畢業(yè)設(shè)計(jì)（論文）基于BP神經(jīng)網(wǎng)絡(luò)的電路故障診斷

1、基于神經(jīng)網(wǎng)絡(luò)的電路故障診斷摘 要電路的故障診斷和神經(jīng)網(wǎng)絡(luò)是當(dāng)今學(xué)術(shù)界的兩大熱點(diǎn)問(wèn)題。本文主要是以模擬電路的故障診斷為例進(jìn)行研究。目的在于將模擬電路故障診斷與神經(jīng)網(wǎng)絡(luò)方面的最新成果相結(jié)合，探索解決模擬電路故障診斷的一條新的途徑。在簡(jiǎn)要介紹標(biāo)準(zhǔn)bp神經(jīng)網(wǎng)絡(luò)基本原理的基礎(chǔ)上，詳細(xì)說(shuō)明了基于改進(jìn)bp神經(jīng)網(wǎng)絡(luò)算法的模擬電路故障診斷方法和設(shè)計(jì)步驟，根據(jù)網(wǎng)絡(luò)總誤差來(lái)自適應(yīng)調(diào)節(jié)網(wǎng)絡(luò)的學(xué)習(xí)率，加速網(wǎng)絡(luò)的收斂過(guò)程。此算法應(yīng)用于電路的故障診斷，能夠?qū)Ρ粶y(cè)電路的故障進(jìn)行有效并且精確的分類。以折線式有效值測(cè)量電路為例，設(shè)計(jì)了基于改進(jìn)bp神經(jīng)網(wǎng)絡(luò)算法的模擬電路故障診斷系統(tǒng)，以實(shí)際測(cè)試數(shù)據(jù)作為訓(xùn)練樣本進(jìn)行學(xué)習(xí)訓(xùn)練后，對(duì)其它

2、實(shí)際測(cè)量數(shù)據(jù)進(jìn)行診斷，結(jié)果正確，驗(yàn)證了算法的有效性。 關(guān)鍵詞:神經(jīng)網(wǎng)絡(luò)；故障診斷；模擬電路fault diagnosis of circuits based on neural networkabstractcircuit fault diagnosis and neural network are now two hot issues in the current academic. this article mainly conducts the research take the analogous circuit fault diagnosis as the example.by in

3、troducing the basic principles of standard bp neural network, a method and design steps basis on improved bp neural network algorithm is described in this paper to solve the problem of fault diagnosis for simulation circuit. the improved algorithm could adapt the learning efficiency automatically an

4、d accelerate the network convergence process according to the network total error. the fault of the measured circuit can be classified effectively and accurately owing to the algorithm application to the circuit fault diagnose. taking the mode of available value measurement circuit of broken line as

5、 an example, we design a simulation circuit fault diagnosis system based on the improving bp neural network algorithm. after networks study and train by actual test data as training specimen, using other actual measurement data for diagnosis, we can get correct results. the results show that this me

6、thod is effective. key word: neural network; fault diagnosis; analogous circuits 目 錄引 言1第1章 緒 論21.1 診斷工程概述21.2 故障診斷機(jī)理21.3 模擬電路故障診斷的意義21.4 模擬電路故障診斷的方法31.5 神經(jīng)網(wǎng)絡(luò)故障診斷問(wèn)題的提出41.6 本設(shè)計(jì)研究的內(nèi)容、目的和意義5第2章 人工神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)介62.1 神經(jīng)網(wǎng)絡(luò)基本原理62.2 bp網(wǎng)絡(luò)用于故障診斷的基本思想72.3 誤差反向傳播（bp）神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)8第3章 bp神經(jīng)網(wǎng)絡(luò)電路故障診斷的matlab實(shí)現(xiàn)143.1 matlab簡(jiǎn)介143.

