摘要:人工神經(jīng)網(wǎng)絡(luò)作為一門高度綜合的交叉學(xué)科，在實際應(yīng)用中絕大部分的神經(jīng)網(wǎng)絡(luò)模型是采用BP網(wǎng)絡(luò)和它的變化形式，它也是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分。該文介紹了BP網(wǎng)絡(luò)的學(xué)習(xí)過程以及從模式識別角度應(yīng)用BP神經(jīng)網(wǎng)絡(luò)作為分類器進(jìn)行機械故障診斷。

關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò);學(xué)習(xí)過程;模式識別;旋轉(zhuǎn)機械;故障診斷

中圖分類號:TP311 文獻(xiàn)標(biāo)識碼:A 文章編號:1009-3044(2009)15-3982-02

The Study and Application of the BP Neural Network

HOU Zhi-bin， WEN Bi-teng， PENG-Hua， LI Chun-hou

(Department for Graduate Students of Artillery Academy， Hefei 230031，China)

Abstract: The manual NN as a highly integrated chiasma subject. Most of models about NN are adopting the BP network and the changed form at the practical appliance， which is also the hard core of forward network， incarnating the essential part of NN. The paper introduces the studying process of the BP network and uses the BP network for the mechanical failure diagnoses as assorted organ in the mode identification.

Key words: BP neural network; studying process; mode identification; revolving machine; failure diagnoses

1 引言

人工神經(jīng)網(wǎng)絡(luò)是一門高度綜合的交叉學(xué)科，它的研究和發(fā)展涉及神經(jīng)生理學(xué)、數(shù)理科學(xué)、信息科學(xué)和計算機科學(xué)等眾多學(xué)科領(lǐng)域。

人工神經(jīng)網(wǎng)絡(luò)是模仿生物腦結(jié)構(gòu)和功能的一種信息處理系統(tǒng)，雖然目前的模仿還處于低水平，但已顯示出一些與生物腦類似的特點:1) 大規(guī)模并行結(jié)構(gòu)與信息的分布式存儲和并行處理，克服了傳統(tǒng)的智能診斷系統(tǒng)出現(xiàn)的無窮遞歸、組合爆炸及匹配沖突問題，它特別適用于快速處理大量的并行信息。2) 具有良好的自適應(yīng)性，系統(tǒng)在知識表示和組織、診斷求解策略與實施等方面可根據(jù)生存環(huán)境自適應(yīng)、自組織達(dá)到自我完善。3) 具有較強的學(xué)習(xí)、記憶、聯(lián)想、識別功能，系統(tǒng)可根據(jù)環(huán)境提供的大量信息，自動進(jìn)行聯(lián)想、書記及聚類等方面的自組織學(xué)習(xí)，也可在導(dǎo)師的指導(dǎo)下學(xué)習(xí)特定的任務(wù)，從而達(dá)到自我完善。4) 具有很強的容錯性，當(dāng)外界輸入到神經(jīng)網(wǎng)絡(luò)中的信息存在某些局部錯誤時，不會影響到整個系統(tǒng)的輸出性能。神經(jīng)網(wǎng)絡(luò)已經(jīng)在信號處理、模式識別、目標(biāo)跟蹤、機器人控制、專家系統(tǒng)、系統(tǒng)辨識等眾多領(lǐng)域顯示出其極大的應(yīng)用價值，作為一種新的模式識別技術(shù)或一種知識處理方法，神經(jīng)網(wǎng)絡(luò)在機械故障診斷中顯示了其極大應(yīng)用潛力。

目前，在人工神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中，絕大部分的神經(jīng)網(wǎng)絡(luò)模型是采用BP網(wǎng)絡(luò)和它的變化形式，它也是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分。本文介紹BP網(wǎng)絡(luò)的學(xué)習(xí)過程以及從模式識別角度應(yīng)用BP神經(jīng)網(wǎng)絡(luò)作為分類器進(jìn)行機械故障診斷。

