第五章--神经网络故障诊断.docxVIP

精选文档 精选文档 可编辑 可编辑 第九章 神经网络故障诊断 9.1 引言 人工神经网络 ( Artificial Neural Network--ANN )是由大量简单的处理单元广泛连接 组成的复杂网络， 是在现代生物学研究人脑组织所取得的成果基础上提出的， 用以模拟人类 大脑神经网络结构和行为。目前，尽管 ANN 还不是人脑神经网络系统的真实写照，而只是 对其作某种简化、抽象和模拟，但对 ANN 的研究成果已显示了 ANN 具有人脑功能的基本 特征：学习、记忆和归纳。 ANN 是一个高度复杂的非线性动力学系统。由于其具有大规模并行性、冗余性、容错 性、本质非线性及自组织、自学习、自适应能力，已经成功地应用到许多不同的领域。控制 领域也成为其中之一。 其实，早在 40 年代， Wiener 提出的控制论( Cybernetics )，指的是包括数学、工程、 生理和心理成果而实现人机协同这样一种理想境界。 只不过生理和心理学成果在控制界一直 未受重视而已。 1986 高峰会议，面对控制界存在的、难以用现存的成熟理论解决的问题： 非线性性、复杂性、时变性，专家们提出了这样的想法： “能否从生物研究得到启发来设计 出更好的机器？能否用生物行为作为判断工程系统品质的基准？控制论观点能否再次为我 们提供新的思想源泉？…心理学对人类大脑如何协调全身几百个自由度运动的问题已进行 了长期的研究，是否应当有所借鉴？…” 。从此，在控制界兴起了神经网络热。 那么，究竟 ANN 用于自动控制有那些优越性呢 ? ANN 可以处理那些难于用数学模型或规则描述的过程或系统，解决那些目前“只 可意会，不可言传”的问题。 ANN 是本质的并行结构，在处理实时性要求高的自动控制领域显示出极大的优越 性。 （3） ANN 是本质非线性系统，给非线性控制系统的描述带来了统一的数学模型。 （4） ANN 具有很强的信息综合能力，能同时处理大量不同类型的输入，能很好地解决 输入信息之间的互补性与冗余性问题。 因此， 它在多变量、 大系统及复杂系统的控制上有明 显的优越性。 近几年，在控制界， 先后出现了 ANN 系统辨识、 ANN 非线性控制、 ANN 学习控制及 ANN 自适应控制等。主要被用于机器人控制、工业程控等领域。 9.2 神经网络特性简述 目前， 有关神经网络的研究仍在不断的发展之中， 很多种神经网络模型已被给出。 但到 目前为止，研究和使用最多的神经网络模型是采用 BP算法的前向传播模型， 亦称BP网络。 BP 网络的学习过程是一种误差修正型学习算法，它由正向传播和反向传播组成。在正 向传播过程中， 输入信号从输入层通过作用函数后，逐层向隐含层、输出层传播， 每一层神 经元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， 将 误差信号沿原来的连接通路返回， 通过修改各层神经元的连接权值， 使得输出误差信号最小。 Ruelhart等人在1986年提出的一般 Delta法则，即反向传播（BP）算法，使 BP网络出 现生机。 之后， 很多人对其进行了广泛的研究和应用。 一些研究者分别证明了前传神经网络 的映像能力、记忆能力和泛化能力。 Funashi 和 Hecht-Nielsen（1989 年）分别证明了随着 隐单元的增加，三层网络所实现的映像可以一致逼近紧集上的连续函数或按 L2 范数逼近紧 集上平方可积的函数。揭示了三层网络丰富的实现映像能力。应行仁 （1990 年）详细分析三 层神经网络的记忆机制， 指出具有足够多隐单元的三层神经网络可以记忆任给的样本集。 泛 化用来表征网络对不在训练集中的样本仍能正确处理的能力， 实际上是一种内部插值或外部插值行为。Harris等讨论了三层网络的泛化能力，指出三层神经网络有一定的泛化能力, 可进一步用双BP算法提高其泛化能力。 9.3基于内部回归神经网络的故障诊断 IRN 网络结构 内部回归神经网络(Internally Recurrent Net,IRN)是利用网络的内部状态反馈来描述 系统的非线性动力学行为。 构成回归神经网络模型的方法有很多， 但总的思想都是通过对前 馈神经网络中加入一些附加的和内部的反馈通道来增加网络本身处理动态信息的能力， 克服 输 入输 出图9.1 IRN网络结构BP网络固有的缺点［6］ 输 入 输 出 图9.1 IRN网络结构 计算节点 △关联节点(单元) 二模糊偏差单元 匚〕输入单元 图9.1给出了一种IRN网络模型的结构，它由 3层节点组成：输入层节点、隐层节点 和输出节点，两个模糊偏差节点分别被加在隐层和输出层上， 隐层节点不仅接收来自输入层 的输出信号，还接收隐层节点自身的一步延时输出信号，称为关联节点。 设NH和NI分别为隐节点数和输入节点数