北航神經(jīng)網(wǎng)絡(luò)作業(yè)-神經(jīng)網(wǎng)絡(luò)在采煤機故障診斷中的應(yīng)用

1、.智能控制及運用作業(yè)二 ：.；第頁目錄 TOC o 1-3 h z u HYPERLINK l _Toc308337201 1.標題分析 PAGEREF _Toc308337201 h 1 HYPERLINK l _Toc308337202 2.學習算法 PAGEREF _Toc308337202 h 1 HYPERLINK l _Toc308337203 3.單層感知器的VC+程序?qū)崿F(xiàn) PAGEREF _Toc308337203 h 44. HYPERLINK l _Toc308337204 神經(jīng)網(wǎng)絡(luò)在采煤機缺點診斷中的運用 PAGEREF _Toc308337204 h 7 HYPERLI

2、NK l _Toc308337205 參考文獻： PAGEREF _Toc308337205 h 9標題分析本章主要講訴的是主要是神經(jīng)網(wǎng)絡(luò)控制及其運用的相關(guān)內(nèi)容，作業(yè)標題共有兩題，標題要求如下：1、設(shè)計一個實現(xiàn)邏輯“與的單計算層感知器，并寫出其學習算法和程序。2、嚴密結(jié)合本人的專業(yè)背景、科研方向或處理問題的閱歷，談?wù)剬W習人工神經(jīng)網(wǎng)絡(luò)或神經(jīng)網(wǎng)絡(luò)控制的必要性。要求闡明本人的科研或?qū)I(yè)背景，擬關(guān)注的問題或研討方向，與人工神經(jīng)網(wǎng)絡(luò)有什么關(guān)聯(lián)。單層感知器即三層輸入層、隱層和輸出層，結(jié)點數(shù)分別為4、3和2網(wǎng)絡(luò)，其學習算法根據(jù)教材相關(guān)內(nèi)容采用BP學習算法。學習算法根據(jù)教材中的相關(guān)引見，神經(jīng)網(wǎng)絡(luò)算法主要步驟如

3、下：初始化，分別對輸入層到隱層和隱層到輸出層的權(quán)值矩陣W, V賦隨機數(shù)，將樣本計數(shù)器p和訓練次數(shù)計數(shù)器q置為1，誤差E置為0，學習率 QUOTE 設(shè)為0-1間的小數(shù)，網(wǎng)格訓練精度Emin設(shè)為一正的小數(shù)。輸入訓練樣本，計算各層輸出。用當前樣本、對向量數(shù)組X、d賦值，根據(jù)以下公式計算Y和O中各分量：= f() , k= 1,2,3l= f(), j= 1,2,3m計算各節(jié)點的實踐輸出。；調(diào)整各層權(quán)值，按下式計算和：檢查能否對一切樣本完成一次輪訓。假設(shè)完成，那么進展下一步進展均方根誤差計算；否那么，前往步驟2。計算網(wǎng)絡(luò)總誤差，檢查能否到達精度要求。假設(shè)到達計算要求，訓練終了；否那么，E置0，p置1，

4、并前往步驟2，繼續(xù)計算，直到到達精度要求為止。詳細的流程圖如下：單層感知器的VC+程序?qū)崿F(xiàn)按照3.1章節(jié)的學習算法，即可對其進展計算機編程實現(xiàn)，編程環(huán)境采用Microsoft Visual Studio 2021，程序清單如下：#include stdafx.h#include #include #include int i=0;int X14 = 0, 0,1, 1，X24 = 0, 1,0, 1;int d4 = 0,0,0, 1; /樣本X的期望輸出值 float w2，y,e4;float ec=0.0001;/指定輸出偏向值float step = 0.5; /學習步長float b

5、=0.6; /閾值/定義激活函數(shù)float f(float x)if (x0)return 1;else return 0;/定義學習訓練函數(shù)void xx (int i)y=w0*X1i+w1*X2i;y=f(y-b);eci=di-y;/權(quán)值調(diào)整函數(shù)void repower(int i)w0=w0+step*eci*X1i;w1=w1+step*eci*X2i;int _tmain(int argc, _TCHAR* argv)int count=0;/記錄感知器訓練次數(shù)/初始化W矩陣int j;for(j=0;j100)printf( 單層感知器學習訓練次數(shù)過多，請重新調(diào)整初始權(quán)值n);

6、break;if(i=4)i=0;if(i4)xx(i);repower(i);i+;while(ec0EC&ec1EC&ec2EC&ec3EC);if(count100)printf( 權(quán)值矩陣w0=%fn, w0 );printf( 權(quán)值矩陣w1=%fn, w1 );printf( n經(jīng)過學習訓練%d 次到達要交n, count );printf( n單層感知器學習完成n);return 0;作業(yè)二：神經(jīng)網(wǎng)絡(luò)在采煤機缺點診斷中的運用本人本科階段就讀于中國礦業(yè)大學機電工程學院，畢業(yè)設(shè)計時做的標題為采煤機截割部的相關(guān)設(shè)計。采煤機是煤礦消費中非常關(guān)鍵的設(shè)備，是一個集機械、電子、電氣、液壓傳動于一

