基于神經(jīng)網(wǎng)絡(luò)算法的柴油機(jī)故障檢測(cè)系統(tǒng)設(shè)計(jì)

1、基于神經(jīng)網(wǎng)絡(luò)算法（PNN）的柴油機(jī)故障檢測(cè)系統(tǒng)設(shè)計(jì)實(shí)驗(yàn)報(bào)告一.實(shí)驗(yàn)?zāi)康模菏褂胢atlab通過(guò)神經(jīng)網(wǎng)絡(luò)算法（PNND設(shè)計(jì)出柴油機(jī)故障檢測(cè)系統(tǒng)的模型。并隨意寫(xiě)出十組故障的數(shù)據(jù)通過(guò)網(wǎng)絡(luò)進(jìn)行分類(lèi)檢測(cè)，從而驗(yàn)證系統(tǒng)的可行性。二.實(shí)驗(yàn)儀器：PC機(jī)matlab實(shí)驗(yàn)內(nèi)容柴油機(jī)故障類(lèi)別及其參數(shù):故障原因P1P2P3P4P5P6P7P8T10.932511-0.45260.3895111T2-0.45710.2854-0.90240.9121-0.08411-0.28710.5647T30.51340.94130.9711-0.41870.28550.85460.94280.9572T40.15450.1564-

2、0.5-0.65710.3333-0.6667-0.3333-0.5T50.17650.76480.12590.64720.05630.17260.51510.4212T6-0.6744-0.45410.845410.8614-0.67140.6279-0.6785T70.46470.57100.0712-0.7845-0.28710.89150.65530.6152T80.681810.6250.8426-0.6215-0.157410.7782程序：clcclearcloseallnntwarnoff;warningoff;P=0.932511-0.45260.38951111;-0.45

3、710.2854-0.90240.91210.084110.28710.56472;0.51340.94130.9711-0.41870.28550.85460.94780.95723;0.15450.1654-0.5-0.6571-0.3333-0.6667-0.3333-0.54;0.17650.76480.12590.64720.05630.17260.51510.42125;-0.67440.45410.845410.8614-0.67140.6279-0.67856;0.46470.57100.0712-0.7845-0.28710.89150.65530.61527;0.68181

4、0.6250.8426-0.6215-0.157410.77828;C1=-1+(2*rand(10,8);C2=1;2;3;4;5;6;7;8;9;10;C=C1,C2Train=P(1:8,:);Test=C;p_train=Train(:,1:8)'t_train=Train(:,9)'p_test=Test(:,1:8)'t_test=Test(:,9)'t_train=ind2vec(t_train);t_train_temp=Train(:,9)'Spread=1.5;net=newpnn(p_train,t_train,Spread);Y=

5、sim(net,p_train);YC=vec2ind(Y);figure(1)subplot(1,2,1)stem(1:length(YC),t_train_temp,'r*')title('PNN網(wǎng)絡(luò)訓(xùn)練后的結(jié)果')xlabel('樣本編號(hào)')ylabel('分類(lèi)Z果')set(gca,'Ytick',1:8)subplot(1,2,2)H=YC-t_train_temp;stem(H)title('PNN訓(xùn)練后的誤差圖')xlabel('樣本編號(hào)')Y2=sim(net,p_t

6、est);Y2C=vec2ind(Y2);figure(2)stem(1:length(Y2C),Y2C,'b')holdonstem(1:length(Y2C),t_test,'r*')title('PNN網(wǎng)絡(luò)的預(yù)測(cè)圖')xlabel('預(yù)測(cè)樣本編號(hào)')ylabel('分類(lèi)Z果')set(gca,'Ytick',1:8)結(jié)果圖像:PNN網(wǎng)絡(luò)訓(xùn)練后的結(jié)果87654321果結(jié)類(lèi)分2468樣本編號(hào)PNN訓(xùn)練后的誤差圖10.80.60.40.20- 0.2- 0.4- 0.6- 0.8-102468樣本編

7、號(hào)PNN網(wǎng)絡(luò)的預(yù)測(cè)效果12345678910預(yù)測(cè)樣本編號(hào)87654321果結(jié)類(lèi)分藍(lán)線為預(yù)測(cè)結(jié)果四.實(shí)驗(yàn)中遇到的問(wèn)題及其分析1. 錯(cuò)誤的理解了參考程序中t_test的含義，結(jié)果最開(kāi)始將樣本中的某一行作為了分類(lèi)類(lèi)別，而且采而了反歸一化算法（因?yàn)閕nd2vec只能處理正整數(shù)）結(jié)果完全沒(méi)有可以參照的對(duì)象，導(dǎo)致圖像中完全不能顯示分類(lèi)的結(jié)果。在老師的提示后，修改了程序，并加入了第九行分類(lèi)的類(lèi)別后解決了問(wèn)題2. 最開(kāi)始在測(cè)試矩陣處，自己編了一個(gè)測(cè)試矩陣，但結(jié)果并不理想，可能由于人習(xí)慣的緣故，導(dǎo)致各個(gè)測(cè)試結(jié)果十分的相近并沒(méi)有分出多少類(lèi)，所以將自己編寫(xiě)矩陣的工作交給了電腦，即：采用了matlab中的rand函數(shù)，并且采用了a,b