均方误差（MSE）随迭代次数下降的对数曲线，评估网络收敛情况。
• 混淆矩阵：通过自定义热力图展示真实类别与预测类别的对应关系，便于分析哪类故障容易被误判。
• PCA可视化：利用主成分分析（PCA）将10维特征降维至3维，绘制三维散点图，直观展示各类样本在特征空间中的聚类分离情况。

关键算法实现细节

信号模拟算法

• 正常运行：基频50Hz的正弦波加上白噪声。
• 轴承故障：在基频基础上叠加周期性的衰减指数冲击信号（模拟外圈故障，频率约120Hz）。
• 转子断条：采用调幅（AM）模型，模拟(1±2s)f0边频带效应，表现为载波幅度的周期性波动。
• 定子短路：引入高次谐波（150Hz, 250Hz）并模拟幅值不平衡，以此表征定子绕组不对称引起的气隙磁场畸变。

网络拓扑选择

代码中根据经验公式（$sqrt{in+out} + a$）设定隐含层节点数为12，这是一个在特征维数（10）和输出类别（4）之间平衡模型复杂度和拟合能力的数值。

评价指标

系统不仅仅依赖全局准确率，还通过混淆矩阵提供了每个类别的分类详情，以及通过特征空间的可视化（PCA）验证了提取特征的有效性（不同颜色的点簇在空间中分离度越好，代表特征区分度越高）。