改进的BP神经网络在轴承生产线故障诊断中的应用研究.pdfVIP

2007 江苏省自动化学会学术年会论文集 改进的 BP 神经网络在轴承生产线故障诊断中的应用 1 1 2 吕成岭 ，彭力 ，李永胜 （1.江南大学通信与控制工程学院，江苏 无锡 214122； 2.石家庄市吉发曲轴有限公司，河北 石家庄 050100） 摘要：BP 神经网络在故障诊断中的应用是十分重要的研究课题，但 BP 神经网络自身学习 收敛速度慢、容易陷入局部极小等限制了其应用。因此，本文提出了一种新的参数自适应调 整的方法。这种方法是将动量项和自适应学习速率法结合起来，通过文中的实例表明：改进 的BP 神经网络提高了学习速度, 有效地抑制了网络陷于局部极小, 缩短了学习时间。本文 最后介绍了BP 神经网络在轴承自动生产线中的应用。 关键词：故障诊断；BP 神经网络；自适应学习速率；附加动量 0 引 言 随着现代化大生产的发展和科学技术的进步，现代设备的结构越来越复杂，功能越来越 完善，自动化程度越来越高。系统的复杂性越高，投资也越大，一旦发生故障，将会造成巨 大的损失，人们迫切要求提高系统的可靠性、可维护性和安全性。虽然选择优质元件和增加 冗余可以满足上述指标，但是系统最终还是存在发生故障的概率，因此故障诊断技术便成为 提高系统可靠性的有效手段。本文采用 BP 神经网络作为故障诊断的方法。 １ BP神经网络及其改进算法 BP 网络一般为多层神经网络，BP 网络的信息从输入层流向输出层，是一种多层前馈神 经网络。图 1 中画出的是三层BP 网络的模型。输入层的每个节点都与隐层的每个节点相连， 隐层的每个节点又与输出层的每个节点相连，而这些相连的线代表了节点之间的增益，称为 权值。输入层单元数和输出层单元数由所处理的问题决定，对于故障诊断而言，输入层单元 数一般等于特征向量的维数，输出层单元数等于故障的类别数。 W V x 1 y 1 x2 y 2 x y m n 图 1 三层BP 网络模型 １.１ 标准 BP 神经网络学习算法 [1] BP算法 的学习过程又正向传播和反向传播两部分组成，在正向传播过程中，输入模式 从输入层经过隐层神经元的处理后，传向输出层，每一层神经元的状态只影响下一层神经元 状态。如果在输出层得不到期望的输出，则转入反向传播，此时误差信号从输出层向输入层 传播并沿途调整各层连接权值和阈值，以使误差不断减小，直到达到精度要求。BP算法的推 导过程如下： k 为隐层第j 个神经元与输入层第 个神经元之间的连接权值， 为输出层第 个神经元 w i v ji kj 与隐层第j 个神经元之间的连接权值。 （1） 正向传播过程 作者简介：吕成岭（1983- ），女，黑龙江省齐齐哈尔人，硕士研究生，神经网络，故障诊断，传感器网 彭 力（1967-），男，江西余干人，教授，人工生命、智能控制、计算机仿真 169 200