基于神經網絡的智能診斷方法

1、精選優(yōu)質文檔-傾情為你奉上基于神經網絡的智能診斷方法摘要：故障診斷實質上是一個模式分類問題，即如何從測量空間到故障空間的映射過程，但是這中映射過程一般是復雜的且非線性的，這就需要我們找到一種有效的對復雜非線性映射的逼近技術，神經網絡就是其中一種。神經網絡的學習訓練過程是通過誤差反向傳播算法利用訓練樣本的輸出和已知的輸出樣本的誤差不斷調整各層的權值和各個節(jié)點的閾值，直至最終滿足誤差精度要求。將待診斷的數(shù)據(jù)進行數(shù)據(jù)預處理和特征提取后，將特征信號輸入到已完成訓練的神經網絡中，根據(jù)輸出的結果就可以完成對當前數(shù)據(jù)的診斷。關鍵字：故障診斷，神經網絡，BP網絡1 引言人工神經網絡（Artificial Ne

2、ural Networks，簡稱ANN）是在神經生理學研究的基礎上，模仿人腦神經元結構特性而建立的一種網絡系統(tǒng)。它由大量的處理單元高度互聯(lián)而成，具有對人腦某些基本特性的簡單模擬能力。神經網絡具有可學習性和并行計算的能力，可以實現(xiàn)分類、優(yōu)化、自組織、聯(lián)想記憶和非線性映射等功能。在故障診斷中，診斷推理可以理解為根據(jù)特定的映射關系由故障征兆域到故障原因域的計算求解問題，對于復雜的機械系統(tǒng)而言，這種映射關系一般為非線性的，由于神經網絡可以對各種映射進行有效的逼近，因此，神經網絡及其相應算法在診斷推理中得到了廣泛的應用。2 神經網絡的理論基礎2.1 人工神經元模型人工神經元模型是對生物神經元的簡化和模擬

3、，是神經網絡的基本處理單元，其典型的模型結構如圖1所示。圖1 人工神經元的模型結構作為多輸入但輸出的線性或非線性原件，其輸入輸出間的關系可以表述為： （1） （2）其中，是來自其他單元的輸入，是第個神經元與當前神經元間的權值，b為閾值，為激活函數(shù)一般取為線性函數(shù)、閾值函數(shù)或Sigmoid型函數(shù)，為神經元的輸出。2.2 BP神經網絡的結構在神經網絡的實際應用中，BP（Back Propagation）誤差反向傳播前饋神經網絡是使用最廣泛的一種網絡結構。BP神經網絡由輸入層、隱層、輸出層神經元構成，同層的神經元間無任何聯(lián)系。系統(tǒng)輸入從輸入層開始，依次經過各隱層，由輸出層輸出，每一層神經元的輸出只影

4、響下一層神經元的輸出。BP神經網絡可以視為一個由輸入到輸出的非線性映射，即。下面以一個3層的BP神經網絡為例來進行具體說明，其結構模型如圖2所示。圖2 3層BP神經網絡神經元的激活函數(shù)選為Sigmoid型函數(shù)，即。輸入層節(jié)點的輸入等于其輸出，.隱層節(jié)點的輸入、輸出分別為： （3） （4）式中：為輸入層第i個神經元與隱層第j個神經元的連接權值，為隱層第j個神經元的閾值。輸出層第K個節(jié)點的輸入、輸出分別為： （5） （6）式中：為隱層第j個神經元與輸出層第k個神經元間的連接權值，為輸出層第k個神經元的閾值。2.3 BP神經網絡算法BP算法是一種有導師的訓練算法,在給定輸出目標的情況下,按其輸入與輸

5、出的目標差值之差的平方和為目標函數(shù),通過調節(jié)權值使目標函數(shù)達到最小值。其原理是:輸入信息的正向傳播和誤差的反向傳播。在正向傳播中,將一個訓練樣本的特征向量輸入神經網絡,經過神經網絡的前向傳播計算得到一個實際輸出,然后將該輸出與期望的樣本輸出相比較,如有偏差,則轉入反向傳播過程,將該偏差由原來的聯(lián)絡通路返回,通過調整各層神經元的聯(lián)系權值,使誤差減小;然后,再轉向正向傳播過程,反復迭代,直到誤差小于等于允許值e，學習結束，BP算法的具體流程如圖3所示。圖3 BP算法的流程3 基于神經網絡的故障診斷3.1 基于神經網絡的故障診斷流程故障診斷實質上是一個模式分類問題，即如何從測量空間到故障空間的映射過

