智能控制相关论文.docxVIP

智能控制论文题 目BP网络介绍及应用举例学 院计算机专 业计算机系统结构学 号110061007课 程智能控制学生姓名孙丹枫教 师包健日 期2012年12月1．BP网络概述BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。2．BP网络应用神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。目前，主要的研究工作集中在以下几个方面：（1）生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物科学方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。（2）建立理论模型。根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。（3）网络模型与算法研究。在理论模型研究的基础上构作具体的神经网络模型，以实现计算机模拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。（4）人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系统、制成机器人等等。3．BP网络应用举例基于二阶BP神经网络的旋转机械故障的智能诊断旋转机械是各种类型机械设备中数量最多应用最广泛的一类机械．对旋转机械的监测和诊断很有必要。在长期的观察和实践中．人们对旋转机械的振动故障机理、振动形式和振动原因进行了深入的研究，总结出一些振动信号与机械故障之间的关系。目前，诊断振动故障多以外部诊断为主．即以监测到的振动状态为基础，辅以其他运行工况参数，利用信号检测、信号处理、故障识别和故障定位技术进行故障诊断。由于诊断振动故障是实践性很强的技术，所以基于人工神经网络或专家系统的模糊诊断是故障建模和故障识别的发展主流。故障诊断的核心技术是模式识别。神经网络在运行过程中能将分类模式存储在连接的权值中分配．使网络具有自适应性的学习模式分类规则。现介绍一种基于神经网络的旋转机械振动故障的智能诊断系统。3.1断建模方法设(f=l，2，?，k)对应反映设备运行状态第n个观测样本的k个特征参数， (i=1，2，…，l)对应第n个样本的l种故障模式，共有N个样本(n=l，2，?，N),则故障模式向量Y={}与特征参数向量P={}间的内在关系用函数，表示，有P = f(Y)当时，函数，存在逆函数s：y=s(P)诊断建模的实质就是根据有限的样本集．确定s(P)的一个等价映射关系ss(P)，使得对于任意．满足：，定理l：给定任意和任意函数，存在一个三层BP网络，它可在任意平方误差精度内逼近f。由定理l可知BP前馈神经网络通过自学习都能一致逼近紧集上的连续映射函数。因而ss(P)可以用神经网络模型构建得到。3.2模型设计及应用系统主要以神经网络构成，且吸收了专家系统的优势——采用知识数据库。利用知识数据库存储神经网络的权值、阈值和结构类型等数据，并且可以通过直接和实例训练的方法产生新的网络结构和权值更新知识库。而使整个系统更为灵活、自适应性和通用性强。系统应用于大型汽轮机发电机组．框图如图l所示，分为信号处理子系统和诊断子系统两部分。3.3信号处理子系统信号处理子系统将采集的原始数据输入诊断神经网络之前先进行预处理提取特征量。传感器的输出信号经采样和A／D转换为数字信号送人计算机。传感器的选择和测点的分布要根据监测和诊断的目的确定和选择。原始信号的预处理方式很多，主要包括傅里叶变换、时频分析、小波变换、多频谱技术、高阶矩阵等。同时。神经网络本身也具有特征提取的功能。汽轮机振动故障征兆分为振动信号和运行状态两个方面。振动信号特征用频谱参数表示。以l kHz为采样频率，每次采样1024个点．频率分辨率为0．9766Hz。采用快速傅氏变换(F盯)对离散振动信号进行直接计算，既利于计算机自动计算．又能满足振动信号实时处理的要求。将时域振动信号转换为频域信号，就可知道振动信号中所包含的频率成分和幅值及相位分布。通常，采用振动信号的功率谱．将各个频率的功率分量归一化后，送人人工神经网络训练。训练好的神经网络就可辨识出故障的性质、原因和发生部位．运行状态参数主要包括机组负荷、转速、油温、油压、汽缸膨胀和转子差胀等慢速变化信号．主要来自汽轮发电机组的监控系统。这些量采用模糊量化的方法进行预处