基于BP神经网络的回热系统故障诊断诊断系统.ppt

基于BP神经网络的回热系统故障诊断诊断系统 神经网络简介及在故障检测诊断领域的应用 本论文设计主要内容简介 本文对BP神经网络在回热系统故障诊断中的应用进行讨论。而故障诊断是指在一定工作环境下查明导致系统某种功能失调的原因或者性质，判断劣化状态发生的部分或部件，以及预测状态劣化的发展趋势等。 本文主要对人工神经网络，BP网络，神经网络建模进行了介绍，并对回热系统进行了神经网络故障诊断仿真。 人工神经网络 人工神经网络是模拟生物神经元网络而兴起的智能控制方法之一。 人工神经元模型 神经网络学习算法 1）有师学习 有师学习算法能够根据期望的和实际的网络输出(对应于给定输入)间的差来调整神经元间连接的强度或权。因此，有师学习需要有个老师或导师来提供期望或目标输出信号。 2）无师学习 无师学习算法不需要知道期望输出。在训练过程中，只要向神经网络提供输入模式，神经网络就能够自动地适应连接权，以便按相似特征把输入模式分组聚集。 3)强化学习 强化学习是有师学习的特例。它不需要老师给出目标输出。强化学习算法采用一个“评论员”来评价与给定输入相对应的神。 神经网络学习规则 1、误差纠正学习规则 误差纠正学习的最终目的是使某一基于的目标函数达到要求，以使网络中每一输出单元的实际输出在某种统计意义上逼近应有输出。一旦选定了目标函数形式，误差纠正学习就变成了一个典型的最优化问题 2、Hebb学习规则 可归纳为“当某一突触连接两端的神经元同时处于激活状态(或同为抑制)时，该连接的强度应增加，反之应减弱 3、竞争学习规则 顾名思义，在竞争学习时，网络各输出单元互相竞争，最后达到只有一个最强者激活，最常见的一种情况是输出神经元之间有侧向抑制性连接，这样原来输出单元中如有某一单元较强，则它将获胜并抑制其它单元，最后只有此强者处于激活状态 神经网络学习结构 X是输入样本信号 ,可取任意值。输入样本信号通过每一层的权系数作用 ,最终在输出部产生结果 ； 再把期望输出信号与输出结果进行比较 ,从而产生误差 e。权值调整机构根据误差 e对学习系统的各层权系数进行修改 ,修改方向使用负梯度方向 ,即达到最速下降法 ,不断进行下去 ,使误差 e满足给定精度要求 ,这时实际输出值和期望输出值 u的误差符合要求 ,则学习过程结束。 BP算法实现 利用到的数学工具 1、最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。 泰勒公式 在数学中，泰勒公式是一个用函数在某点的信息描述其附近取值的公式。 信息正向传递 利用梯度下降法求权值变化及误差的反向传播 误差反向传播的流程图与图形解释 使用BP算法时还应考虑的若干问题 归纳总结了使用 BP算法时可能涉及到的问题和一些技巧。尤其对学习方法的选择、隐层数和隐层单元数的选择、学习步长的选择、避免局部最小的方法、学习样本的选择、激活函数的选择 本设计论文都进行了详细的介绍。 神经网络的参数选择 1、网络信息容量与训练样本数 2、输入输出量的选择 3、输入输出量的预处理 4、初始权值的选择 回热系统故障检测仿真实例 回热系统是电机组的主要辅助系统之一，加热给水以提高机组热效率的一组设备和管道系统，回热系统长期处于高温高压的运行状态，加之运行中还收到机组负荷突变、给水泵出现故障、旁路切换等因素的影响，所以回热系统会频繁出现故障。故障诊断的过程分为三个主要步骤：第一步是检测设备状态的特征信号；第二步是从所检测到的特征信号中提取征兆；第三步是根据征兆和其他诊断信息来识别设备的状态，从而完成故障诊断过程的核心。我们利用BP神经网络对故障进行诊断 根据回热系统的运行经验及现场条件，利用9个运行参数提取故障征兆，归纳得到12个主要故障的样本特征模式，归一化处理后的数据如下表所示 确定训练样本集 由于BP网络采用有教师的训练学习方式，所以其训练样本集由输入数据和目标输出组成。这里选取回热系统的9个运行参数所提取的故障征兆，作为网络输入数据向量的9个分量；12种主要故障分别用4位不同的二进制数表示如表1中所示，作为网络目标输出向量的4个分量。由表3.2可知，训练样本N为12，分别代表12中不同的主要故障。 网络设计和训练 在本案例中将网络设计为一个两层BP网络。由于输入向量的维数为9，因此该网络的输入层的神经元数为9个；而输出向量的维数为4，故输出层的神经元数为4个。本例经过实际训练，通过对误差结果的分析，最后设定隐含层的神经元数为19个。由于网络的输入向量范围为[0,1]，故隐含层神经元的传递函数采用S型正切函数tansig，输出层神经元的传递函