6、程，但是這中映射過程一般是復雜的且非線性的，這就需要我們找到一種有效的對復雜非線性映射的逼近技術，神經網絡就是其中一種。如圖4所示，測量空間為監(jiān)測狀態(tài)矢量，其中為診斷系統(tǒng)的第組第個監(jiān)測量（特征信號）；故障空間為診斷系統(tǒng)的類故障分別用表示，表示系統(tǒng)正常；映射關系。根據(jù)反映真實映射關系的n組采樣數(shù)據(jù)，求解近似分類器的過程就是利用n組監(jiān)測狀態(tài)量對神經網絡進行訓練的過程。的分類性能(即神經網絡的泛化能力)決定最終的故障診斷性能。實際故障診斷時，將監(jiān)測到的數(shù)據(jù)送到訓練好的神經網絡中泛化即可得到故障診斷結果。圖4 基于神經網絡的故障診斷示意圖一個神經網絡用于故障診斷時，主要包括三層：1 輸入層，即從控制系

7、統(tǒng)接受各種故障信息及現(xiàn)象。2 中間層，是把從輸入層得到的故障信息，經內部的學習和處理，轉化為針對性的解決辦法。中間層含有隱節(jié)點，它通過權系數(shù)連接著輸入層與輸出層，當然中間層可以不是一層，根據(jù)不同的需要，可以采用多層，也可以不要中間層，只是連法不同而己。3 輸出層，是針對輸入的故障形式，經過調整權系數(shù)平后，建立起故障樣本與故障類型之間的對應關系。對于每一個新輸入的狀態(tài)信息，網絡將迅速的給出分類結果?；谏窠浘W絡的故障診斷的具體流程如圖5所示，在應用神經網絡進行故障的識別時，首先應該建立神經網絡模型。一個多層神經網絡模型由輸入層、多個隱層和輸出層構成。神經網絡模型的建立包括以下幾個步驟：1. 輸入

8、節(jié)點的選取。BP網絡的輸入節(jié)點如果選擇過多則會導致BP網絡結構過于龐大，不可避免地引入更多的噪聲信息，輸入節(jié)點選擇過少則不能保證網絡所必需的信息量，因此選擇網絡的輸入節(jié)點是建模的重要任務。一般選取能夠全面反映系統(tǒng)狀態(tài)的特征信號作為輸入節(jié)點。2. 輸出節(jié)點的選取。輸出節(jié)點的選取與需要的診斷的故障有關，一般以要求識別的各個故障作為輸出節(jié)點。3. 隱層數(shù)和隱層節(jié)點數(shù)的選取。一般來說，隱層節(jié)點數(shù)與層數(shù)有關，層數(shù)增加，函數(shù)復雜性增大，可形成更復雜的函數(shù)關系，提高擬合精度，從而可以減少隱層節(jié)點數(shù)，但收斂速度可能降低，而在給定隱層數(shù)的情況下，節(jié)點數(shù)越多，函數(shù)映射復雜性越大，函數(shù)擬合更為準確。簡而言之，隱層數(shù)

9、越少，隱層節(jié)點數(shù)就需要的越多；隱層數(shù)越多，隱層節(jié)點數(shù)就需要越少。1989年Robert Hecht-Nielson證明了一個三層的BP神經網絡可以實現(xiàn)任意n維空間到m維空間的映射，因此在實際應用中一般選取三層BP神經網絡進行故障診斷。隱層節(jié)點數(shù)的確定可依據(jù)經驗公式：，M為輸出層節(jié)點數(shù)，N為輸入層節(jié)點數(shù)，k為隱層節(jié)點數(shù)。4. 學習效率的選取。學習效率決定每一次循環(huán)訓練所產生的權值變化。大的學習效率可能導致系統(tǒng)不穩(wěn)定;但小的學習效率導致較長的訓練時間，可能收效很慢，不過能保證網絡的誤差值不跳出誤差表面的低谷而最終趨于誤差值。因此一般情況下，傾向于選取較小的學習速度以保證系統(tǒng)穩(wěn)定。學習效率的選取范圍

10、在0.010.8之間。5. 神經元激活函數(shù)的選取。根據(jù)神經網絡的要求，一般選擇Sigmoid函數(shù)作為BP網絡的神經元激活函數(shù)。Sigmoid函數(shù)有以下一些良好的特點：（1）當輸入值較小時，也會有一定的輸出值，這樣一來較小的信息反映就不會丟失，這對早期故障的診斷十分有利。（2）當輸入值較大時，輸出值趨于常數(shù)，這樣就不會造成“溢出”現(xiàn)象。（3）Sigmoid函數(shù)具有良好的微分特性，即，這為我們進行學習算法時帶來的方便。6. 初始權值的設定。網絡的初始權值如果是均等的，那么在訓練過程中它們會始終保持不變，所以一般對初始權值賦予隨機數(shù)。但是初始隨機數(shù)的設定范圍不能太窄，若都在零值附近的話則會引起網絡的

