bp故障诊断

利用BP网络诊断步骤： 利用 网络诊断步骤： 网络诊断步骤 1.确定合理的网络结构和规模，尤其是在网络中间层神经元个数 确定合理的网络结构和规模， 确定合理的网络结构和规模 选择是网络结构确定和网络性能的关键。 选择是网络结构确定和网络性能的关键。 2.确定训练样本集和测试集，训练样本集用于对网络进行训练，而 确定训练样本集和测试集，训练样本集用于对网络进行训练， 确定训练样本集和测试集 测试集用于监测网络的推广能力和训练效果。 测试集用于监测网络的推广能力和训练效果。训练样本应全面涵盖 所有故障模式类的数据，还应具有一定的代表性， 所有故障模式类的数据，还应具有一定的代表性，还应保证学习的 有效性，测试样本应满足交叉校验（ 有效性，测试样本应满足交叉校验（cross validation）的原则。 ）的原则。 3.根据训练样本集对网络经行训练，对测试的训练结果即为神经网络 根据训练样本集对网络经行训练， 根据训练样本集对网络经行训练 的故障诊断知识库 （网络的训练是一个不断修正权值和阀值的过程， 网络的训练是一个不断修正权值和阀值的过程， 通过调整，是网络的输出均方误差达到最小值） 通过调整，是网络的输出均方误差达到最小值） 4.根据诊断输入，利用 网络经行故障诊断 根据诊断输入， 根据诊断输入 利用BP网络经行故障诊断 BP网络创建的指导原则： 网络创建的指导原则： 网络创建的指导原则 1.对于一般的模式识别问题，3层网络可以很好的解决 对于一般的模式识别问题， 层网络可以很好的解决 对于一般的模式识别问题 2.3层网络中，隐含层的神经元个数 与输入层神经元个数 之间有 层网络中， 与输入层神经元个数n1之间有 层网络中 隐含层的神经元个数n2与输入层神经元个数 以下近似关系： 以下近似关系： n2=2*n1+a； ；
其中x＝ 输入向量， 为输出 为输出， 是权系数； 其中 ＝（x1，…xm）T 输入向量，y为输出，wi是权系数；输入与 输出具有如下关系： 输出具有如下关系：
y = f (∑ wi xi − θ )
i =1
θ为阈值，f（X）是激发函数；它可以是线性函 数，也可以是非线性函数．
m
样本数据 收集和整理分组 采用BP神经网络方法建模的首要和前提条件是有足够多典型 性好和精度高的样本。为监控训练（学习）过程使之不发生“过 拟合”和评价建立的网络模型的性能和泛化能力，必须将收集到 的数据随机分成训练样本、检验样本（10%以上）和测试样本 （10%以上）3部分。
神经网络的训练 BP网络的训练就是通过应用误差反传原理不断调整网络权 值使网络模型输出值与已知的训练样本输出值之间的误差平方 和达到最小或小于某一期望值。 在给定有限个（训练）样本的情况下，如何设计一个合理的 BP网络模型并通过向所给的有限个样本的学习（训练）来满意 地逼近样本所蕴含的规律（函数关系，不仅仅是使训练样本的 误差达到很小）的问题。
BP神经网络是误差反向传播神经网络的简称，它由一个 神经网络是误差反向传播神经网络的简称， 神经网络是误差反向传播神经网络的简称 输入层，一个或多个隐含层和一个输出层构成， 输入层，一个或多个隐含层和一个输出层构成，每一层 由一定数量的的神经元构成。 由一定数量的的神经元构成。
BP网络建模特点： •非线性映照能力：神经网络能以任意精度逼近任何非线性连续函 数。在建模过程中的许多问题正是具有高度的非线性。 •并行分布处理方式：在神经网络中信息是分布储存和并行处理的， 这使它具有很强的容错性和很快的处理速度。 •自学习和自适应能力：神经网络在训练时，能从输入、输出的数 据中提取出规律性的知识，记忆于网络的权值中，并具有泛化能 力，即将这组权值应用于一般情形的能力。神经网络的学习也可 以在线进行。 •数据融合的能力：神经网络可以同时处理定量信息和定性信息 •多变量系统：神经网络的输入和输出变量的数目是任意的，对单 变量系统与多变量系统提供了一种通用的描述方式，不必考虑各 子系统间的解耦问题。
