基于神经网络的智能诊断方法.docx

《基于神经网络的智能诊断方法.docx》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、基于神经网络的智能诊断方法摘要：故障诊断实质上是一个模式分类问题，即如何从测量空间到故障空间的映射过程，但是这中映射过程一般是复杂的且非线性的，这就需要我们找到一种有效的对复杂非线性映射的逼近技术，神经网络就是其中一种。神经网络的学习训练过程是通过误差反向传播算法利用训练样本的输出和已知的输出样本的误差不断调整各层的权值和各个节点的阈值，直至最终满足误差精度要求。将待诊断的数据进行数据预处理和特征提取后，将特征信号输入到已完成训练的神经网络中，根据输出的结果就可以完成对当前数据的诊断。关键字：故障诊断，神经网络，BP网络1引言人工神经网络（ArtificialNeuralNetworks，简

2、称ANN）是在神经生理学研究的基础上，模仿人脑神经元结构特性而建立的一种网络系统。它由大量的处理单元高度互联而成，具有对人脑某些基本特性的简单模拟能力。神经网络具有可学习性和并行计算的能力，可以实现分类、优化、自组织、联想记忆和非线性映射等功能。在故障诊断中，诊断推理可以理解为根据特定的映射关系由故障征兆域到故障原因域的计算求解问题，对于复杂的机械系统而言，这种映射关系一般为非线性的，由于神经网络可以对各种映射进行有效的逼近，因此，神经网络及其相应算法在诊断推理中得到了广泛的应用。2神经网络的理论基础2.1人工神经元模型人工神经元模型是对生物神经元的简化和模拟，是神经网络的基本处理单元，其典

3、型的模型结构如图1所示。图1人工神经元的模型结构作为多输入但输出的线性或非线性原件，其输入输出间的关系可以表述为：（1）（2）其中，是来自其他单元的输入，是第个神经元与当前神经元间的权值，b为阈值，为激活函数一般取为线性函数、阈值函数或Sigmoid型函数，为神经元的输出。2.2BP神经网络的结构在神经网络的实际应用中，BP（BackPropagation）误差反向传播前馈神经网络是使用最广泛的一种网络结构。BP神经网络由输入层、隐层、输出层神经元构成，同层的神经元间无任何联系。系统输入从输入层开始，依次经过各隐层，由输出层输出，每一层神经元的输出只影响下一层神经元的输出。BP神经网络可以视

4、为一个由输入到输出的非线性映射，即。下面以一个3层的BP神经网络为例来进行具体说明，其结构模型如图2所示。图23层BP神经网络神经元的激活函数选为Sigmoid型函数，即。输入层节点的输入等于其输出，.隐层节点的输入、输出分别为：（3）（4）式中：为输入层第i个神经元与隐层第j个神经元的连接权值，为隐层第j个神经元的阈值。输出层第K个节点的输入、输出分别为：（5）（6）式中：为隐层第j个神经元与输出层第k个神经元间的连接权值，为输出层第k个神经元的阈值。2.3BP神经网络算法BP算法是一种有导师的训练算法,在给定输出目标的情况下,按其输入与输出的目标差值之差的平方和为目标函数,通过调节权值使

5、目标函数达到最小值。其原理是:输入信息的正向传播和误差的反向传播。在正向传播中,将一个训练样本的特征向量输入神经网络,经过神经网络的前向传播计算得到一个实际输出,然后将该输出与期望的样本输出相比较,如有偏差,则转入反向传播过程,将该偏差由原来的联络通路返回,通过调整各层神经元的联系权值,使误差减小;然后,再转向正向传播过程,反复迭代,直到误差小于等于允许值e，学习结束，BP算法的具体流程如图3所示。图3BP算法的流程3基于神经网络的故障诊断3.1基于神经网络的故障诊断流程故障诊断实质上是一个模式分类问题，即如何从测量空间到故障空间的映射过程，但是这中映射过程一般是复杂的且非线性的，这就需要我

6、们找到一种有效的对复杂非线性映射的逼近技术，神经网络就是其中一种。如图4所示，测量空间为监测状态矢量，其中为诊断系统的第组第个监测量（特征信号）；故障空间为诊断系统的类故障分别用表示，表示系统正常；映射关系。根据反映真实映射关系的n组采样数据，求解近似分类器的过程就是利用n组监测状态量对神经网络进行训练的过程。的分类性能(即神经网络的泛化能力)决定最终的故障诊断性能。实际故障诊断时，将监测到的数据送到训练好的神经网络中泛化即可得到故障诊断结果。图4基于神经网络的故障诊断示意图一个神经网络用于故障诊断时，主要包括三层：1输入层，即从控制系统接受各种故障信息及现象。2中间层，是把从输入层得到的故

7、障信息，经内部的学习和处理，转化为针对性的解决办法。中间层含有隐节点，它通过权系数连接着输入层与输出层，当然中间层可以不是一层，根据不同的需要，可以采用多层，也可以不要中间层，只是连法不同而己。3输出层，是针对输入的故障形式，经过调整权系数平后，建立起故障样本与故障类型之间的对应关系。对于每一个新输入的状态信息，网络将迅速的给出分类结果。基于神经网络的故障诊断的具体流程如图5所示，在应用神经网络进行故障的识别