11、震蕩或停滯不前，所以初始權值的取值范圍一般設為0-1。7. 數(shù)據(jù)規(guī)范化處理。由于學習樣本中各數(shù)據(jù)的物理量各不相同，數(shù)值大小也存在著很大的差別。為了提高訓練精度，在進行網絡訓練之前應該對所收集到的樣本數(shù)據(jù)進行規(guī)范化處理。規(guī)范化輸入樣本可采用不同方法，既可以對所有輸入節(jié)點的數(shù)據(jù)一起進行規(guī)范化，也可以單獨考慮對每一個輸入節(jié)點的數(shù)據(jù)進行規(guī)范化。平均值法是最為常見的規(guī)范化方法，其計算公式為：，為實際樣本數(shù)據(jù)，為樣本數(shù)據(jù)的最大、最小值，為規(guī)范化的樣本數(shù)據(jù)。規(guī)范化的樣本包括訓練樣本和測試樣本。圖5 基于神經網絡的故障診斷過程神經網絡模型建立后就需要對其進行訓練。訓練的過程可簡述如下：將歸一化的訓練樣本輸入到

12、神經網絡中，得到其輸出并與已知的輸出樣本進行對比計算各層的誤差。根據(jù)各層誤差的結算結果不斷調制網絡的權值和閾值，直至最終滿足誤差精度要求。這樣就完成了神經網絡的訓練，此時從狀態(tài)空間到故障空間的非線性映射關系就包含在了各層的權值和閾值中。待診斷的數(shù)據(jù)經過數(shù)據(jù)預處理并提取其特征信號，將特征信號輸入到已完成訓練的神經網絡中，根據(jù)輸出的結果就可以完成對當前數(shù)據(jù)的診斷。3.2 基于神經網絡的故障診斷方法的優(yōu)缺點基于神經網絡的智能故障診斷系統(tǒng)具有如下優(yōu)點：1) 由于神經網絡的知識是通過各層的權值和各個節(jié)點的閾值來表示的，所以神經網絡具有統(tǒng)一的知識表達形式，知識庫組織管理容易，通用性強，便于移植與擴展；2)

13、 神經網絡的知識獲取容易實現(xiàn)自動化，如自組織、自學習；3) 可以實現(xiàn)并行聯(lián)想和自適應推理，對知識的完備性要求低，容錯性強；4) 能夠表示事物之間的復雜關系，如模糊關系；5) 可以避免傳統(tǒng)專家系統(tǒng)的“組合爆炸”和“無窮遞歸”等問題；6) 沒有復雜的推理過程，可以實現(xiàn)實時在線診斷。神經網絡用于故障診斷也存在著一些問題：1) 訓練樣本獲取困難；2) 忽視了領域專家的經驗知識；3) 連接權值形式的知識表達方式難于理解。3.3 基于神經網絡的故障診斷技術的發(fā)展趨勢基于神經網絡的故障診斷技術的發(fā)展趨勢與神經網絡的發(fā)展息息相關。將小波變換、遺傳算法與神經網絡有機結合正成為一大熱門的研究方向。小波變換繼承和發(fā)

14、展了加窗Fourier變換的局部化思想，它的時頻分辨率在高頻處時間分辨率高，在低頻處頻率分辨率高，即不同的尺度觀察信號和以不同的分辨率分析信號。因此小波變換可以對采集的信號進行預處理，完成采樣數(shù)據(jù)的噪聲去除與特征提取，將多維數(shù)據(jù)空間實行壓縮，使輸人神經網絡的輸人模式特征得到精簡，從而提高了神經網絡進行故障診斷的快速性及準確性。此外，遺傳算法作為一種隨機搜索的全局優(yōu)化算法，借鑒了生物進化中“適者生存”的思想，在特征提取及神經網絡的學習過程中呈現(xiàn)出強大生命力，也能提高神經網絡故障診斷的快速性及準確性。4 結論本文對神經網絡的結構和特性進行了分析，指出神經網絡具有可學習性和并行計算的能力，可以實現(xiàn)分類、優(yōu)化、自組織、聯(lián)想記憶和非線性映射等功能，這正好適用于故障診斷需要完成從狀態(tài)空間到故障空間非線性映射的要求。神經網絡用于故障診斷首先需要完成對神經網絡模型的構建，然后就需要對神經網絡進行訓練，神經網絡的訓練過程是根據(jù)誤差反向傳播算法利用訓練樣本和已知的輸出樣本不斷調整各層的權值和各個節(jié)點的閾值，直至最終滿足誤差精度要求。將待診斷的數(shù)據(jù)進行數(shù)據(jù)預處理和特征提取后，將特征信號輸入到已完成訓練的神經網絡中，根據(jù)輸出的結果就可以完成對當前數(shù)據(jù)的診斷。本文還分析了基于神經網絡的故障診斷技術的優(yōu)缺點和發(fā)展趨勢，對基于神經網絡的故障診斷技術的研究提供了一定的指導作用。參考文獻1 魏春榮. 基于模