張寶全，馬雅麗,2，關(guān)睿，白詩婷，李靜，胡偉濤

(1.國(guó)網(wǎng)河北省電力有限公司檢修分公司，河北 石家莊 050070；2.華北電力大學(xué) 電力工程系，河北 保定 071003)

為了提高電氣設(shè)備壽命，高壓電氣設(shè)備往往是以油和固體電介質(zhì)(如紙和高分子材料)作為內(nèi)絕緣。電氣設(shè)備在運(yùn)行中受到電、熱、機(jī)械和環(huán)境應(yīng)力的作用會(huì)逐漸老化[1]，當(dāng)電氣和機(jī)械性能不滿足要求時(shí)將會(huì)發(fā)生故障，影響電力系統(tǒng)的可靠運(yùn)行。因此，充油電氣設(shè)備的故障診斷對(duì)于保障電力系統(tǒng)正常運(yùn)行、提高供電質(zhì)量非常重要。

絕緣電阻、泄漏電流、介電譜[2]、局部放電[3]、溫度[4]、振動(dòng)[5]、紅外和紫外[6]、油中溶解氣體分析(又稱油色譜)[7-9]等是常見的充油電氣設(shè)備故障檢測(cè)特征量，每種方法都有自己的特點(diǎn)和適合應(yīng)用的場(chǎng)合，本文主要針對(duì)油色譜法開展研究。由于不同類型和嚴(yán)重程度的故障導(dǎo)致充油電氣設(shè)備油中產(chǎn)生的故障特征氣體含量不同，采用氣相色譜法檢測(cè)獲得油中故障特征氣體含量，結(jié)合故障診斷方法即可判斷設(shè)備內(nèi)部發(fā)生的故障。該方法適用于診斷局部、慢性、潛在性缺陷，同時(shí)由于大型充油電氣設(shè)備有取油樣口，取油樣時(shí)并不需要停電操作，故也適合于在線監(jiān)測(cè)。

目前現(xiàn)場(chǎng)針對(duì)油色譜故障診斷最為常用的方法為比值法[10-11]，該類方法中又以國(guó)際電工委員會(huì)(International Electrotechnical Commission，IEC)推薦的IEC三比值法及其改良版本應(yīng)用最為廣泛?？紤]到溶解度和擴(kuò)散系數(shù)的相似性，該方法選擇3對(duì)氣體(C2H2和C2H4、CH4和H2、C2H4和C2H6)的體積分?jǐn)?shù)比值，根據(jù)比值確定編碼，根據(jù)編碼確定故障類型。三比值法應(yīng)用廣泛，能比較有效地診斷充油電氣設(shè)備的故障，但診斷準(zhǔn)確率還不夠高，不能進(jìn)一步利用大量特征氣體數(shù)據(jù)所隱含的信息來提高故障診斷準(zhǔn)確率。為了解決該問題，人們提出采用機(jī)器學(xué)習(xí)來提高故障診斷的準(zhǔn)確率，主要有人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)法[12-13]、專家系統(tǒng)法[14]、遺傳算法[15]、證據(jù)推理法[16]、云理論法[17]、貝葉斯網(wǎng)絡(luò)法[18]等，有效推動(dòng)了充油電氣設(shè)備故障診斷的智能化，尤其是ANN方法由于具有較好的自學(xué)習(xí)能力而被廣泛應(yīng)用。針對(duì)油色譜的ANN診斷方法尚存在以下問題：①雖然有不少文獻(xiàn)采用了不同算法訓(xùn)練ANN[19-22]，也給出了故障診斷結(jié)果，但這些算法訓(xùn)練速度和診斷準(zhǔn)確率關(guān)系如何未見文獻(xiàn)公開報(bào)道，這給算法的選擇帶來了難度；②有文獻(xiàn)給出了隱層神經(jīng)元數(shù)量的選擇方法[23-24]，但不確定對(duì)基于油色譜的ANN方法是否適用，關(guān)于隱層神經(jīng)元數(shù)量、隱層和輸出層神經(jīng)元激活函數(shù)選擇和訓(xùn)練目標(biāo)選擇對(duì)基于油色譜的ANN訓(xùn)練速度和診斷準(zhǔn)確率的影響未見文獻(xiàn)公開報(bào)道。以上問題可能會(huì)影響網(wǎng)絡(luò)診斷的準(zhǔn)確性，非常有必要進(jìn)行研究。

