神经网络实例(ATLAB).docVIP

基于BP神经网络的回热系统故障诊断设计 摘要：神经网络是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的1986年，Rumelhart和McCelland领导的科学家小组在《Parallel Distributed Processing》一书中，对具有非线性连续转移函数的多层前馈网络的误差反向传播（Error Back Proragation，简称BP）算法进行了详尽的分析，实现了Minsky关于多层网络的设想。由于多层前馈网络的训练经常采用误差反向传播算法，人们也常把将多层前馈网络直接称为BP网络。有隐层的多层前馈网络能大大提高神经网络的分类能力初始化输入训练样本对，计算各层输出计算网络输出误差计算各层误差信号调整各层权值检查网络总误差是否达到精度要求满足，则训练结束；不满足，则返回步骤2BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播个过程组成。正向传播时，输入样本从输入层传人，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出 教师信号 不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。BP算法的网络结构示意图 人们在对BP网络的学习算法进行广泛研究后，提出了不少改进的算法，典型的几种： 引入惯性项 引入动量项 变尺度法 变步长法 计算输出误差 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： 表1 回热系统主要故障的样本特征模式 序 号 故障征兆（输入样本） 目标样本 抽气 流量 抽气 压力 进口压力 进口水温 出口水温 混合水温 出口端差 水位高度 输水温度 故障 现象 对应描述. 1 0.50 0.50 0.50 0.50 0.75 0.75 0.25 0.50 0.50 A 0001 2 0.25 0.60 0.50 0.50 0.50 0.50 0.75 0.50 0.50 B 0010 3 0.75 0.40 0.75 0.50 0.50 0.50 0.50 0.50 0.50 C 0011 4 0.25 0.60 0.50 0.50 0.25 0.25 0.75 0.50 0.50 D 0100 5 0.25 0.60 0.50 0.50 0.00 0.00 1.00 0.50 0.50 E 0101 6 0.75 0.40 0.75 0.50 0.25 0.25 0.75 1.00 0.25 F 0110 7 0.25 0.60 0.50 0.50 0.50 0.50 0.75 0.75 0.50 G 0111 8 0.75 0.40 0.50 0.50 0.75 0.75 0.25 0.00 1.00 H 1000 9 0.25 0.60 0.50 0.50 0.75 0.25 0.25 0.50 0.50 I 1001 10 0.25 0.60 0.50 0.50 0.25 0.25 0.75 1.00 0.50 J 1010 11 0.50 0.50 0.50 0.50 1.00 0.75 0.25 1.00 0.50 K 1011 12 0.00 0.75 0.75 0.50 0.50 0.75 0.25 1.00 0.50 L 1100 注：A-运行正常 B-排气管不畅 C-排气管过大 D-管束污染 E-水测短路 F-管束泄漏 G-疏水不畅 H-疏水阀故障 I-旁路故障 J-加热器满水 K-热气带水 L-自身沸腾 表1根据各个参数的不同特点来表示它们的变化范围和程度。考虑到参数测点的波动，将智能变大或变小的参数的正常值设定为0.25和0.75，而将可能双向变化的参数的正长治值设定为0.5。这样，作为神经网络的训练样本，大多数的参数在归一化后其变化范围加大了，极大地改善了训练的收敛性。 根据要求，我们采用BP网络进行故障诊断。因为BP网络具有逼近任意非线性映射的能力，所以它在故障诊断中的应用非常成功。 1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