第七章 机组神经网络故障诊断系统(修改8.4).docVIP

第七章 神经网络故障诊断系统 7.1神经网络理论概述 人工神经网络（Artificial Neural Networks 简称ANN）是人工智能的一个分支，是在现代神经生理学和心理学的研究基础上，模仿人的大脑神经元结构特性而建立的一种非线性动力学网络。 神经网络的研究已有近40年的历史，其发展过程可以大致分为四个阶段：第一阶段是神经网络的奠基时期，Mcculloch和Pitts于1943年发表的论文“神经活动中所蕴含思想的逻辑活动”奠定了神经计算或神经建模的基础；第二阶段是从1957年到1958年间，这一时期是研究高潮 ，Frank Rosenblant等人研究出了第一台真正成功的神经计算机，即代号为Mark I的感知器。第三阶段是从1967年到1982年，美国几乎没有什么引人注意的有关神经计算的研究。但是，大量的研究在自适应信号处理、模式识别及生物建模的旗帜下仍在进行着。这一时期神经网络的研究转入了沉默。最后阶段是从80年代至今，许多神经计算研究者大胆地提出建议，研究神经计算机以及神经网络的应用[30]。 神经网络系统是由大量的简单单元——形式神经元高度错综复杂联结而成的网络系统。结点特性、联结拓扑结构及学习规律是确定一个网络的三个要素。神经网络是借鉴了现代神经科学的研究成果提出来的，它在功能上反映了生物神经系统的若干基本特性，如人类大脑的协同作用和自发的集体计算能力等。但神经网络并不是脑系统的逼真描写，而只是它的某种简化、抽象和模拟。 神经网络一般模型可以从八个方面进行描述： (1)神经元 神经元有时也称为单元、形式神经元，神经元是建立模型的第一步，它可以表达特殊的概念对象，也可仅是抽象的基元。 神经元具有以下几个特性： 每个神经元可以接受任意个输入连接； 每个神经元可以有任意个输出连接，但每个输出连接上的信号都必须相同。 神经元可以有局部记忆； 每个神经元具有—个传递函数，该传递函数可以利用局部记忆和输入信号，并产生神经元的输出信号。传送函数的工作方式可以是连续的，也可以是间断的。 神经网络中的神经元可以分成称为层或块的不相交子集。在层或块中、神经元具有相同的传递函数。神经元常见形式为三种：一是输入元。输入元只接受从外部环境到达的输入；二是输出元，它把信号从系统中输出，这些输出可直接影响运动系统，也可只影响外在于该系统的其它系统；三是隐藏元，是那些输入与输出都在系统单元，对外界来说，它是“看不见”的。 (2)激励状态 某时刻系统状态的表达，对于一个单元来说，激励可能是连续的，也可能是间断的。 (3)神经元的输出 各神经元通过向邻近元发出信号来互相影响。信号的强度可用激励程度来决定。激励态通过传递函数影响输出，传递函数大致分为三种：一是确定上下界的单调递增连续函数；二是阈值函数，当激励值超过给定阈值时，才输出；三是随机函数。 (4)联系的模式 单元的联系模式组成了一系统，并决定了该系统对任—输入如何反应。神经网络中所有的长期知识都由连接或其权来编码。连接的作用是为处理单元提供即时的单向信息传导路径。通常用权Wij来表示两个单元之间的连接。 (5)扩布规则 取输出矢量O(t)来表达与某单元联系着的所有单元的输出，并将它与连接矩阵联合起来，为此单元的每类输入产生一个总的输入。 (6)激励规则 在特定单元上的每种网络输入互相联系起来，并将其与单元的当前状态联系起来，以产生新的激励态。每类联系赋予一个激励函数F和x(t)，以产生新的激励态x(t+1) x(t+1)＝F(x(t)，net(t)i) (7)修饰联系模式以作为经验的函数 神经网络模型中信息处理或知识结构的变化是由处理单元之间联系模式的变化体现的，学习就是改变权或添加或移去连接。处理单元之间联系模式(连接)有三种变化形式：新连接的发展；现存连接的丢失；已有连接的强度改变。 (8)环境的表达 在一些神经网络模型中，我们可以把环境表达为输入模式空间上随时间变化的随机函数，即每一时刻，任何可能的输入模式以某种概率施加在输入单元上。此概率函数一般由对系统的输入的历史情况以及系统的输出决定。 由于人工神经网络有多种类型，神经元之间的连接也有多种形式，因而人工神经网络也有多种类则。 图7-1神经网络模型 按神经元间的联接方式看，常见的神经网络可分为： 全互连型结构，网络中的神经元都与其他神经元有连接，其拓扑结构如图7-1（a）Venkat Venkatsubramanian和King Chan等人将人工神经网络用于故障诊断中，并与基于知识的专家系统进行了比较。他们诊断的设备是一个硫化态催化裂化单元的故障，确定了18种征兆（输入节点）和13种故障类型（输出节点），隐层有5-27个节点。所用的算法是反向传播算法，获得了理想的效果；它能正确地确定94%-98%的故障原因。