2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程

有多層感知器可知，輸入層中人以神經(jīng)元的輸出為輸入模式分量的加權(quán)和。其余各層中，設(shè)某一層中任一神經(jīng)元j輸入為netj，輸出為yi，與這一層相鄰的低一層中任一神經(jīng)元i的輸出為yi。則有

如式(5)和式(6)所示，輸出層中神經(jīng)元的輸出誤差反向傳播到前面各層，以各層之間的權(quán)值進(jìn)行修正。

3 旋轉(zhuǎn)機械故障的訓(xùn)練

表1是一組旋轉(zhuǎn)機械故障的訓(xùn)練示例，表內(nèi)的值表示各訓(xùn)練示例的特征值大小，其取值區(qū)間為[0，1]，如在不平衡訓(xùn)練示例中，0~1/4倍頻的振動幅值的當(dāng)量值為0;1/4~3/4倍頻的振動幅值的當(dāng)量值為0;3/4~1倍頻的振動幅值的當(dāng)量值還為0;1倍頻的振動幅值的當(dāng)量值為0.9;2倍頻的振動幅值的當(dāng)量值為0.1;等等，其余類推。

將這些故障訓(xùn)練示例輸入到一個具有8個輸入節(jié)點，8個中間層節(jié)點和3個輸出層節(jié)點的網(wǎng)絡(luò)中，經(jīng)過1200次迭代，形成了一個網(wǎng)絡(luò)，該網(wǎng)絡(luò)的記憶效果如表2所示，經(jīng)過12000次迭代形成網(wǎng)絡(luò)的記憶效果如表3所示。

表2中第一行表示，當(dāng)輸入一組不平衡故障時，得出該故障的置信度為0.94，而其他故障幾乎為0;第二行表示，當(dāng)輸入一組油膜渦動故障時，得出該故障的置信度為0.96，而其他故障幾乎為0;第三行表示，當(dāng)輸入一組不對中故障時，得出該故障的置信度為0.90，而其他故障幾乎為0。表3中的結(jié)果有所改進(jìn)，其值已趨于穩(wěn)定。通過比較表2和表3，可看出訓(xùn)練中迭代次數(shù)越多，所得到的網(wǎng)絡(luò)越能夠更好的聯(lián)想出訓(xùn)練示例。但訓(xùn)練次數(shù)不宜過長，只要滿足精度要求，訓(xùn)練次應(yīng)盡可能少，以減少訓(xùn)練時間。

4 結(jié)論

人工神經(jīng)網(wǎng)絡(luò)是模仿生物腦結(jié)構(gòu)和功能的一種信息處理系統(tǒng)，并且已經(jīng)在信號處理、模式識別、目標(biāo)跟蹤、機器人控制、專家系統(tǒng)、系統(tǒng)辨識等眾多領(lǐng)域顯示出其極大的應(yīng)用價值。文章介紹了BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，并給出了BP神經(jīng)網(wǎng)絡(luò)在旋轉(zhuǎn)機械故障診斷中的應(yīng)用。作為一種新的模式識別技術(shù)或一種知識處理方法，神經(jīng)網(wǎng)絡(luò)在機械故障診斷中顯示了其極大的應(yīng)用潛力。

參考文獻(xiàn):

[1] 王江萍.機械設(shè)備故障診斷技術(shù)及應(yīng)用[M].西安:西北工業(yè)大學(xué)出版社，2001.

[2] 盛兆順，尹琦嶺.設(shè)備狀態(tài)監(jiān)測與故障診斷技術(shù)及應(yīng)用[M].北京:化學(xué)工業(yè)出版社，2003.

[3] 溫熙森.模式識別與狀態(tài)監(jiān)控[M].長沙:國防科技大學(xué)出版社，1997.

[4] 李孝安.神經(jīng)網(wǎng)絡(luò)與神經(jīng)計算機導(dǎo)論[M].西安: 西北工業(yè)大學(xué)出版社，1994.

[5] 程相軍.神經(jīng)網(wǎng)絡(luò)原理及其應(yīng)用[M].北京:國防工業(yè)出版社，1995.

[6] 聞新.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].北京:科學(xué)出版社，2003.