Matlab BP分类 设计神经网络 输入层，隐含层，输出层 可以应用于故障诊断 故障分类

Matlab BP分类 设计神经网络 输入层，隐含层，输出层 可以应用于故障诊断 故障分类 输出不同标签

今天咱们来聊聊怎么用Matlab的BP神经网络搞故障分类。老司机都懂，这玩意儿在机械故障诊断里特实用，比如通过振动信号判断轴承是磨损还是缺油，妥妥的工业AI必备技能。

先看网络结构三件套：输入层、隐含层、输出层。举个栗子，假设我们有6个传感器采集特征（温度、振幅啥的），那输入层就设6个节点。输出层对应故障类型，比如滚动体损伤、内圈裂纹、正常状态这三种，用[1,0,0]、[0,1,0]、[0,0,1]表示。

直接上硬核代码：

% 数据准备（假设已有数据集） load fault_data.mat % 自己替换真实数据 inputs = features'; % 转置成列向量 targets = ind2vec(labels); % 把标签转成向量格式 % 创建网络（关键参数在这调） net = newff(inputs, targets, 10, {'tansig', 'logsig'}, 'trainlm'); net.trainParam.lr = 0.05; % 学习率新手别超过0.1 net.trainParam.epochs = 1000; % 别设太小，至少500起 net.divideParam.trainRatio = 0.7; % 训练集比例

这段代码里的newff函数，第三个参数10代表隐含层节点数。有个经验公式：sqrt(输入节点输出节点) ≈ 这里sqrt(63)=4.24，但实际可以适当放大，所以选了10。激活函数用tansig和logsig组合，适合分类任务。

数据预处理有个坑要注意：

% 数据归一化（必做！不然梯度爆炸） [inputs_normalized, ps] = mapminmax(inputs, 0, 1);

很多新手训练不收敛都是栽在这儿。mapminmax把数据压缩到0-1区间，ps结构体记得保存参数，测试集要用同样的缩放参数。

训练时的骚操作：

% 开练！ net = train(net, inputs_normalized, targets); % 可视化训练过程（装逼必备） plotperform(tr)

训练窗口里那个Validation Checks到6次自动停止，防止过拟合。如果Loss曲线一直不降，可能得调大学习率或者换scg训练算法。

测试环节才是见真章：

test_output = sim(net, test_inputs); predicted_labels = vec2ind(test_output); % 混淆矩阵走起 plotconfusion(test_targets, test_output) acc = sum(predicted_labels == test_labels)/numel(test_labels)

重点说下输出层设计：用logsig函数输出0-1之间的值，最后取最大值位置作为预测标签。比如输出[0.2, 0.6, 0.1]就判为第2类故障。

实际工业场景里，数据往往不平衡。这时候可以在训练时加惩罚项：

net.performFcn = 'crossentropy'; % 交叉熵损失函数 net.trainParam.mu = 1.5; % 正则化系数

最后给个实战建议：先从小网络试起，逐步增加隐含层节点。故障特征明显的话，单隐含层足够，别迷信深度网络。遇到梯度消失可以尝试给输入数据加batch normalization层。

记住，没有万能的参数配置，关键是多跑实验观察训练曲线。搞故障诊断这行，数据质量比算法更重要，别在垃圾数据上死磕算法参数。