第5章 智能诊断技术.pptVIP

BP网络的标准学习算法-算法思想 学习的类型：有导师学习 核心思想： 将输出误差以某种形式通过隐层向输入层逐层反传 学习的过程： 信号的正向传播 误差的反向传播 将误差分摊给各层的所有单元－－－各层单元的误差信号 修正各单元权值 5.2 神经网络诊断原理 * 5.2 神经网络诊断原理 BP网络模型 BP网络是多级前馈网络，一般都选用二级网络，包括输入层、隐层和输出层。 * 5.2 神经网络诊断原理 BP网络模型 输出层输出： 隐层输出： 激活函数： 学习的过程： 神经网络在外界输入样本的刺激下不断改变网络的连接权值,以使网络的输出不断地接近期望的输出。 学习的本质： 对各连接权值的动态调整 学习规则： 权值调整规则，即在学习过程中网络中各神经元的连接权变化所依据的一定的调整规则。 5.2 神经网络诊断原理 BP网络的标准学习算法-学习过程 正向传播： 输入样本－－－输入层－－－各隐层－－－输出层 判断是否转入反向传播阶段： 若输出层的实际输出与期望的输出（教师信号）不符 误差反传 误差以某种形式在各层表示－－－－修正各层单元的权值 网络输出的误差减少到可接受的程度 进行到预先设定的学习次数为止 5.2 神经网络诊断原理 * 5.2 神经网络诊断原理 BP网络训练过程 训练过程是根据样本集对权值进行调整的过程； BP网络训练是有导师训练，所以训练样本为： （输入向量，目标输出向量） 权值初始化：不相同的小随机数。 BP网络的训练过程分为如下两个阶段： （1）向前传播阶段： 从样本集中取一个样本( Xp，Dp )，将Xp输入网络； 计算相应的实际输出Op： Op=Fl ( … ( F2 ( F1 (XpW(1)) W(2) )…) W(L) ) * 5.2 神经网络诊断原理 （2）向后传播阶段： 计算实际输出 Op 与相应的理想输出 Dp 的差； 按极小化误差的方式调整权矩阵： 网络关于第 p 个样本的误差测度： 网络关于整个样本集的误差测度： * 5.2 神经网络诊断原理 输出层权值的调整 yj 是隐层的第 j 个节点， ok 是输出层的第 k 个节点； Wjk 是神经元 yj 到 ok 的联接权； wjk yj ok 隐层 输出层 ?wjk 输出层权值wjk 的调整计算公式为： * 5.2 神经网络诊断原理 隐层权值的调整 隐层节点的输出误差可根据输出层的权值和误差来估算 隐层权值vij 的调整计算公式为： wjk yj ok 隐层 输出层 输入层 xi o1 ol wjk wjk vij * 5.2 神经网络诊断原理 权值的调整与三个量有关 学习率α：学习步长 本层的输入： 本层的输出误差： 基本BP算法 训练过程是根据样本集对权值进行调整的过程； BP网络训练是有导师训练，所以训练样本为： （输入向量，目标输出向量） BP网络的标准学习算法 BP算法直观解释 情况一直观表达 当误差对权值的偏 导数大于零时，权值 调整量为负，实际输 出大于期望输出， 权值向减少方向调整， 使得实际输出与期望 输出的差减少。 who e 0，此时Δwho0 5.2 神经网络诊断原理 * 基本BP算法 1 初始化权矩阵V、W 2 初始化精度控制参数ε； 3 E=ε+1; 4 while E ε do 4.1 E=0; 4.2 对S 中的每一个样本（Xp,Dp）： 4.2.1 计算出Xp对应的实际输出Op； 4.2.2 计算出Ep； 4.2.3 E=E + Ep； 4.2.4 根据相应式子调整W； 4.2.5 根据相应式子调整V； * 5.2 神经网络诊断原理 ANN故障诊断流程 从模式识别角度：应用ANN作为分类器进行故障诊断。 标准 模式 信号 预处理 诊断结果 特征 提取 故障 分类器 训练 样本 待诊断样本 * 5.2 神经网络诊断原理 诊断过程 确定特征 确定识别的故障范围 设计网络模型 输入节点数 输出层节点数 隐层节点数 初始权值设置 训练网络 训练样本集 测试样本集 故障识别 * 应用实例：BP网络在汽轮机故障诊断中的应用 汽轮机故障特征的提取 振动频谱特征：9个 0.01-0.39f 、 0.40-0.49f 、 0.5f 、 0.51-0.99f 、 f 、 2f 、 3-5f 、奇数倍 f 、 高频5f . 故障范围的确定 常见的10种故障： 不平衡、气动力偶、不对中、油膜涡动、转子径向碰