7、2 神經(jīng)網(wǎng)絡(luò)工具箱及其相關(guān)函數(shù)簡(jiǎn)介153.3 訓(xùn)練數(shù)據(jù)的導(dǎo)入方法163.4 bp 神經(jīng)網(wǎng)絡(luò)的matl ab實(shí)現(xiàn)16第4章 電路故障調(diào)查184.1 引言184.2 設(shè)備狀態(tài)信息采集184.3 訓(xùn)練bp網(wǎng)絡(luò)194.4 各種算法的比較224.5 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的選擇274.6 測(cè)試bp網(wǎng)絡(luò)284.7 檢測(cè)結(jié)果294.8 總結(jié)29結(jié)論與展望30致 謝31參考文獻(xiàn)32附錄a：外文文獻(xiàn)及其譯文33附錄b：主要參考文獻(xiàn)摘要40附錄c：主要源程序代碼42插圖清單圖2-1 神經(jīng)元模型 6圖2-2 bp網(wǎng)絡(luò)結(jié)構(gòu)8圖2-3 bp算法流程圖13圖4-1實(shí)際輸出的誤差逼近曲線21圖4-2各種算法的誤差曲線27圖4-3 故

8、障模式的仿真輸出結(jié)果29表格清單表2-1 幾種典型的神經(jīng)元傳遞函數(shù)形式7表4-1 故障狀態(tài)參數(shù)18表4-2 故障對(duì)應(yīng)目標(biāo)輸出19表4-3 各種算法的目標(biāo)精度比較 27表4-4 實(shí)際待檢驗(yàn)的頻率域參數(shù)2845引 言隨著電子工業(yè)的發(fā)展，電子設(shè)備越來(lái)越復(fù)雜，其中的模擬器件和電路不可缺少。理論分析和實(shí)際應(yīng)用表明，這些設(shè)備中的模擬電路比數(shù)字電路更容易發(fā)生故障。對(duì)這種設(shè)備的維護(hù)和保養(yǎng)十分復(fù)雜，需耗費(fèi)大量的精力和財(cái)力。另外，隨著超大規(guī)模模擬電路的發(fā)展和電子器件復(fù)雜性的提高，傳統(tǒng)的人工故障診斷方法已經(jīng)無(wú)法滿足要求，這就迫使科技人員進(jìn)一步探索新的測(cè)試?yán)碚摵头椒ǎ兄菩碌臏y(cè)試設(shè)備以適應(yīng)社會(huì)的需求?，F(xiàn)代社會(huì)中，電子

9、設(shè)備或系統(tǒng)廣泛應(yīng)用于各個(gè)科學(xué)技術(shù)領(lǐng)域、工業(yè)生產(chǎn)部門以及人們的日常生活中，電子設(shè)備的可靠性直接影響著生產(chǎn)的效率、系統(tǒng)、設(shè)備及人類的生命安全。隨著電子設(shè)備使用的日趨廣泛，不論是在設(shè)備的生產(chǎn)階段還是應(yīng)用階段，都對(duì)電路的故障診斷提出了迫切的要求，要求人們研究新的有效的診斷技術(shù)，進(jìn)一步提高電子設(shè)備的可靠性，設(shè)備診斷技術(shù)引入生產(chǎn)現(xiàn)場(chǎng)已三十多年。最初，設(shè)備較為簡(jiǎn)單，維修人員主要靠感覺器官、簡(jiǎn)單儀表和個(gè)人經(jīng)驗(yàn)就能勝任故障的診斷和排除工作，即為傳統(tǒng)的診斷技術(shù)。隨著科學(xué)技術(shù)的不斷發(fā)展，動(dòng)力機(jī)械設(shè)備越來(lái)越復(fù)雜化、精密化、系統(tǒng)化和自動(dòng)化，同時(shí)價(jià)格也越來(lái)越昂貴，設(shè)備在現(xiàn)代工業(yè)生產(chǎn)中的作用和影響越來(lái)越大，生產(chǎn)的主體也逐漸

10、由人力向設(shè)備轉(zhuǎn)移，與設(shè)備有關(guān)的費(fèi)用越來(lái)越高，傳統(tǒng)的診斷方法已遠(yuǎn)遠(yuǎn)不能適應(yīng)。機(jī)器運(yùn)行中發(fā)生的任何故障或失效不僅會(huì)引起嚴(yán)重后果，造成重大的經(jīng)濟(jì)損失，甚至還可能導(dǎo)致災(zāi)難性的人員傷亡和惡劣的社會(huì)影響。第1章 緒 論本章將從一般的基本概念出發(fā)，對(duì)故障診斷技術(shù)的歷史與現(xiàn)狀做一個(gè)簡(jiǎn)要綜述，最后再對(duì)本論文的意義做了一個(gè)總體闡述。1.1診斷工程概述設(shè)備診斷技術(shù)是近40年來(lái)發(fā)展起來(lái)的一門學(xué)科，它是適應(yīng)工程實(shí)際需要而形成的各學(xué)科交叉學(xué)科。從科學(xué)發(fā)展的大環(huán)境來(lái)看，設(shè)備診斷技術(shù)的產(chǎn)生也是各學(xué)科交叉發(fā)展的必然。40年代以來(lái)，人類的生產(chǎn)方式日益向大工業(yè)方向發(fā)展，在這種宏偉的社會(huì)大背景下，系統(tǒng)論，混沌學(xué)等紛紛誕生，尤其是控制