隐层节点数 在BP 网络中，隐层节点数对建立的神经网络模型的性能影 响很大，而且是训练时出现“过拟合”的直接原因。 为尽可能避免训练时出现“过拟合”现象，保证足够高的网 络性能和泛化能力，确定隐层节点数的最基本原则是：在满足 精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层 节点数。 若隐层节点数太少，网络可能根本不能训练或网络性能很差； 若隐层节点数太多，虽然可使网络的系统误差减小，但一方面使网 络训练时间延长，另一方面，训练容易陷入局部极小点而得不到最 优点，也是训练时出现“过拟合”的内在原因。 因此，合理隐层节点数应在综合考虑网络结构复杂程度和误差大小 的情况下用节点删除法和扩张法确定。
误差反向传播算法（ 算法） 误差反向传播算法（B-P算法） 算法 BP网方法：可建立故障的数学模型，依次判断是否出现故障 算法目的 目的：根据实际的输入与输出数据，计算模型的参数（权系 目的 数） 人工神经网络以其具有自学习、自组织、较好的容错性和优良的 非线性逼近能力。在实际应用中，80%～90%的人工神经网络模型 是采用误差反传算法或其变化形式的网络模型（简称BP网络）， 目前主要应用于函数逼近、模式识别、分类和数据压缩或数据挖掘
ຫໍສະໝຸດ Baidu
ANN与经典计算方法相比并非优越 只有当常规方法解决不了 与经典计算方法相比并非优越, 与经典计算方法相比并非优越 或效果不佳时ANN方法才能显示出其优越性。尤其对问题的机 方法才能显示出其优越性。 或效果不佳时 方法才能显示出其优越性 尤其对问题的机 理不甚了解或不能用数学模型表示的系统,如故障诊断 如故障诊断、 理不甚了解或不能用数学模型表示的系统 如故障诊断、特征 提取和预测等问题,ANN往往是最有利的工具。 往往是最有利的工具。 提取和预测等问题 往往是最有利的工具
基于人工神经网络的故障诊断方法
基于人工神经网络的故障诊断方法， 世纪90年代初才具有 基于人工神经网络的故障诊断方法，是20世纪 年代初才具有 世纪 真正实用性的故障诊断方法，人工神经网络模型是在现代神经 真正实用性的故障诊断方法， 生理学和心理学的研究基础上， 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征 而建立的一种非线性动力学网络系统， 而建立的一种非线性动力学网络系统，由大量的简单非线性处 理单元高度并联、互联而成。利用计算机仿真，并行处理信息， 理单元高度并联、互联而成。利用计算机仿真，并行处理信息， 具有人脑的某些基本特性的简单的数学模拟能力。 具有人脑的某些基本特性的简单的数学模拟能力。 由于神经网络具有原则上的容错、结构拓扑鲁棒、联想、推测、 由于神经网络具有原则上的容错、结构拓扑鲁棒、联想、推测、 具有原则上的容错 自适应、自学习、并行和处理复杂模式的功能， 自适应、自学习、并行和处理复杂模式的功能，对于实际工程 中存在的大量的多故障、多过程、突发性故障、 中存在的大量的多故障、多过程、突发性故障、庞大复杂机器 和系统的监测与诊断中发挥着巨大作用. 和系统的监测与诊断中发挥着巨大作用 应用领域： 应用领域： 1.从模式识别角度应用神经网络作为分路器进行故障分析。 角度应用神经网络作为分路器进行故障分析。 从模式识别角度应用神经网络作为分路器进行故障分析 2.从预测角度应用神经网络作为动态预测模型进行故障检测。 应用神经网络作为动态预测模型进行故障检测。 从预测角度应用神经网络作为动态预测模型进行故障检测 3.从知识角度建立基于神经网络的诊断专家系统 从知识角度建立基于神经网络的诊断专家系统 专家系统瓶颈：知识获取困难、知识库更新能力差） （专家系统瓶颈：知识获取困难、知识库更新能力差）
输入/输出变量的确定及其数据的预处理 输入 输出变量的确定及其数据的预处理 一般地，BP网络的输入变量即为待分析系统的内生变量 （影响因子或自变量）数，一般根据专业知识确定。若输入 变量较多，一般可通过主成份分析方法(PCA)压减输入变量， 也可根据剔除某一变量引起的系统误差与原系统误差的比值 的大小来压减输入变量。 输出变量即为系统待分析的外生变量（系统性能指标或因 变量），可以是一个，也可以是多个。一般将一个具有多个 输出的网络模型转化为多个具有一个输出的网络模型效果会 更好，训练也更方便。
