第18章 神经网络故障诊断.pptVIP

第18章 神经网络故障诊断 本章要点 神经网络故障诊断方法 基于BP神经网络的设备状态分类 船舶柴油机涡轮增压系统神经网络故障诊断 基于概率径向基神经网络的柴油机燃油系统故障诊断 18.1 神经网络与故障模式识别 神经网络之所以在故障诊断中得到广泛应用，主要是因为它具有以下诸多优势： （1） 学习能力 （2） 联想记忆功能 （3） 非线性映射 （4）分类和识别 （5）知识处理 18.1.1 常用的模式识别方法 传统的模式识别方法有基于决策理论的统计模式识别和基于形式语言的句法（结构）模式识别，统计法和结构法是模式识别两种经典方法。随着神经网络在语音识别、模式识别、图像处理和工业控制等方面的广泛应用，神经网络模式识别方法越来越显示了它解决问题的优越性。 （1）统计模式识别 （2）句法模式识别 （3）神经网络模式识别 18.1.2 神经网络在故障模式识别中的应用 用于故障诊断的神经网络可分为有导师学习神经网络和无导师学习神经网络两类，前者主要包括BP网和径向基函数网络；后者主要包括有自组织特征映射（SOM）网络。 神经网络学习性能的好坏主要体现在两个方面：学习速度和泛化能力。学习速度表现在满意地逼近训练样本所花费的时间上，泛化能力则表现在对未训练样本的逼近程度上。影响网络性能的主要因素有网络拓扑结构和规模、网络权重修改策略、网络节点的激励特性等。 18.2 基于BP网络的设备状态分类器设计 本例是设计一个状态分类器，用于检测柴油机涡轮增压系统的状态，分为中等故障状态和严重故障状态。 18.2.1 BP网络输入输出设计 首先根据船用低速增压柴油机工作过程的理论分析和实际运行经验，确定涡轮增压系统各部件可能出现故障的原因或部位，作为故障变量即网络的输出变量；同时确定用于同时确定用于区别各种故障的征兆变量作为网络输入变量。 18.2.2 网络训练 BP神经网络隐含层神经元的传递函数采用对数型激活函数“logsig”函数，输出层神经元传递函数采用线性激活函数“purelin”函数，根据第7章BP神经网络隐层节点数设计公式，将本例中的隐层节点设为10，最大训练次数为1000次，最小均方误差为1e-8。 18.2.3 网络测试 为了检验网络的故障分类能力和准确性，把表18-3中的待检测样本数据输入到训练好的BP网络当中并运行程序。 18.3船舶柴油机涡轮增压系统神经网络故障诊断 使用神经网络对柴油机故障进行诊断时，网络的输入对应着故障征兆，即柴油机某部分的特征参数，输出神经元对应着故障类型。在整个诊断过程中，利用故障样本对网络进行训练，以确定网络的连接权值和阈值。网络训练完毕后，故障的模式分类就是根据给定的一组征兆，实现征兆集到故障集之间的非线性映射的过程。在给出一个柴油机待检样本后，得出其处于某种故障状态。 18.4基于概率径向基神经网络的柴油机燃油系统故障诊断 燃油系统是柴油机的重要组成部分，其功能是根据柴油机的工作次序和负荷大小，定时、定量、定压地将雾化质量良好的清洁柴油按一定的喷油规律喷入气缸，与压缩空气混合，以保证气缸内燃油正常燃烧。燃油系统主要由喷油泵、高压油管和喷油器等组成，其工作质量直接影响柴油机工作过程及整机性能，决定柴油机的经济性和可靠性 18.4.1柴油机燃油系统故障分析 18.4.2 基于概率径向基神经网络的训练 18.4.3 基于概率径向基神经网络的故障诊断 * * 谢谢！