11、理論出現(xiàn)了重大突破，產(chǎn)生了一系列現(xiàn)代控制方法。生產(chǎn)系統(tǒng)的龐大化和復(fù)雜化同時(shí)也暴露出一些問(wèn)題，即如何避免運(yùn)行中的故障發(fā)生，這就要求由一門相應(yīng)的診斷技術(shù)。同一時(shí)期，電子技術(shù)，尤其是計(jì)算機(jī)技術(shù)的發(fā)展，為設(shè)備診斷技術(shù)提供了必要的技術(shù)基礎(chǔ)。近年來(lái)，傳感器技術(shù)的發(fā)展，信號(hào)處理的系列技術(shù)，如各種頻譜分析技術(shù)，人工智能的系列技術(shù)，如專家系統(tǒng)，神經(jīng)網(wǎng)絡(luò)等，以及其他技術(shù)在診斷中的應(yīng)用，使診斷技術(shù)逐漸完善。1.2故障診斷機(jī)理故障診斷是研究設(shè)備運(yùn)行狀態(tài)信息的變化，進(jìn)而識(shí)別設(shè)備運(yùn)行狀態(tài)的科學(xué)。從本質(zhì)上講設(shè)備診斷技術(shù)是模式分類問(wèn)題，即把機(jī)器的運(yùn)行狀態(tài)分為正常和異常兩類。進(jìn)一步講，異常的信息樣本究竟屬于那類故障，這又屬于一

12、個(gè)模式識(shí)別問(wèn)題。圍繞這一問(wèn)題，設(shè)備診斷技術(shù)在以下幾個(gè)方面展開了理論研究。（1）信號(hào)采集技術(shù)的研究，即設(shè)備診斷技術(shù)從設(shè)備的癥狀入手進(jìn)行研究。設(shè)備癥狀指機(jī)器運(yùn)行是產(chǎn)生的代表起狀態(tài)的各種信號(hào)。因此，信號(hào)的采集技術(shù)是設(shè)備診斷技術(shù)的前提。只有采集到反映實(shí)際狀態(tài)的信號(hào)，診斷的后續(xù)工作才有意義。（2）信號(hào)分析和處理方法的研究是設(shè)備診斷技術(shù)的關(guān)鍵，也是理論研究的熱點(diǎn)之一，這實(shí)際上就是診斷技術(shù)中的特征因子的提取技術(shù)。（3）診斷方法的研究是設(shè)備診斷技術(shù)的核心，識(shí)別設(shè)備的狀態(tài)為正常還是異常，識(shí)別以后再進(jìn)行原因的分析，這是診斷的實(shí)質(zhì)。近年來(lái)，隨著人工智能的發(fā)展，診斷自動(dòng)化，智能化的要求已經(jīng)變?yōu)楝F(xiàn)實(shí)，其中基于知識(shí)的專家

13、系統(tǒng)的研究起步最早，模糊理論由于具有處理不確定信息的能力，因此通常和專家系統(tǒng)結(jié)合起來(lái)。神經(jīng)網(wǎng)絡(luò)技術(shù)在診斷中的應(yīng)用起步較晚，但由于它的強(qiáng)大的并行計(jì)算能力和自學(xué)習(xí)功能以及聯(lián)想記憶功能，很適合做故障分類和模式識(shí)別，因而在診斷中得到很廣泛的應(yīng)用。1.3模擬電路故障診斷的意義模擬電路廣泛應(yīng)用于軍工、通訊、自動(dòng)控制、測(cè)量?jī)x表、家用電器等各個(gè)方面。隨著大規(guī)模模擬集成電路的發(fā)展，模擬電路的復(fù)雜度和密集度不斷增長(zhǎng)，對(duì)模擬電路運(yùn)行可靠性的要求更為嚴(yán)格。就模擬電路生產(chǎn)工廠而言，也要求能診斷出故障以便分析原因，改進(jìn)工藝以提高成品合格率。對(duì)某些用于重要設(shè)備的模擬電路，還要求能進(jìn)行故障預(yù)測(cè)，也就是對(duì)模擬電路在正常工作時(shí)的