為了解決這個(gè)問題，本文基于搜集得到的470個(gè)典型故障特征氣體樣本，構(gòu)建單隱層多層前饋ANN系統(tǒng)，研究訓(xùn)練算法、隱層神經(jīng)元數(shù)量、網(wǎng)絡(luò)輸入和訓(xùn)練目標(biāo)、隱層和輸出層神經(jīng)元激活函數(shù)對(duì)訓(xùn)練和診斷效果的影響規(guī)律，并給出ANN應(yīng)用于充油電氣設(shè)備故障診斷時(shí)相關(guān)參數(shù)選擇的建議，為基于油色譜的充油電氣設(shè)備故障診斷的應(yīng)用提供參考。

1 基于ANN的充油電氣設(shè)備故障診斷

1.1 油色譜分析過程

充油電氣設(shè)備在運(yùn)行中會(huì)受到熱應(yīng)力、電應(yīng)力等作用導(dǎo)致設(shè)備內(nèi)部溫升、局部放電、局部的火花和電弧等故障，這樣設(shè)備內(nèi)部的油和紙可能會(huì)分解產(chǎn)生氣體，通常用于故障特征判斷的氣體是H2、CH4、C2H6、C2H4、C2H2、CO和CO2，通常稱為故障特征氣體。產(chǎn)生的氣體溶解于油中，通過設(shè)備內(nèi)部的油循環(huán)被輸運(yùn)到取油樣口。在取油樣口取出故障特征氣體后，通過震蕩脫氣等方式可以獲得處于混合狀態(tài)的故障特征氣體，然后通過氣相色譜、光聲光譜、紅外光譜等方式實(shí)現(xiàn)各種類型故障特征氣體含量的測(cè)量。不同故障下作用在油和紙上的溫度、功率不同，導(dǎo)致油和紙分解產(chǎn)生氣體的類型、產(chǎn)氣速率和氣體的分壓比不同，根據(jù)檢測(cè)得到的各種故障特征氣體數(shù)據(jù)即可判斷故障類型乃至嚴(yán)重程度。

1.2 基于ANN的充油電氣設(shè)備故障診斷

從數(shù)學(xué)角度看，多層前饋ANN可以認(rèn)為是一個(gè)映射，涉及到充油電氣設(shè)備故障診斷時(shí)就是實(shí)現(xiàn)從輸入特征氣體含量到故障類型的映射。多層前饋ANN理論上可以實(shí)現(xiàn)任意復(fù)雜的映射，且單隱層ANN即具有該能力，適用于本文的充油電氣設(shè)備故障診斷。多層前饋ANN結(jié)構(gòu)如圖1所示，其中：M為輸入層神經(jīng)元數(shù)量；N為隱層神經(jīng)元數(shù)量；L為輸出層神經(jīng)元數(shù)量；xmq(m=1，2，…，M)為第q個(gè)樣本向量中第m個(gè)元素的值；ω1mn(m=1，2，…，M，n=1，2，…，N)為輸入層第m個(gè)神經(jīng)元到隱層第n個(gè)神經(jīng)元的權(quán)值；ω2nl(n=1，2，…，N，l=1，2，…，L)為隱層第n個(gè)神經(jīng)元到輸出層第l個(gè)神經(jīng)元的權(quán)值；ol(l=1，2，…，L)為輸出層第l個(gè)神經(jīng)元的輸出結(jié)果。

圖1 多層前饋ANN結(jié)構(gòu)Fig.1 Structure of multi-layer feedforward ANN

圖1所示ANN對(duì)應(yīng)的映射

ol(x1q,x2q,…,xMq)=

l=1,2,…,L.

(1)

式中：f1和f2分別為隱層和輸出層神經(jīng)元的激活函數(shù)；tn為隱層第n個(gè)神經(jīng)元的閾值。

ANN訓(xùn)練本質(zhì)上是一個(gè)非線性最小二乘問題，即通過調(diào)整權(quán)值和閾值使目標(biāo)函數(shù)E最小化，

(2)

式中：Q為訓(xùn)練樣本數(shù)量；εlq為針對(duì)第q個(gè)樣本ANN輸出層第l個(gè)神經(jīng)元輸出的目標(biāo)值。

無論采用什么算法，網(wǎng)絡(luò)可調(diào)變量(權(quán)值和閾值)ωa的調(diào)整公式為：

ωa(k+1)=ωa(k)+Δωa(k),a=1,2,…,A.

