中国10大原油来源国.pdfVIP

之间 则 BP算法样本训练可描述如下 ： xI ；其严重程度分别为 0．6，0．2，0．5，则此时故 障征兆模 一 (1)以随机的方式赋予W。和wIk一个初始权值，并且要 糊 向量 X=(o．60o．20ooo．50)。 源 求各权值互不相等 ，为一个 (0，1)之间的非零数。 对应上述故障．神经网络模型的输入层层数：5；输出层 前 (2)输入知识库中的每一个学习样本 (X，Y)，计算出实 层数 ：6：则隐含层层数：8；学习步长 ：o．04；权值收敛因子 际输 出。 o．OOOl：误差收敛因子 ：o．1：动量项因子 ：0．5；Sigmoid函数修 赡一lv (3)计算实际输出OP和相应的理想输入 OP之间的差。 正因子 0．5：总体误差限O．8 先输入学习样本表 1(表中输入 (4)按极小误差方式调整权值矩阵。 层 X中的 1代表 电气设备出现此故障征兆 ．输出层Y 中的 1 (5)判断最大迭代次数 N是否大于一预先给定的大数 ， 代表故障是由此原因引起的；反之 ，为 0)，调整各个参数及 或者网络误差是否小于一较小的值 8。如果是，结束训练 ； 权值 然后输入故障征兆模糊向量 ．得出故障原因为即定子 否．则转步骤 (2)。 绕组短路。与实际符合。计算结果见表 2。 其 中步骤 (1)、(2)称为 向前传播阶段 ，步骤 (3)、(4)称 表 1 学 习样本表 为向后传播阶段．这 2个阶段的工作一般应受到精度要求的 控制．根据 BP算法的严格数学理论 ，对第P个样本，可取： EP= (yoi-OH) 二 ： 一 1 网络关于整个样本 的误差测度则可记为 ：E= E j— I 其中s为样本数 目 很显然 ．极小化网络误差 E的过程 可视为无约束非线性优化过程 ．因为通常的 BP训练算法采 用最速下降法 ．学习速度较慢 ．训练次数常需要上千次甚至 上万次 为加快水轮机蝶阀学习速率并减少震荡 ．所 以采用 参考文献中的迭代方法进行计算。 5 结论 3 电气设备故障征兆向量的确定 与传统的模糊理论在故障诊断中的应用相比．本文采用 已知水电站 电气设备表现的故障征兆为x，，X：，…，X；可 BP神经网络替代模糊矩阵进行计算 ．成功地避免了传统的 能出现的故障原因为Y．，Y，…，Y；即分别是神经网络里的输 模糊理论诊断方法因其准确性依靠隶属度的确定 ．而隶属度 入层和输出层 ．由于电气设备的复杂性 ．故障征兆与故障结 的确定在很大程度上又带有一定的主观性和经验性的弊端 ． 果之间并非一一对应关系．无法定义确定值的数学模型 因 提高了诊断系统