14、響應(yīng)作持續(xù)不斷的監(jiān)測(cè)，以確定哪些元件將要失效，以便在模擬電路故障發(fā)生前將那些將要失效的元件替換掉，以避免故障發(fā)生。所有這些，通常的人工診斷技術(shù)已無(wú)法滿足需要。因而，電路故障的自動(dòng)診斷成為一個(gè)急待要解決的問(wèn)題，自動(dòng)故障診斷的關(guān)鍵在于診斷程序的產(chǎn)生，而診斷程序產(chǎn)生的中心問(wèn)題是電路故障診斷理論。因此，模擬電路故障診斷的研究引起世界各國(guó)電路理論工作者的高度重視。 現(xiàn)代社會(huì)中，電子設(shè)備或系統(tǒng)廣泛應(yīng)用于各個(gè)科學(xué)技術(shù)領(lǐng)域、工業(yè)生產(chǎn)部門以及人們的日常生活中，電子設(shè)備的可靠性直接影響著生產(chǎn)的效率、系統(tǒng)、設(shè)備及人類的生命安全。隨著電子設(shè)備使用的日趨廣泛，不論是在設(shè)備的生產(chǎn)階段還是應(yīng)用階段，都對(duì)電路的故障診斷提出了

15、迫切的要求，要求人們研究新的有效的診斷技術(shù)，進(jìn)一步提高電子設(shè)備的可靠性，設(shè)備診斷技術(shù)引入生產(chǎn)現(xiàn)場(chǎng)己三十多年。最初，設(shè)備較為簡(jiǎn)單，維修人員主要靠感覺器官、簡(jiǎn)單儀表和個(gè)人經(jīng)驗(yàn)就能勝任故障的診斷和排除工作，即為傳統(tǒng)的診斷技術(shù)。隨著科學(xué)技術(shù)的不斷發(fā)展，動(dòng)力機(jī)械設(shè)備越來(lái)越復(fù)雜化、精密化、系統(tǒng)化和自動(dòng)化，同時(shí)價(jià)格也越來(lái)越昂貴，設(shè)備在現(xiàn)代工業(yè)生產(chǎn)中的作用和影響越來(lái)越大，生產(chǎn)的主體也逐漸由人力向設(shè)備轉(zhuǎn)移，與設(shè)備有關(guān)的費(fèi)用越來(lái)越高，傳統(tǒng)的診斷方法已遠(yuǎn)遠(yuǎn)不能適應(yīng)。機(jī)器運(yùn)行中發(fā)生的任何故障或失效不僅會(huì)引起嚴(yán)重后果，造成重大的經(jīng)濟(jì)損失，甚至還可能導(dǎo)致災(zāi)難性的人員傷亡和惡劣的社會(huì)影響。國(guó)內(nèi)外曾經(jīng)發(fā)生的空難、爆炸、斷裂、

16、泄漏、毀壞等惡性事件，造成了巨大的經(jīng)濟(jì)損失，產(chǎn)生了嚴(yán)重的社會(huì)影響。例如，1986年4月前蘇聯(lián)切爾諾貝利核電站四號(hào)機(jī)組發(fā)生嚴(yán)重振動(dòng)而造成核泄露，致使2000多人死亡，直接經(jīng)濟(jì)損失達(dá)30億美元。這些嚴(yán)重的或?yàn)?zāi)難性的事件不斷發(fā)生，迫使人們?cè)谠O(shè)備的故障診斷方面進(jìn)行大量的研究，形成了機(jī)器設(shè)備、工程結(jié)構(gòu)和工藝過(guò)程的故障診斷這一新興的研究領(lǐng)域。通過(guò)對(duì)機(jī)械工況進(jìn)行監(jiān)測(cè)，對(duì)其故障發(fā)展趨勢(shì)進(jìn)行早期診斷，便可找出故障原因，采取各種措施進(jìn)行維修保養(yǎng)，避免設(shè)備的突然損壞，使之安全經(jīng)濟(jì)地運(yùn)轉(zhuǎn)。例如，法國(guó)某電廠對(duì)其近400臺(tái)主輔設(shè)備進(jìn)行了兩年的狀態(tài)監(jiān)測(cè)試驗(yàn)，結(jié)果表明，由于采用狀態(tài)維修，電廠實(shí)際節(jié)約了54萬(wàn)多法郎(尚未考慮停