(3)

式中：Δωa為第a個(gè)可調(diào)變量的增量；A為網(wǎng)絡(luò)可調(diào)變量的數(shù)量；k為迭代次數(shù)。

不同算法之間的差別就在于Δωa(k)的計(jì)算方式。除了經(jīng)典的BP算法[24]，為了避免訓(xùn)練時(shí)陷入局部極小點(diǎn)同時(shí)提高收斂速度，研究人員又提出了變學(xué)習(xí)速率(步長(zhǎng))和加動(dòng)量項(xiàng)的BP算法[24]。振蕩傳播算法[25]從另外一個(gè)角度修正可調(diào)變量增量的計(jì)算公式，即有效利用誤差梯度的符號(hào)信息。共軛梯度法[26-27]利用搜索方向互相共軛的方式來提高收斂速度，減小計(jì)算過程對(duì)內(nèi)存的需求，典型的共軛梯度法有基于Powell-Beale重開始方式和基于Polak-Ribiére修正的算法[26-27]。但是，基于一階梯度的算法訓(xùn)練速度受到一定程度的限制，為了進(jìn)一步提高訓(xùn)練速度，有研究人員將基于二階梯度的算法引入到ANN的訓(xùn)練中來，具體包括擬牛頓法[26]和Levenberg-Marquardt算法[28]。目前已有很多文獻(xiàn)對(duì)以上典型算法的原理進(jìn)行了介紹[24-28]。

2 ANN優(yōu)化

2.1 ANN缺省參數(shù)選擇

為了確保樣本的有效性和典型性，從現(xiàn)有公開發(fā)表文獻(xiàn)和少量現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)中選擇470組油色譜樣本。另外，ANN的訓(xùn)練樣本要求具有較好的代表性，這樣訓(xùn)練得到的ANN才可以學(xué)習(xí)到訓(xùn)練樣本數(shù)據(jù)中隱藏的故障診斷規(guī)則。本文采用聚類分析方法，從470個(gè)樣本中選擇出226個(gè)典型樣本作為訓(xùn)練樣本，剩余的244個(gè)樣本作為測(cè)試樣本，具體見表1。

表1 不同故障類型的訓(xùn)練和測(cè)試樣本數(shù)量Tab.1 Numbers of training and test samples for different fault types

單隱層ANN能保障足夠的學(xué)習(xí)能力，而且相較于多隱層ANN具有更高的泛化能力，即更高的故障診斷準(zhǔn)確率，因此本文選擇單隱層ANN。輸入層和輸出層神經(jīng)元數(shù)量分別由特征氣體種類和故障種類決定。故障診斷用的特征氣體分別為H2、CH4、C2H6、C2H4和C2H2，輸出為6種故障類型——低溫過熱、中溫過熱、高溫過熱、局部放電、火花放電和電弧放電，因此輸入層和輸出層神經(jīng)元數(shù)量均為6。

ANN結(jié)構(gòu)以及輸入數(shù)據(jù)方式、訓(xùn)練目標(biāo)等默認(rèn)取值如下：考慮到診斷的準(zhǔn)確性，訓(xùn)練算法選擇Levenberg-Marquardt算法；隱層和輸出層神經(jīng)元的激活函數(shù)分別設(shè)置為sigmoid函數(shù)和線性函數(shù)；考慮到實(shí)際情況下特征氣體含量可能會(huì)在很大范圍內(nèi)變化，故用于訓(xùn)練的輸入數(shù)據(jù)為每種氣體體積分?jǐn)?shù)與總氣體體積分?jǐn)?shù)的比值；對(duì)于輸出結(jié)果，如果屬于某類故障則對(duì)應(yīng)的神經(jīng)元應(yīng)該輸出為1，其他神經(jīng)元應(yīng)該輸出為0；訓(xùn)練目標(biāo)是均方誤差為0.01，一旦誤差滿足要求則網(wǎng)絡(luò)收斂，停止迭代。

后文對(duì)網(wǎng)絡(luò)結(jié)構(gòu)、激活函數(shù)和訓(xùn)練目標(biāo)三者之一進(jìn)行優(yōu)化時(shí)，其他兩者保持不變。另外，由于10個(gè)ANN訓(xùn)練時(shí)間存在一定的波動(dòng)性，有時(shí)波動(dòng)較大，為了更好地反映訓(xùn)練時(shí)間的變化規(guī)律，如無特殊說明，后續(xù)的訓(xùn)練時(shí)間指10個(gè)ANN訓(xùn)練時(shí)間的中位數(shù)。

