【齿轮损伤识别】BP神经网络齿轮损伤识别【含Matlab源码 3460期】

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

🔊博主简介：985研究生，Matlab领域科研开发者；

🚅座右铭：行百里者，半于九十。

🏆代码获取方式：
优快云 Matlab武动乾坤—代码获取方式

更多Matlab信号处理仿真内容点击👇
①Matlab信号处理（进阶版）

⛳️关注优快云 Matlab武动乾坤，更多资源等你来！！

⛄一、BP神经网络齿轮损伤识别

1 BP神经网络的结构组成
BP神经网络结构组成：2输入1输出，5个隐含层的，也称为2-5-1网络结构；
Neural Network：神经网络
Input：输入
Hidden LayerOutput Layer：隐藏层输出层
Output Layer：输出层
Output ：输出

2 BP神经网络训练界面的参数
2.1 BP神经网络算法
Algorithms：算法
Data Division：Random(divider and) 数据划分：随机（除数和）
Training：Levenberg-Marquardt(train lm) 训练：表示训练采用的方法
Performance：Mean Squared Error(mse) 性能：均方误差(mse) 用均方误差衡量网络性能
Calculations：MEX 计算方式：MEX

2.2 BP神经网络进程
Progress 进程
Epoch： 训练次数
Time： 训练时间
Performance： 网络性能
Gradient： 梯度算子
Mu： 误差精度
Validation Checks： 泛化性（ 表示BP神经网络在训练过程中，如果均方误差（MSE）连续6次不降反升，则网络停止训练）

2.3 BP神经网络情节
Plots 绘图
Performance 网络性能
Training State 训练阶段参数变化情况
Regression 相关性分析

3 BP神经网络预测步骤
（1）读取数据
（2）设置训练数据和预测数据
（3）训练样本数据归一化
（4）构建BP神经网络
（5）网络参数配置(训练次数，学习速率，训练目标最小误差.等)
（5）BP神经网络训练
（6）测试样本归一化
（7）BP神经网络预测
（8）预测结果反归一化与误差计算
（8）验证集的真实值与预测值误差比较

4 BP神经网络齿轮损伤识别的步骤
（1）数据采集与预处理：收集齿轮运行时产生的振动、声音等信号，并对数据进行去噪、降维等预处理操作。
（2）特征提取与选择：从预处理后的数据中提取出有助于故障诊断的特征，并进行特征选择，以减少特征维度和降低计算复杂度。
（3）BP神经网络建模：在完成特征选择后，需要建立BP神经网络模型，并进行初始化。
（4）模型训练：将齿轮损伤数据集分为训练集和测试集，使用训练集对BP神经网络进行训练，直到网络收敛。
（5）模型测试：使用测试集对训练好的BP神经网络进行测试，得到齿轮损伤的诊断结果。

⛄二、部分源代码

close all;
clear all;
clc;
N=10;
[FileName, PathName] = uigetfile({‘.xls’,'Excel File(.xls)’;…
‘.txt’,'TXT File(.txt)’;‘.’,‘All File(.)’},‘选择文件’);
str = [PathName, FileName]; % 获取文件的路径
train_x=[];
test_x=[];
for sheet=1:6
[data,date,f] = xlsread(str,sheet); % 读取所选文件
data1=data(:,2:end);
train_x=[train_x; data1(1:8,:)];
test_x=[test_x; data1(9:end,:)];
end
%%
%(1,0,0,0,0,0)对应第一种故障0.06
%（0,0,0,0,0,1）对应最后一种故障0.03
train_y=[];
temp=eye(6);
for i=1:6
train_y=[train_y;ones(8,1)*temp(i,:)];
end
net=newff(minmax(train_x’),train_y’,{5 5},{‘purelin’ ‘purelin’},‘trainlm’); %构造神经网络net=newff(threshold,[15,1],{‘tansig’,‘logsig’},‘traingdx’);
%上面这句话的意思是建立新的神经网络net，newff(输入，输出，{隐层数量及该层的节点个数}，{传输函数名}，训练函数)；{10}代表单隐层，
%并且该层节点为10个，如果想显示多隐层，比如双隐层，{10,15}这样就行，传输函数也要相应增加，比如{‘tansig’,‘logsig’}节点数和传输函数名可以随意调整，
%目的当然是让预测结果更精确
net.trainParam.show=50;%
net.trainParam.goal = 0.00001; %设置精确度
net.trainParam.epochs = 500; %设置训练次数，5000次
[net,tr] = train(net,train_x’,train_y’); %训练开始

net.iw{1,1}%隐层权值
net.b{1}%隐层阈值
net.lw{2,1}%输出层权值
net.b{2}%输出层阈值
%验证测试
test_idx=[];
for i=1:size(test_x,1)
a=sim(net,test_x(i,:)')
max_a=max(a);
kk=find(a==max_a);
test_idx=[test_idx;kk];
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a或2019b

2 参考文献
[1]李博健.改进LMD算法在管道泄漏中的应用研究[D].东北石油大学

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合