Maltab实现CNN卷积神经网络故障诊断（代码完整，可直接运行，适合2018及以上） 卷积神经网络（convolutional neural network）是具有局部连接、权重共享等特性的深层前馈神经网络，最早主要是用来处理图像信息。 相比于全连接前馈神经网络，卷积神经网络有三个结构上的特性：局部连接、权重共享以及汇聚，这些特性使得卷积神经网络具有很好的特征提取能力，且参数更少。 利用各种检查和测试方法，发现系统和设备是否存在故障的过程是故障检测；而进一步确定故障所在大致部位的过程是故障定位。故障检测和故障定位同属网络生存性范畴。要求把故障定位到实施修理时可更换的产品层次（可更换单位）的过程称为故障隔离。故障诊断就是指故障检测和故障隔离的过程。

故障诊断相关的MATLAB代码，主要有神经网络算法的m文件

人工智能-粗糙集神经网络故障诊断方法研究.pdf

人工智能-粗糙集神经网络故障诊断系统的方法研究及应用.pdf

神经网络故障诊断和数据预测的matlab程序

固有频率与故障距离之间存在数学关系，故障行波暂态能量在固有频率附近较集中，其暂态能量包含丰富的故障距离信息。利用人工神经网络（ANN）的非线性函数逼近拟合能力，建立直流输电线路故障定位的ANN模型。利用小波变换的等距特性提取单端线模电压7尺度的小波能量，并将其作为样本属性对神经网络进行训练、测试。所提方法将不易提取的固有频率点特征转化为容易提取的频带特征，提高了测距的可靠性。数字实验结果表明，所提方法在不同过渡电阻和不同故障距离下均能准确测距。

提出一种基于粗糙集 CMAC神经网络的智能互补融合的诊断策略.该策略利用粗糙集理论对数据样本进行数据浓缩,提取初步的诊断规则.对初步的诊断规则通过神经网络进行粗映射,利用神经网络的分类逼近能力,建立故障状态空间到诊断空间的精确映射.大大提高了神经网络的收敛速度和逼近精度.将该神经网络应用于的变压器故障诊断实例,结果表明,该神经网络具有分类逼近能力强,计算量小等优点.诊断正确率比普通神经网络的诊断正确率高.

分析了煤矿通风机的常见故障,在介绍BP神经网络原理和算法的基础上,建立了基于BP神经网络模型的通风机故障诊断模型,并应用数学软件MATLAB中的神经网络工具箱实现了通风机不同故障状态的识别。研究结果表明,该方法能准确地诊断通风机的故障类型,具有简单、准确的特点,为实现煤矿通风机的故障预警和保障煤矿的安全生产具有指导意义。

本文档是基于SOM神经网络的发动机故障诊断，用于专业人员或科研人员对SOM神经网络或故障诊断进行学习。

现有训练集数据，1000 × 7，如下： xxxxxxxxxxxxxxxxxxxx 有测试集数据，100 × 7，如下： xxxxxxxxxxxxxxxxxxxx 以上数据分别是从某系统采集的数据，  训练数据集中，分别是采集的数据和标注结果，其中1、2分别表示该系统有无故障；  测试数据集中，分别是采集的数据和真实结果，其中1、2分别表示该系统有无故障； 现在需要使用训练数据集训练BP神经网络，然后用训练好的神经网络对测试数据集进行测试，并与真实结果进行对比，最终分析出神经网络的性能。 % --- Executes on button press in pushbutton6. function pushbutton6_Callback(hObject, eventdata, handles) % hObject handle to pushbutton6 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global output_test inputn_train outputn_train inputn_test ... outputps BPoutput_test xunlian_num Error input_train output_train %创建网络 %获得gui_set中值 num_yinhan=str2num(get(findobj('tag','edit_yinhan'),'string')); TF=get(findobj('tag','transfer'),'string'); %传递函数 valueTF=get(findobj('tag','transfer'),'value'); TF=TF{valueTF}; BTF=get(findobj('tag','train'),'string'); %训练函数 valueBTF=get(findobj('tag','train'),'value'); BTF=BTF{valueBTF}; BLF=get(findobj('tag','learn'),'string'); %学习函数 valueBLF=get(findobj('tag','learn'),'value'); BLF=BLF{valueBLF}; tic;%启动一个定时器 net=newff(inputn_train,outputn_train,num_yinhan,{TF},BTF,BLF); net.trainParam.epochs=str2num(get(findobj('tag','cishu'),'string')); net.trainParam.goal=str2num(get(findobj('tag','goal'),'string')); net.trainParam.lr=str2num(get(findobj('tag','rate'),'string')); net=train(net,inputn_train,outputn_train); an=sim(net,inputn_test); t=toc;%关闭定时器，获取程序运行时间 %网络输出反归一化