2.2 訓(xùn)練算法

采用8種不同算法對(duì)ANN進(jìn)行訓(xùn)練，具體為BP算法、加動(dòng)量項(xiàng)的BP算法、變學(xué)習(xí)速率的BP算法、振蕩傳播算法、基于Powell-Beale重開始方式和基于Polak-Ribiére修正的共軛梯度法、擬牛頓法及Levenberg-Marquardt算法，訓(xùn)練至誤差趨于穩(wěn)定值。綜合考慮診斷準(zhǔn)確率和訓(xùn)練耗時(shí)后，以上算法對(duì)應(yīng)隱層神經(jīng)元選擇了不同值——BP算法及其改進(jìn)算法選擇為400，其他算法選擇為50。不同算法下訓(xùn)練樣本的均方誤差與訓(xùn)練時(shí)間的關(guān)系如圖2所示，其中的訓(xùn)練時(shí)間為具體某ANN的訓(xùn)練時(shí)間。

圖2 不同算法下訓(xùn)練時(shí)間與訓(xùn)練誤差的關(guān)系Fig.2 Relationship between training time and errors of different algorithms

為了減少訓(xùn)練結(jié)果的隨機(jī)性，采用每種算法成功訓(xùn)練10個(gè)ANN，后續(xù)針對(duì)訓(xùn)練樣本和測(cè)試樣本的診斷結(jié)果均為10個(gè)ANN結(jié)果的均值。采用不同算法訓(xùn)練得到的ANN針對(duì)訓(xùn)練樣本和測(cè)試樣本的故障診斷準(zhǔn)確率見表2、表3。

表3 采用不同算法訓(xùn)練得到的ANN針對(duì)測(cè)試樣本的故障診斷準(zhǔn)確率Tab.3 Fault diagnosis accuracy of ANN method for test samples using different algorithms %

由表2和3可知，不同算法訓(xùn)練得到的ANN診斷的準(zhǔn)確性比較接近，尤其是針對(duì)測(cè)試樣本的診斷準(zhǔn)確率非常接近。但從訓(xùn)練時(shí)間上看不同算法差別較大：前3種BP類算法訓(xùn)練1個(gè)ANN耗時(shí)分別為1 669.14 s、1 558.46 s和1 647.13 s。后5種算法成功訓(xùn)練完成1個(gè)ANN需要的時(shí)間分別為27.27 s、26.93 s、231.74 s、35.96 s和4.60 s。Levenberg-Marquardt算法的訓(xùn)練速度最快，而BP算法的訓(xùn)練速度最慢?？紤]到各種算法訓(xùn)練得到網(wǎng)絡(luò)的故障診斷準(zhǔn)確率接近，但Levenberg-Marquardt算法的訓(xùn)練速度最快，故選擇該算法訓(xùn)練ANN。

表2 采用不同算法訓(xùn)練得到的ANN針對(duì)訓(xùn)練樣本的故障診斷準(zhǔn)確率Tab.2 Fault diagnosis accuracy of ANN method for training samples using different algorithms %

2.3 網(wǎng)絡(luò)結(jié)構(gòu)

隱層神經(jīng)元數(shù)量在30～60范圍內(nèi)變化，針對(duì)每個(gè)隱層神經(jīng)元數(shù)量，成功訓(xùn)練10個(gè)ANN。網(wǎng)絡(luò)訓(xùn)練時(shí)間隨隱層神經(jīng)元數(shù)量的變化如圖3所示，針對(duì)測(cè)試樣本的診斷準(zhǔn)確率如圖4所示。隱層神經(jīng)元數(shù)量不同時(shí)，訓(xùn)練得到的ANN針對(duì)測(cè)試樣本的故障診斷準(zhǔn)確率見表4。

表4 不同隱層神經(jīng)元數(shù)量下訓(xùn)練得到的ANN針對(duì)測(cè)試樣本的故障診斷準(zhǔn)確率Tab.4 Fault diagnosis accuracy of ANN for test samples with different numbers of hidden layer neuron

圖3 訓(xùn)練時(shí)間與隱層神經(jīng)元數(shù)量的關(guān)系Fig.3 Relationship between training time and numbers of hidden layer neuron

