基于神经网络的电气设备故障诊断.docVIP

基于神经网络的电气设备故障诊断 　　摘 要:电气设备的故障诊断对于提高生产效率具有十分重要的意义。然而,随着设备内部复杂度的不断提高,故障诊断也成为一项越来越难的工作。在分析神经网络结构及其学习算法的基础上,提出一种基于3层BP神经网络的电气故障诊断方法,并以发动机故障检测为实例,分析特征向量提取、神经网络训练等问题。通过输入样本训练及神经网络测试表明,神经网络在故障检测诊断问题中具有很高的实用价值。?? 　　关键词:电气设备;故障诊断;神经网络;学习算法?? 　　中图分类号:TP183 　　 　　近年来,随着电气设备复杂度的增加,其发生故障的概率也逐渐上升。即使是熟练工程师,面对日趋复杂的设备内部电气结构,也难以迅速分析及判别其故障原因。与此同时,涌现出的各种智能算法、专家系统等,为设备诊断问题提供了可行的方案。其中,神经网络以其特有优势在电气设备故障诊断中发挥了重要作用。神经网络理论是人工智能、认知学、脑神经学、信息学等诸多学科融合发展的结果,它是由大量简单的处理单元(称为神经元),通过广泛的互相连接而形成的复杂网络系统。神经网络具有学习能力,可以根据电气设备的正常历史数据训练,将训练结果信息与当前测量数据进行比较,以确定故障。同时它具有滤除噪声的能力,这使其能在噪声环境中有效地在线监测及诊断。其具有的分辩故障原因及类型的能力,为未来实现故障智能诊断奠定了基础。本文介绍神经网络结构及其学习算法,提出一种基于BP网络的电气设备故障诊断方法,通过网络训练及结果测试表明,该方法具有良好的故障诊断能力。[JP]?? 　　 　　1 BP神经网络模型?? 　　 　　神经网络有很多模型,例如BP网络、Kohonen,Hopfield及ART等。其中,反向传播网络(Back[CD*2]Propagation Network)在神经网络的实际应用中有着十分重要的影响,工程应用中的绝大多数网络模型都采用BP模型或其变形,可以说BP模型体现了神经网络中的精华。?? 　　 　　1.1 BP神经网络模型?? 　　以三层前向BP网络为例,对神经网络结构进行分析,其组成包括输入层、隐含层和输出层。如图1所示,图中圆圈表示神经元,??W????ir??表示输入层第i个神经元与隐含层第r个神经元的连接权值;V????rj??表示隐含层第r个神经元与输出层第j个神经元的连接权值;其间的连线表示神经元之间的相互作用强度。?И? 　　从图1的结构中可以得到,隐含层节点的输出函数和输出层节点的输出函数分别为:?? 　　式中:??T??r和θ??r分别为隐含层和输出层的单元阈值。在本文设计的??BP??神经网络结构中,式(1)中的f(#8226;)采用??sigmoid??函数,即f(x)=(1+e????-x??)????-1??。?И? 　　 　　1.2 BP学习算法?? 　　BP模型的成功得益于BP算法的应用,即误差反向传播算法。BP算法属于梯度下降算法,是一种监督式的学习算法。用网络的实际输出与目标矢量之间的误差来修正网络权值,使输出与期望尽可能接近(网络输出层的误差平方和达到最小);通过反复在误差函数梯度下降方向上调整网络权值的变化,逐渐逼近目标。每次权值和偏差的变化都与网络输出误差的影响成正比,并以反向传播的方式传递到每一层。BP网络是由两部分组成:信息的正向传递和误差的反向传播。?? 　　设神经元的输入矢量为??[WTHX]X[WTBX]=\[x??1,x??2,…,x??n\],其中n是输入层的神经元数。对应于输入[WTHX]X的输出矢量是??Y[WTBX]=\[y??1,y??2,…,y??m\],??其中m 是输出层的神经元数。如果要求网络的期望输出是[WTHX]T[WTBX]=\[t??1,t??2,…,t??m\],?г蛭蟛詈?数可以定义为: 　　BP算法采用梯度下降法来调整网络的权值,以使上述误差函数减小,即: 　　?И?w(n+1)=w(n)-η(??E/??w)[JY](3)?И? 　　式中:常数?Е鞘侨ㄖ档髡?速率,通常取值0.01≤η≤1。权值W?У牡髡?方法采用以下公式: 　　式中:?И?Δ??w????pq??表示某层第p个节点到下一层第q个节点的权值修正量;x??p表示节点p的输出;δ??q表示节点q?У亩说愕燃畚蟛?,由输出层的等效误差反传而来: 　　式中:对应BP模型网络结构(见图1);节点??q位于输出层;节点h??位于隐层。?? 　　 　　2 电气设备故障检测实例?? 　　 　　在电气设备中发动机是故障率比较高的设备之一,其在故障诊断中比较具有代表性。在此,以发动机为例,分析BP神经网络在电气设备故障诊断过程中的一般模式及步骤。?? 　　 　　2.1 网络样本选