17、工造成的損失)。在歐美，上世紀(jì)70年代初為了確保宇宙火箭和軍用設(shè)備的可靠性而開發(fā)出了設(shè)備診斷技術(shù)。國(guó)內(nèi)外許多資料表明，開展故障診斷技術(shù)的經(jīng)濟(jì)效益是明顯的。據(jù)日本統(tǒng)計(jì)，在采用診斷技術(shù)后，事故率減少了75%左右，維修費(fèi)降低了25%-50%；英國(guó)對(duì)2000個(gè)國(guó)營(yíng)工廠的調(diào)查表明，采用診斷技術(shù)后每年節(jié)省維修費(fèi)3億英磅，用于診斷技術(shù)的費(fèi)用僅為0.5億英磅。可見，設(shè)備故障診斷技術(shù)在現(xiàn)代工業(yè)生產(chǎn)中起著非常重要的作用，開展設(shè)備故障診斷技術(shù)的研究具有重要的現(xiàn)實(shí)意義。 在工程中實(shí)際存在著大量的多故障、多過(guò)程、突發(fā)性故障及需要對(duì)龐大機(jī)器或復(fù)雜工程系統(tǒng)進(jìn)行的監(jiān)測(cè)和診斷，現(xiàn)有的技術(shù)手段和方法如信號(hào)處理、模式識(shí)別等往往存在

18、較大的局限性，迫使人們深入系統(tǒng)地研究如hartree所說(shuō)的智能儀器系統(tǒng)。隨著計(jì)算機(jī)技術(shù)、人工智能技術(shù)等的發(fā)展，各種智能診斷系統(tǒng)應(yīng)運(yùn)而生。故障診斷技術(shù)經(jīng)過(guò)了30多年的發(fā)展，人們已經(jīng)認(rèn)識(shí)到了智能診斷技術(shù)的重要性，智能診斷技術(shù)己成為當(dāng)今世界的研究熱點(diǎn)之一。1.4 模擬電路故障診斷的方法 模擬電路故障診斷是微電子技術(shù)中的一個(gè)重要課題，同時(shí)也是網(wǎng)絡(luò)理論的一個(gè)重要課，模擬電路故障診斷方法主要有以下三種： （1）用網(wǎng)絡(luò)撕裂法作故障定位：即用kron的撕裂法將模擬電路構(gòu)成的網(wǎng)絡(luò)分解成若干子網(wǎng)絡(luò)，通過(guò)檢測(cè)子網(wǎng)絡(luò)中的電流、電壓與原設(shè)計(jì)網(wǎng)絡(luò)中的電流、電壓有無(wú)偏移將所有子網(wǎng)絡(luò)分為兩類：正常子網(wǎng)絡(luò)和故障子網(wǎng)絡(luò)。 （2）

19、用伴隨網(wǎng)絡(luò)法作故障定位，根據(jù)原始網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)作一個(gè)伴隨網(wǎng)絡(luò)和一個(gè)故障網(wǎng)絡(luò)，依據(jù)特勒根定律，當(dāng)原始網(wǎng)絡(luò)發(fā)生故障時(shí)，網(wǎng)絡(luò)中的元件參數(shù)的變化值與伴隨網(wǎng)絡(luò)中的諸物理量之間具有特定的關(guān)系，在設(shè)法做出若干個(gè)獨(dú)立模擬的條件下，把元件的變化值作為未知量，把原始網(wǎng)絡(luò)和伴隨網(wǎng)絡(luò)的端口上可測(cè)的物理量作為己知量，求解故障定位方程組而得到故障所在的位置。 （3）診斷定理作故障定位，這一方法的特點(diǎn)是不必知道網(wǎng)絡(luò)中各節(jié)點(diǎn)的電壓數(shù)值，只要知道各節(jié)點(diǎn)電位的漲落，在故障激勵(lì)參考極性一致的條件下，判斷故障在網(wǎng)絡(luò)中的位置。 上述經(jīng)典方法的主要缺陷是將模擬電路近似為線性網(wǎng)絡(luò)，用成熟的線性系統(tǒng)網(wǎng)絡(luò)來(lái)解決非線性問(wèn)題，這顯然不具有普適性，

