人工神经网络应用于空调系统故障诊断的研究论文.docVIP

　　人工神经网络应用于空调系统故障诊断的研究论文 摘要：本文首先介绍了人工神经网络的基本原理，然后详细介绍了反向传播算法（BP），最后研究BP算法在空调系统故障诊断方面的应用。 关键词：人工神经网络 反向传播算法 故障诊断 1 引言 随着经济的发展，空调系统得到了越来越广泛的应用，空调设备已成为重要的生活必备品之一。这就要求空调系统可靠性高且功能齐全，而且在故障诊断维修服务方面达到一定的水平。国内目前的大部分空调系统中无故障诊断系统，当空调系统出现故障后，维保人员往往不能及时、准确地了解系统出现故障的原因及相关信息.freeloid函数，即隐含层第j个神经元的输入为，输出为： 式中表示阈值，的作用是调节Sigmoid函数的形状。 取4个训练样本，具体如表2所示。（x1，x2，x3，x4）＝（1，0，0，0）表示房间温度均偏高的故障模式；（y1，y2，y3 ```` y12）＝（1，1，1，1，1，1，0，0，````）表示房间温度均偏高的故障原因。 表2 BP网络的训练样本表 样本 序号 故障模式 故障原因 x1 x2 x3 x4 y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y12 1 2 3 4 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 5.4 网络的训练与检验 我们以给定模式作为网络的输入，要求网络通过调节所有的连接权系数和各神经元的阈值，使得在输出层神经元上得到理想的结果；然后再给出另一个模式，要求网络继续完成对这对模式的学习。当系统的平均误差E满足下式即可完成训练： 式中：是对应于第k个样本、第t个输出节点的期望输出值，是第t个输出节点的实际输出值。根据程序框图及BP算法，运用Matlab神经网络工具箱进行样本训练。 计算程序如下： P=1 0 0 0;0 1 0 0;0 0 1 0;0 0 0 1; T=1 0 0 0;1 0 0 0;1 0 0 0;1 0 0 0; 1 0 0 0;1 0 0 0;0 1 0 0;0 0 1 0; 0 0 1 0;0 0 0 1;0 0 0 1;0 0 0 1 =neinmax(P),.freel.sho.lr=0.05;.trainParam.epochs=2000; .trainParam.goal=1e-5; ,tr=train(,P,T) 计算结束后，网络达到收敛，其训练收敛过程如下图所示： 图3 BP网络梯度下降法收敛图 最后用非训练样本测试网络的判断能力，测试结果如表3所示 表3 测试结果 样本序号 1 2 3 4 故障 模式 x1 x2 x3 x4 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 故障 原因 y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y12 0.9997 -0.0000 -0.0003 0.0002 1.0026 0.0058 0.0022 -0.0069 1.0006 0.0013 0.0011 -0.0018 1.0005 0.0018 0.0016 -0.0021 0.9973 -0.0055 -0.0018 0.0067 0.9992 -0.0019 -0.0012 0.0023 -0.0001 0.9985 -0.0016 0.0016 -0.0007 -0.0018 1.0000 0.0020 0.0007 0.0025 1.0015 -0.0026 0.0009 0.0041 0.0029 0.9950 0.0037 0.0074 0.0023 0.9908 -0.0000 0.0028 0.0025 0.9973 6 结论 由此可见，与传统的信息处理方法不同，人工神经网络是自适应和可以被训练的，它有自修改能力，同时有对信息并行处理及并行推理的能力，从原理上就比传统的方法要快得多，并且具有高度的非线性、模拟并行性、高度容错性、鲁棒性、自联想自学习和自适应等许多特点。因此，把基于神经网络BP算法的故障诊断技术引入空调系统，能够在空调系统调试和系统的监测及诊断中能够发挥较大的作用。