基于神经网络的柴油机故障诊断的研究

《基于神经网络的柴油机故障诊断的研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、漳州师范学院毕业论文（设计）文献综述题基于神经网络的柴油机故障诊断的研究姓名：朱勇彬学号・070505114系别：物理与电子信息工程系专业：电气工程及其自动化年级：07级指导教师：闫玉莲2010年10月15日文献综述—、前言随着柴油机技术的发展与进步，人类对柴油机的需求也逐渐增加，与Z相应的对柴油工作的稳定性、可靠性的要求也越来越高，所以在柴油机故障诊断的研究领域不断出现新的理论和新的方法，口前这一研究方向也成为国内外研究的热点。我国是H前世界上拥有和使用柴油机最多的国家Z-,因此对柴油机进行状态检验和故障诊断

2、可以极大的捉高其运行的可靠性，具有较高的经济效益。为了保证柴油机各系统能稳定而可靠的工作，对其进行实时无损故障诊断和先期预测非常必要。由于柴油机工作过程复朵，把人工神经网络技术应用到故障诊断屮来,利用BP和RBF网络两种方法来诊断柴油机故障。二、主体1.1人工神经网络1.1.1人工神经网络的概述人工神经网络(ArtificialNeuralNetworks,ANNs),也简称为神经网络(NNs),是模拟生物神经网络进行信息处理的一种数学模型。它以对大脑的生理研究成果为基础，其口的在于模拟大脑的某些机理与机制，实

3、现-些特定的功能。它不但具有处理数值数据的一般计算能力，而且还具有处理知识的思维、学习和记忆能力⑴。1.1.2人工神经网络的特点和领域神经网络的基本属性反映了神经网络特点，主要表现在：1.并行分布式处理神经网络具有高度的并行结构和并行实现能力，具有高速寻找优化解的方法，能够发挥计算机的高速运算能力，可很快找到优化解。2.非线性处理人脑的思维是非线性的，故神经网络模拟人的思维也应是非线性的。这一特性冇助于处理非线性问题。3•具有□学习功能通过对过去的历史数据的，训练出一个具冇归纳全部数据的特定的神经网络，自学习功

4、能对于预测有特别重要的意义。4.神经网络的硬件发现要使人工神经网络更快、更有效地解决更大规模的问题，关键在于其超大规模集成电路(VLSI)硬件的实现，即把神经元和连接制作在一块芯片上构成ANN。神经网络的VLSI设计今年来发展很快，硬件实现已成为ANN的一个重要分支⑴。神经网络的领域:近些年來神经网络在众多领域得到了广泛的运用。在民用应用领域的应用，如语言识别、图像识别与理解、计算机视觉、智能机器人故障检测、实时语言翻译、企业管理、市场分析、决策优化、物资调运、自适应控制、专家系统、智能接口、神经生理学、心理学

5、和认知科学研究等；在军用应用领域的应用，如雷达、声纳的多目标识别与跟踪、战场管理和决策支持系统、军用机器人控制各种情况、信息的快速录取、分类与查询、导弹的智能引导、保密通信、航天器的姿态控制等⑵。1.2BP网络的设计1.2.1BP网络层数的选取(1)输入、输出层的设计输入的神经元可以根据需要求解的问题和数据表示方式确定。在故障诊断屮，输入层神经元个数一般等于每个样本屮包含的特征值的个数。输岀层的维数可根据设计者的要求确定，在故障诊断屮，如果将BP网络用作分类器，类别模式一共有m个，则输出层神经元的个数为m或lo

6、g刘。(2)隐层的设计对于BP网络，有一个非常重要的定理：即对于任何在闭区间内的一个连续函数都可以用单层的BP网络逼近，因而一个三层的BP网络就可以完成任意的n维到m维的映射。隐层的神经元个数选择是一个较为复杂的问题，往往需要设计者的经验和多次试验来确定，因而不存在一个理想的解析式来表示。隐层单元的数目与问题的要求、输入/输出单元的数口都有着直接关系。隐层单元个数太多会导致学习时间过长、谋差不一定最佳，也会导致容错性差、因此-定存在一个最佳的隐层单元数。以下三个公式可作为选择最佳隐层单元数时的参考公式：1)亚=

7、2屮1,其中m是输入层神经元数，r)2是隐层神经元数。2)%=后万+。，其小，m是输出神经元数，n是输入神经元数，a是[1,10]Z间的常数。3)n^log^n,其中n是输入神经元数。其他确定隐层单元数的方法为：首先是隐层单元的数口可变，或者放入足够多的隐层单元，通过学习将那些不起作用的隐层单元剔除，直到不可收缩为止⑶。1.2.2初始值的选取由于系统是非线性的，初始值对于学习能否达到局部最小和是否能够收敛的结果关系很大。一个重要的要求是：初始权值在输入累加时使每一个神经兀的状态值接近于零，权值一般取随机数，要比

8、较小。输入样本也同样希望进行归一化处理，使那些比较大的输入仍然落在传递函数梯度大的地方。1.2.3BP网络的不足BP网络模型虽然在各方面都具有重要意义，而且应用也很广泛，但它也存在一些不足。从数学上看，它是一个非线性优化问题，不可避免的存在局部极小点；学习算法的收敛速度慢；网络隐层单元数选取带冇很大的盲目性和经验性，尚无理论上的指导；新加入的样本要影响已学完的样本等。具体来说：BP算法