一、算法原理与核心流程

BP神经网络架构说明：

• 输入层：接收故障特征数据，例如振动频谱、电流时域参数等维度信息。
• 隐藏层：一般设置为1到3层，每层节点数量建议为输入层节点数的1.5至2倍，以平衡模型复杂度与学习能力。
• 输出层：根据任务类型选择激活函数——Softmax适用于多分类问题，Sigmoid则用于二分类场景。

主要运行流程如下图所示：

二、实现代码详解

%% 清除工作空间
clear; clc; warning off;

%% 加载电机故障数据集
load('fault_data.mat'); % 数据包含特征矩阵X和标签向量Y

%% 数据预处理阶段
% 划分训练集（70%）、验证集（15%）和测试集（15%）
cv = cvpartition(size(X,1),'HoldOut',0.3);
X_train = X(training(cv),:);
Y_train = Y(training(cv),:);
X_val = X(test(cv),:);
Y_val = Y(test(cv),:);

% 对特征进行归一化处理
[X_train,norm_params] = mapminmax(X_train',0,1);
X_val = mapminmax('apply',X_val',norm_params);
X_test = mapminmax('apply',X_test',norm_params);

% 将类别标签转换为独热编码格式
Y_train = ind2vec(Y_train');
Y_val = ind2vec(Y_val');
Y_test = ind2vec(Y_test');

%% 构建前馈神经网络结构
input_neurons = size(X_train,2);   % 输入层节点数量
hidden_neurons = 12;               % 隐藏层节点数（经验取值：约2倍输入维数）
output_neurons = size(Y_train,2);  % 输出层节点数由类别总数决定
net = feedforwardnet(hidden_neurons, 'traingdx'); % 使用带动量项的梯度下降法
net.trainParam.epochs = 1000;       % 最大训练轮次
net.trainParam.goal = 1e-5;         % 设定收敛目标误差
net.trainParam.lr = 0.01;           % 学习率设定
net.trainParam.showWindow = 0;      % 关闭可视化训练窗口

%% 模型训练执行
[net,tr] = train(net,X_train',Y_train');

%% 性能评估与结果分析
% 在测试集上进行预测
Y_pred = net(X_test');
[~,Y_pred_class] = max(Y_pred);
[~,Y_test_class] = max(Y_test);

% 计算混淆矩阵并统计准确率
C = confusionmat(Y_test_class,Y_pred_class);
accuracy = sum(diag(C))/sum(C(:));
disp(['分类准确率: ', num2str(accuracy*100, '%.2f'), '%']);

% 绘制混淆矩阵图像
figure;
plotconfusion(Y_test_class,Y_pred_class);
title('混淆矩阵分析');

%% 可选：误差分布可视化
figure;
ploterrhist(Y_test_class - Y_pred_class);
title('分类误差分布');
xlabel('预测误差'); ylabel('频数');

三、参数调优策略

1. 网络结构优化方法

• 隐藏层设计：通过交叉验证方式确定最优节点数量，常见范围在8至20之间。
• 激活函数配置：
  • 隐藏层推荐使用 tansig 函数提升非线性表达能力。
  • 输出层根据分类任务选择 softmax 或 sigmoid。

2. 训练参数调整建议

3. 正则化技术实现方式

net.performFcn = 'mse'; % 定义性能函数为均方误差
net.performParam.regularization = 0.001; % 设置正则化强度

四、典型问题及应对方案

1. 过拟合现象处理

• 添加 Dropout 层减少神经元依赖。
• 启用早停机制（Early Stopping），利用验证集监控泛化性能。
• 合理划分数据子集：

  net.divideFcn = 'dividerand'; 
  net.divideParam.trainRatio = 0.7;
  net.divideParam.valRatio = 0.15;
  net.divideParam.testRatio = 0.15;
      

2. 收敛速度缓慢的改进措施

• 调整学习率至合适区间，避免过大或过小。
• 引入动量项提高梯度下降稳定性。
• 确保输入数据已完成标准化处理，消除量纲影响。
• 尝试更换训练函数，如使用 'trainlm' 或 'traingdx' 提升效率。

采用Levenberg-Marquardt算法进行训练，可通过以下方式设置网络参数：

net = feedforwardnet(hidden_neurons, 'trainlm');

该方法结合特征工程、神经网络结构优化及正则化手段，在确保分类精度的基础上有效增强了模型的泛化性能。

在实际故障诊断应用中，应依据具体的故障类别对隐藏层神经元数量、训练函数等超参数进行适当调整。推荐融合专业领域知识，开展合理的特征选取与模型评估工作。

参考示例代码实现了基于BP神经网络的故障数据分类任务，并可在MATLAB环境中完成建模与仿真分析。