bp故障诊断.ppt

基于人工神经网络的故障诊断方法 基于人工神经网络的故障诊断方法，是20世纪90年代初才具有真正实用性的故障诊断方法，人工神经网络模型是在现代神经生理学和心理学的研究基础上，模仿人的大脑神经元结构特征而建立的一种非线性动力学网络系统，由大量的简单非线性处理单元高度并联、互联而成。利用计算机仿真，并行处理信息，具有人脑的某些基本特性的简单的数学模拟能力。 由于神经网络具有原则上的容错、结构拓扑鲁棒、联想、推测、自适应、自学习、并行和处理复杂模式的功能，对于实际工程中存在的大量的多故障、多过程、突发性故障、庞大复杂机器和系统的监测与诊断中发挥着巨大作用. 应用领域： 1.从模式识别角度应用神经网络作为分路器进行故障分析。 2.从预测角度应用神经网络作为动态预测模型进行故障检测。 3.从知识角度建立基于神经网络的诊断专家系统 （专家系统瓶颈：知识获取困难、知识库更新能力差） 神经网络作为一种自适应的模式识别技术并不需要预先给出关于模式的先验知识和判别函数, 而是通过自身的学习机制自动形成所要求的决策区域。网络的特性由其拓扑结构、节点特性、学习或训练规则所决定, 它能充分利用状态信息, 对来自不同状态的信息逐一训练以获得某种映射关系, 而且网络可连续学习。当环境改变, 这种映射关系可以自适应, 以求对对象的进一步逼近. ANN与经典计算方法相比并非优越, 只有当常规方法解决不了或效果不佳时ANN方法才能显示出其优越性。尤其对问题的机理不甚了解或不能用数学模型表示的系统,如故障诊断、特征 提取和预测等问题,ANN往往是最有利的工具。 目前应用于机械设备故障诊断的神经网络有： 1.误差反向传播神经网络（BP，Back Propagation) (BP神经网络有很强的非线性映射能力，在故障诊断中应用非常成功） 2.径向基函数神经网络(RBF,Radial Basis Function) 3.模糊神经网络(FBF,Fuzzy Basis Function) 4.概率神经网络(PNN, probability Neatural Network) 5.基于基于BPNN的专家故障诊断系统 前向BP网络和RBF网络的学习算法属于有导师的，算法模型有较好 的推广能力，用于故障模式识别效果较好，训练好的BP网络和RBF 网络计算速度快、内存消耗低、可用于实时监测与诊断，但是两种 模型要求学习样本具有一定的致密性、遍历性和相容性，在实际工程 中，有时候获得这样的样本比较难。 神经网络进行故障模式识别： 1.用于系统模式未知比较复杂以及非线性系统的故障模型识别。 2.兼有故障信号的模式变换和特征值提取功能 3.对系统含有的不确定因素、噪声及输入模式的不完备情况下不 太敏感 4.可用于离线诊断，也能适用于实时监测的要求 BP网络建模特点： 非线性映照能力：神经网络能以任意精度逼近任何非线性连续函数。在建模过程中的许多问题正是具有高度的非线性。 并行分布处理方式：在神经网络中信息是分布储存和并行处理的，这使它具有很强的容错性和很快的处理速度。 自学习和自适应能力：神经网络在训练时，能从输入、输出的数据中提取出规律性的知识，记忆于网络的权值中，并具有泛化能力，即将这组权值应用于一般情形的能力。神经网络的学习也可以在线进行。 数据融合的能力：神经网络可以同时处理定量信息和定性信息 多变量系统：神经网络的输入和输出变量的数目是任意的，对单变量系统与多变量系统提供了一种通用的描述方式，不必考虑各子系统间的解耦问题。 利用BP网络诊断步骤： 1.确定合理的网络结构和规模，尤其是在网络中间层神经元个数 选择是网络结构确定和网络性能的关键。 2.确定训练样本集和测试集，训练样本集用于对网络进行训练，而 测试集用于监测网络的推广能力和训练效果。训练样本应全面涵盖 所有故障模式类的数据，还应具有一定的代表性，还应保证学习的 有效性，测试样本应满足交叉校验（cross validation）的原则。 3.根据训练样本集对网络经行训练，对测试的训练结果即为神经网络 的故障诊断知识库 （网络的训练是一个不断修正权值和阀值的过程， 通过调整，是网络的输出均方误差达到最小值） 4.根据诊断输入，利用BP网络经行故障诊断 BP网络创建的指导原则： 1.对于一般的模式识别问题，3层网络可以很好的解决 2.3层网络中，隐含层的神经元个数n2与输入层神经元个数n1之间有 以下近似关系： n2=2*n1+a； θ为阈值，f（X）是激发函数；它可以是线性函数，也可以是非线性函数． 其中x＝（x1，…xm）T 输入向量，y为输出，wi是权系数；输入与输出具有如下关系： 样本数据 收集和整理分组 采用BP神经网络方法建模的首要和前提条件是