20、同時(shí)也不利于工程實(shí)現(xiàn)。近年來(lái)，隨著非線性系統(tǒng)理論的發(fā)展，模擬電路的故障診斷理論與方法取得了長(zhǎng)足的進(jìn)步。具有代表性的方法有： （1）分段線性法進(jìn)行非線性模擬電路的故障診斷，它是基于線性系統(tǒng)理論的故障診斷方法在非線性系統(tǒng)的延拓。 （2）基于諧波平衡法的非線性模擬電路的穩(wěn)態(tài)分析和故障診斷，該方法被廣泛地用于強(qiáng)非線性模擬電路的數(shù)字仿真與設(shè)計(jì)，這是一種較成熟的非線性模擬電路分析方法。 （3）基于voiterra級(jí)數(shù)或廣義頻譜響應(yīng)函數(shù)(gfrf)的非線性模擬電路的穩(wěn)態(tài)分析和故障診斷，該方法特別適合于弱非線性模擬電路的分析與仿真。 （4）基于小波和人工神經(jīng)網(wǎng)絡(luò)的故障診斷方法。 上述方法在很大程度上克服了經(jīng)典

21、方法存在的缺陷，有些方法已經(jīng)在工程實(shí)踐中得到成功應(yīng)用。本文主要是利用神經(jīng)網(wǎng)絡(luò)理論方法分析對(duì)模擬電路的故障進(jìn)行診斷。1.5 神經(jīng)網(wǎng)絡(luò)故障診斷問(wèn)題的提出 模擬電路的使用雖由來(lái)已久，但模擬電路故障診斷技術(shù)的發(fā)展較慢，其原因主要有：由于模擬電路的多樣性，且模擬電路的物理量是連續(xù)函數(shù)，因此模擬電路的電量模擬困難，而且模擬的模型適應(yīng)性有限；模擬電路中元件參數(shù)具有容差，它引起電路工作特性的偏移，對(duì)于容差電路，許多診斷方法失去了準(zhǔn)確性和穩(wěn)定性；模擬電路中廣泛存在著非線性問(wèn)題，而非線性問(wèn)題的求解比較困難，其計(jì)算工作量也大，實(shí)際的模擬電路通常是多層的或被封閉的，特別是集成電路，只有少數(shù)一些可及端口或節(jié)點(diǎn)是可測(cè)量的

22、，導(dǎo)致可用作故障診斷的信息不夠，造成故障定位的不確定性和模糊性。 人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出來(lái)的，它反映了人腦的基本功能，是對(duì)人腦的簡(jiǎn)化與模擬。人工神經(jīng)網(wǎng)絡(luò)是一個(gè)非線性動(dòng)態(tài)系統(tǒng)，它通過(guò)對(duì)樣本的學(xué)習(xí)建立起記憶，然后將未知模式判決為最接近的記憶，它可以處理一些環(huán)境信息十分復(fù)雜，背景知識(shí)不清楚，推理規(guī)則不明確的問(wèn)題。神經(jīng)網(wǎng)絡(luò)的非線性映射特性、信息的分布存儲(chǔ)、并行處理和全局集體作用，特別是其高度的自組織和自學(xué)習(xí)能力，使其成為故障診斷的一種有效方法和手段，神經(jīng)網(wǎng)絡(luò)的這一優(yōu)良特性受到故障診斷領(lǐng)域?qū)＜覍W(xué)者的關(guān)注。神經(jīng)網(wǎng)絡(luò)故障診斷問(wèn)題實(shí)質(zhì)可以看成模式識(shí)別問(wèn)題，通過(guò)對(duì)一系列過(guò)程參量進(jìn)行測(cè)量