圖4 針對(duì)測(cè)試樣本的故障診斷準(zhǔn)確率與隱層神經(jīng)元數(shù)量的關(guān)系Fig.4 Relationship between fault diagnosis accuracy for test samples and numbers of hidden layer neuron

由圖3可知，在本節(jié)設(shè)定的仿真范圍內(nèi)，隨著隱層神經(jīng)元數(shù)量從較小值(30)開始增加，訓(xùn)練時(shí)間快速下降，當(dāng)達(dá)到最小值(此時(shí)神經(jīng)元數(shù)量為40)之后，隨著神經(jīng)元數(shù)量增加訓(xùn)練時(shí)間又略有增加。由圖4可知，隨著隱層神經(jīng)元數(shù)量從較小值開始增加，網(wǎng)絡(luò)診斷準(zhǔn)確率先增加，然后趨于穩(wěn)定值。綜合分析以上研究結(jié)果可知：隱層神經(jīng)元數(shù)量不建議選擇過小值，因?yàn)檫@樣訓(xùn)練時(shí)間太長(zhǎng)且診斷準(zhǔn)確率未必是最高；也不建議選擇過大值，因?yàn)閺母蟮姆秶鷣砜?，隨隱層神經(jīng)元數(shù)量增加網(wǎng)絡(luò)泛化能力下降，即此時(shí)診斷準(zhǔn)確率未必是最優(yōu)。因此，應(yīng)該選擇一些居中的值，比如本例建議選擇50。

2.4 訓(xùn)練目標(biāo)

訓(xùn)練目標(biāo)為均方誤差，其值在2×10-3～0.04范圍內(nèi)變化。針對(duì)每個(gè)訓(xùn)練目標(biāo)，成功訓(xùn)練10個(gè)ANN。訓(xùn)練時(shí)間與訓(xùn)練目標(biāo)的關(guān)系如圖5所示。不同訓(xùn)練目標(biāo)時(shí)，訓(xùn)練得到的ANN針對(duì)測(cè)試樣本的故障診斷準(zhǔn)確率見表5。

圖5 訓(xùn)練時(shí)間與訓(xùn)練目標(biāo)的關(guān)系(1)Fig.5 Relationship between training time and training goals (1)

由圖5可知，隨訓(xùn)練目標(biāo)(均方誤差)從較小值開始增加，訓(xùn)練時(shí)間先快速下降然后趨于穩(wěn)定值。由表5可知，隨著訓(xùn)練目標(biāo)(均方誤差)的減小，ANN診斷準(zhǔn)確率先增加，達(dá)到最大值后又逐漸減小。因此，訓(xùn)練目標(biāo)不應(yīng)該選擇過大值或過小值，對(duì)于基于油色譜的充油電氣設(shè)備的故障診斷建議選擇0.01。

表5 不同訓(xùn)練目標(biāo)下，訓(xùn)練得到的ANN針對(duì)測(cè)試樣本的故障診斷準(zhǔn)確率(1)Tab.5 Fault diagnosis accuracy of ANN for test samples in different training goals (1)

為了增加結(jié)論的可靠性，針對(duì)網(wǎng)絡(luò)結(jié)構(gòu)和隱層、輸出層激活函數(shù)不同時(shí)也開展了訓(xùn)練目標(biāo)對(duì)ANN訓(xùn)練效果影響的研究，隱層神經(jīng)元數(shù)量選擇100，隱層和輸出層激活函數(shù)均設(shè)置為sigmoid函數(shù)，訓(xùn)練目標(biāo)在5×10-4～0.04范圍內(nèi)變化，其他參數(shù)保持不變。訓(xùn)練時(shí)間隨訓(xùn)練目標(biāo)的變化如圖6所示。不同訓(xùn)練目標(biāo)時(shí)，訓(xùn)練得到的ANN針對(duì)測(cè)試樣本的故障診斷準(zhǔn)確率見表6。

圖6 訓(xùn)練時(shí)間與訓(xùn)練目標(biāo)的關(guān)系(2)Fig.6 Relationship between training time and training goals (2)

顯然，圖6、表6與圖5、表5的結(jié)果在定性上能很好吻合。

表6 不同訓(xùn)練目標(biāo)下，訓(xùn)練得到的ANN針對(duì)測(cè)試樣本的故障診斷準(zhǔn)確率(2)Tab.6 Fault diagnosis accuracy of ANN for test samples in different training goals (2)