7、體的復(fù)雜系統(tǒng)。因其任務(wù)環(huán)境非常惡劣，運轉(zhuǎn)中經(jīng)常出現(xiàn)缺點影響消費，甚至呵斥整個煤礦消費系統(tǒng)的癱瘓。因此、對采煤機的在線監(jiān)測和缺點診斷是非常必要的。經(jīng)過智能控制課程中關(guān)于神經(jīng)網(wǎng)絡(luò)控制部分的相關(guān)學習，我了解到人工神經(jīng)網(wǎng)絡(luò)是自創(chuàng)于生物神經(jīng)網(wǎng)絡(luò)而開展起來的新型智能信息處置系統(tǒng)，神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行，分布式存儲和處置、聯(lián)想記憶、自組織、自順應(yīng)和自學習才干，特別適用于處置需求同時思索許多要素和條件的、不準確的和模糊的信息問題。目前最廣泛運用的采煤機由截割部、牽引部、電動機和附屬安裝四大部分組成。截割部采用齒輪傳動，牽引部采用液壓傳動，采煤機的大多數(shù)缺點出如今這兩部分。思索到采煤機構(gòu)造復(fù)雜、缺點景象多等特點

8、，假設(shè)輸入層神經(jīng)元數(shù)目太大，會影響到整個網(wǎng)絡(luò)的學習速度和訓練質(zhì)量，運用模塊分解技術(shù)將采煤機缺點分為假設(shè)干個學習模塊，如電機模塊、軸承模塊、液壓系統(tǒng)模塊等，各模塊獨立進展訓練和診斷，本文主要討論采煤機截割部的缺點診斷問題。截割部的傳動部運動簡圖如圖1：圖1 采煤機截割部傳動簡圖由于截割部采用齒輪傳動，因此截割部的主要缺點發(fā)生在齒輪和軸承處。查閱相關(guān)文獻發(fā)現(xiàn)可采用壓電加速度傳感器拾取各測點振動信號，如以下圖2所示，經(jīng)數(shù)據(jù)采集系統(tǒng)，數(shù)據(jù)處置系統(tǒng)對采煤機截割頭部的振動形狀進展監(jiān)測，就其齒輪、軸承振幅大小作為截割部傳動系統(tǒng)缺點與否的判據(jù)，共選取8個測試點作為檢測對象。如圖3所示，采用BP網(wǎng)絡(luò)構(gòu)造，詳細構(gòu)

9、造為：輸入節(jié)點8個，輸出節(jié)點4個，隱層數(shù)為一層，隱層節(jié)點數(shù)為9點，這種模型能較好地反映采煤機截割頭部的缺點程度。圖2 采煤機截割部缺點診斷BP網(wǎng)絡(luò)傳感器在線監(jiān)測電機電流信號，軸承的溫度信號、振動信號、油溫信號等，這些信號經(jīng)數(shù)字濾波、特征值提取等預(yù)處置獲得各種特征量。提取振動信號的時域特征：均值、方差、偏斜度、峭度為特征量，將這些特征量作為輸入加載到神經(jīng)網(wǎng)絡(luò)用于缺點分析。根據(jù)八個測試點的輸入量診斷出確切部位的缺點程度并提出缺點處置的方案。查閱相關(guān)文獻神經(jīng)網(wǎng)絡(luò)在采煤機缺點診斷方面確實可行，但是還存在著以下的一些問題，主要有：網(wǎng)絡(luò)學習算法是一個非線性優(yōu)化問題，不可防止地存在部分極小值問題。雖然有許多

10、改良 算法，然而其學習收斂速度依然很慢。網(wǎng)絡(luò)的隱含層數(shù)、隱含神經(jīng)元的個數(shù)選取尚無實際上的根據(jù)，完全憑閱歷決策。網(wǎng)絡(luò)必需經(jīng)過比較費時的離線訓練，而且訓練樣本對數(shù)要全面而豐富。人工神經(jīng)網(wǎng)絡(luò)已勝利的運用于一些行業(yè)的缺點診斷，例如：航天飛機主發(fā)動機的實時診斷，汽輪機的診斷等。雖然人工神經(jīng)網(wǎng)絡(luò)真正非常勝利的運用于各個領(lǐng)域還有許多問題亟待進一步處理，但人工神經(jīng)網(wǎng)絡(luò)為人們處理實踐問題提供了一個嶄新的手段，置信人工神經(jīng)網(wǎng)絡(luò)在采煤機缺點診斷方面會有令人鼓舞的成果。參考文獻：1 韓立群. 智能控制實際及運用.北京：機械工業(yè).20072 張寒松，賈瑞清等. 采煤機的缺點分析與診斷及其開展趨勢.礦冶.北京:中國礦業(yè)大學.