基于神经网络的石家庄风机厂风机状态预测

 石家庄风机厂 石家庄风机 石家庄市风机厂 石家庄风机维修 石家庄风机销售5.4.1 基于神经网络的石家庄风机厂风机状态预测
1）数据处理
本论文数据来源于某石家庄风机厂风机。数据采集从 2012 年 3 月 1 日到 2012 年 7 月 1 日，每小时采集一次每天采集八小时，信号长度为 784 个点。原始数据与其归一化的数据如图 40、41 图所示：
神经网络的中间层数和神经元的数量是神经网络模型设计的关键。神经网络中间层数的确定：BP 网络的中间隐含层数对训练速度有很大的提升，但在实际的操作时，隐层数量太多会占用大量的训练时间，况且还有一种提高训练速度的方法是增加隐层节点数，所以在实际应用时，训练数据不是很多，选取的隐含层数为三层。
BP 神经网络各层中神经元个数的确定：神经元个数的确定是神经网络模型设计的关键，网络容错性和迭代次数与网络中的神经元个数密切相关。神经元个数太多会延长网络训练时间，增加训练的迭代次数，网络的泛化能力大幅度下降，导致预测误差增加。网络的神经元个数太少，网络的容错性降低，甚至网络训练无法进行。在对预测模型进行设计时，先由经验公式初步确定神经元的个数，再将不同神经元的训练模型对比，择优选用。神经网络神经元确定的经验公式为 :i = n + m + a其中输入层神经元的个数为n，网络隐含层的神经元的个数为i，输出层神经元的个数为m，a为大于 1 且小于 10 的常数，因此可以确定本实验的神经网络模型的隐含层神经元的个数为 3~5 个。网络输入的神经元设置为 4 个，输出的神经元为 1 个。直接神经网络预测结果以及误差曲线如图 42，43 所示.
结 论
本文以矿井石家庄风机厂风机为研究对象，借助振动传感器、功率放大器、数据采集卡、计算机等硬件条件，利用 LabVIEW、SQL 数据库、MATLAB 等软件环境，设计了石家庄风机厂风机振动信号的实时采集系统；建立了实时采集数据、定周期采集数据、故障数据、诊断结果数据以及现场技术人员诊断与维修数据的管理系统；提出了基于EMD 的神经网络石家庄风机厂风机运行状态预测方法。
论文主要完成了以下研究工作：
1）对石家庄风机厂风机故障机理进行研究确定了振动信号为石家庄风机厂风机运行状态的预测参数。2）利用传感器技术与计算机技术，建立实时数据采集系统，完成了石家庄风机厂风机振动信号的实时采集。
3）利用 LabVIEW 与 SQL 数据库技术，构建矿井石家庄风机厂风机的数据存储与管理系统，实现了实时采集数据、定周期采集数据、故障数据、诊断结果数据以及现场技术人员诊断与维修数据的存储与管理，为对石家庄风机厂风机运行状态作进一步分析提供了完整的历史档案。
4）针对矿井石家庄风机厂风机振动信号的非平稳性，用 MATLAB 实现了 EMD 分解算法，对矿井石家庄风机厂风机振动信号进行了 EMD 分解，其分解过程隔离了振动信号中的非平稳性，从而减弱了分量信号的非平稳性。
5）建立了神经网络预测模型以及基于 EMD 的神经网络预测模型，完成了直接神经网络预测方法与基于 EMD 的神经网络预测方法的比较研究，结果表明后者有更好的预测准确性。