神经网络进行故障模式识别： 神经网络进行故障模式识别： 1.用于系统模式未知比较复杂以及非线性系统的故障模型识别。 2.兼有故障信号的模式变换和特征值提取功能 3.对系统含有的不确定因素、噪声及输入模式的不完备情况下不 太敏感 4.可用于离线诊断，也能适用于实时监测的要求 目前应用于机械设备故障诊断的神经网络有： 目前应用于机械设备故障诊断的神经网络有： 1.误差反向传播神经网络（BP，Back Propagation) 误差反向传播神经网络（ ， 误差反向传播神经网络 (BP神经网络有很强的非线性映射能力，在故障诊断中应用非常成功） 神经网络有很强的非线性映射能力， 神经网络有很强的非线性映射能力 2.径向基函数神经网络 径向基函数神经网络(RBF,Radial Basis Function) 径向基函数神经网络 3.模糊神经网络 模糊神经网络(FBF,Fuzzy Basis Function) 模糊神经网络 4.概率神经网络 概率神经网络(PNN, probability Neatural Network) 概率神经网络 5.基于基于 基于基于BPNN的专家故障诊断系统 基于基于 的专家故障诊断系统 前向BP网络和 网络和RBF网络的学习算法属于有导师的，算法模型有较好 网络的学习算法属于有导师的， 前向 网络和 网络的学习算法属于有导师的 的推广能力，用于故障模式识别效果较好，训练好的BP网络和 网络和RBF 的推广能力，用于故障模式识别效果较好，训练好的 网络和 网络计算速度快、内存消耗低、可用于实时监测与诊断， 网络计算速度快、内存消耗低、可用于实时监测与诊断，但是两种 模型要求学习样本具有一定的致密性、遍历性和相容性， 模型要求学习样本具有一定的致密性、遍历性和相容性，在实际工程 有时候获得这样的样本比较难。 中，有时候获得这样的样本比较难。
神经网络作为一种自适应的模式识别技术并不需要预先给出关于 神经网络作为一种自适应的模式识别技术并不需要预先给出关于 模式的先验知识和判别函数, 而是通过自身的学习机制自动形成所 模式的先验知识和判别函数 要求的决策区域。网络的特性由其拓扑结构、节点特性、 要求的决策区域。网络的特性由其拓扑结构、节点特性、学习或 训练规则所决定, 它能充分利用状态信息, 训练规则所决定 它能充分利用状态信息 对来自不同状态的信息 逐一训练以获得某种映射关系, 而且网络可连续学习。当环境改变, 逐一训练以获得某种映射关系 而且网络可连续学习。当环境改变 这种映射关系可以自适应, 以求对对象的进一步逼近. 这种映射关系可以自适应 以求对对象的进一步逼近
P max T P T
max / /
= max = max = T / T
{P } { } T
max
= P / P max
神经网络拓扑结构的确定 一般认为，增加隐层数可以降低网络误差，提高精度，但也使网 络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。 在设计BP网络时可参考这一点，应优先考虑3层BP网络（即有1个 隐层）。靠增加隐层节点数来获得较低的误差，其训练效果要比 增加隐层数更容易实现。
输入数据的预处理 在使用BP算法时，要防止神经元进入饱和状态，必须限制与其相连的其它神 经元的输出幅值。由于输入层只起数据传送作用，层中的神经元是扇区单元，通 常使用线性作用函数(输出等于输入)，不存在饱和状态。第一隐层中的神经元通 常采用饱和非线性作用函数，学习过程中会出现饱和现象，因此要防止此层神经 防止此层神经 元进入饱和，必须限制网络输入的幅值 元进入饱和，必须限制网络输入的幅值。所以，为减少平台现象出现的可能，加 快学习，应对网络的输入样本进行归一化（或称正则化）处理，这也是BP算法 对网络的输入样本进行归一化（或称正则化）处理 对网络的输入样本进行归一化 必须对输入数据进行预处理的真正原因。本文使用的标准化方法如下： 式中，P为输入量，T为输出量，P/和T/为经过归一化处理后的实验数据。