2.5 激活函數(shù)選擇

常見的激活函數(shù)為sigmoid函數(shù)和線性函數(shù)，隱層和輸出層激活函數(shù)分別設(shè)置為線性函數(shù)-線性函數(shù)、sigmoid函數(shù)-線性函數(shù)、線性函數(shù)-sigmoid函數(shù)、sigmoid函數(shù)-sigmoid函數(shù)4種組合。針對(duì)每種隱層和輸出層神經(jīng)元激活函數(shù)組合，成功訓(xùn)練10個(gè)ANN。圖7為不同激活函數(shù)組合下訓(xùn)練誤差與訓(xùn)練時(shí)間的關(guān)系，針對(duì)訓(xùn)練樣本和測(cè)試樣本的診斷結(jié)果見表7、表8。

圖7 不同激活函數(shù)下訓(xùn)練誤差與訓(xùn)練時(shí)間的關(guān)系Fig.7 Relationship between training errors and training time for different activation functions

表7 采用不同激活函數(shù)時(shí)，訓(xùn)練得到的ANN針對(duì)訓(xùn)練樣本的故障診斷準(zhǔn)確率Tab.7 Fault diagnosis accuracy of ANN for training samples using different activation functions %

表8 采用不同激活函數(shù)時(shí)，訓(xùn)練得到的ANN針對(duì)測(cè)試樣本的故障診斷準(zhǔn)確率Tab.8 Fault diagnosis accuracy of ANN for test samples using different activation functions %

由圖7可知：當(dāng)隱層神經(jīng)元激活函數(shù)為線性函數(shù)時(shí)，訓(xùn)練結(jié)果均不能收斂于訓(xùn)練目標(biāo)(均方誤差為0.01)；而隱層神經(jīng)元激活函數(shù)為sigmoid函數(shù)時(shí)，輸出層神經(jīng)元不管是采用線性函數(shù)還是sigmoid函數(shù)，訓(xùn)練結(jié)果均能收斂。由表7可知，即使針對(duì)訓(xùn)練過的樣本，隱層神經(jīng)元激活函數(shù)為線性函數(shù)、輸出層神經(jīng)元不管是采用線性函數(shù)還是sigmoid函數(shù)時(shí)，訓(xùn)練得到ANN的診斷準(zhǔn)確率均明顯低于其他情況下ANN的效果。表8中數(shù)據(jù)與圖7和表7吻合，即：當(dāng)隱層神經(jīng)元激活函數(shù)為線性函數(shù)時(shí)訓(xùn)練得到ANN的診斷準(zhǔn)確率偏低；當(dāng)隱層神經(jīng)元激活函數(shù)為sigmoid函數(shù)時(shí)，不管輸出層神經(jīng)元激活函數(shù)是線性函數(shù)還是sigmoid函數(shù)，診斷準(zhǔn)確率都較高且接近。因此，選擇sigmoid函數(shù)作為隱層神經(jīng)元激活函數(shù)。

3 結(jié)論

本文基于搜集得到的大量油色譜樣本，從訓(xùn)練和診斷2個(gè)角度系統(tǒng)研究了隱層神經(jīng)元數(shù)量、訓(xùn)練算法、訓(xùn)練目標(biāo)、隱層和輸出層神經(jīng)元激活函數(shù)對(duì)網(wǎng)絡(luò)性能的影響，結(jié)論如下：

a)訓(xùn)練目標(biāo)一致時(shí)，8種不同算法訓(xùn)練得到的ANN具有相近的故障診斷準(zhǔn)確率，但從訓(xùn)練時(shí)間上看Levenberg-Marquardt算法最快，BP類算法最慢，因此建議選擇Levenberg-Marquardt算法訓(xùn)練ANN。

b)隱層神經(jīng)元數(shù)量在一定范圍內(nèi)對(duì)故障診斷準(zhǔn)確率影響不大；隱層神經(jīng)元數(shù)量不建議選擇過大或過小的值。

c)隨訓(xùn)練目標(biāo)(均方誤差)的減小，訓(xùn)練時(shí)間增加，診斷誤差先增大后減小，建議均方誤差選擇0.01。

d)隱層神經(jīng)元激活函數(shù)選擇線性函數(shù)時(shí)，訓(xùn)練難以很好收斂，診斷準(zhǔn)確率低。建議隱層神經(jīng)元激活函數(shù)選擇sigmoid函數(shù)，輸出層神經(jīng)元激活函數(shù)可以選擇線性函數(shù)或sigmoid函數(shù)。