23、，然后用神經(jīng)網(wǎng)絡(luò)從測(cè)量空間映射到故障空間，實(shí)現(xiàn)故障診斷。人工神經(jīng)網(wǎng)絡(luò)之所以適合于故障診斷，有以下3個(gè)原因：（1）訓(xùn)練過(guò)的神經(jīng)網(wǎng)絡(luò)能存儲(chǔ)有關(guān)過(guò)程知識(shí)，能直接從定量的、歷史的故障信息中學(xué)習(xí)可以根據(jù)對(duì)象的正常歷史數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，然后將此信息與當(dāng)前數(shù)據(jù)進(jìn)行比較，以確定故障。 （2）神經(jīng)網(wǎng)絡(luò)具有濾除噪聲及在有噪聲情況下得出正確結(jié)論的能力，可以訓(xùn)練神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別故障信息，使其能在噪聲環(huán)境中有效地工作，這種濾除噪聲的能力使得神經(jīng)網(wǎng)絡(luò)適合在線故障檢測(cè)和診斷。 （3）神經(jīng)網(wǎng)絡(luò)具有分辨原因及故障類型的能力。 80年代以來(lái)神經(jīng)網(wǎng)絡(luò)理論受到世界各國(guó)學(xué)者的廣泛重視，并且在智能控制，計(jì)算機(jī)視覺、語(yǔ)音識(shí)別、生物醫(yī)學(xué)等方面有了

24、成功的應(yīng)用。90年代后期，神經(jīng)網(wǎng)絡(luò)在電路故障診斷領(lǐng)域得到了應(yīng)用。1.6 本設(shè)計(jì)研究的內(nèi)容、目的和意義本論文的研究?jī)?nèi)容就是運(yùn)用人工神經(jīng)網(wǎng)絡(luò)理論，建立bp神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過(guò)訓(xùn)練，學(xué)習(xí)，仿真，開發(fā)一套通用的故障診斷方法。本系統(tǒng)可方便地、遞增地收集和存儲(chǔ)專家知識(shí)而不需要任何數(shù)學(xué)模型，這對(duì)于沒(méi)有數(shù)學(xué)模型存在的地方特別有用，它是用戶易于理解利用專家知識(shí)解決實(shí)際問(wèn)題的思路與方法，在診斷的置信度上通過(guò)數(shù)據(jù)歸一化處理（在本次設(shè)計(jì)中由于數(shù)據(jù)在0-1之間，所以就沒(méi)有進(jìn)行這方面的處理）使系統(tǒng)具有容錯(cuò)性、提高了診斷的可靠性?？偟膩?lái)說(shuō)，本系統(tǒng)具有容錯(cuò)、聯(lián)想、推測(cè)、記憶、自適應(yīng)、自學(xué)習(xí)、并行處理復(fù)雜模式等特點(diǎn)和功能。本設(shè)計(jì)

25、的意義在于：（1）該系統(tǒng)提高了故障診斷的可信度，能有效地識(shí)別故障，具有很大的實(shí)用價(jià)值。（2）系統(tǒng)的輸出是各種標(biāo)準(zhǔn)故障模式，這樣輸出結(jié)果可以很明顯的告知故障點(diǎn)，以便提示維修人員及時(shí)檢修，從而避免故障進(jìn)一步擴(kuò)大而導(dǎo)致事故的發(fā)生。第2章 人工神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)介2.1 神經(jīng)網(wǎng)絡(luò)基本原理神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本單元，它是對(duì)生物神經(jīng)元的簡(jiǎn)化與模擬。神經(jīng)元的特性在某種程度上決定了神經(jīng)網(wǎng)絡(luò)的總體特性，大量的簡(jiǎn)單的神經(jīng)元的互相連結(jié)即構(gòu)成了神經(jīng)網(wǎng)絡(luò)。一個(gè)典型的具有r維輸入的神經(jīng)元模型如圖2-1 所示。 ab1(1,1)(1,r)p(1)p(2)p(r) 圖2-1 神經(jīng)元模型由圖2-1所示，一個(gè)典型的神經(jīng)元模型主要由以下

26、五部分組成：（1）輸入：代表神經(jīng)元r個(gè)輸入。在matlab中，輸入可以用一個(gè)維的列矢量來(lái)表示（其中t表示取轉(zhuǎn)置） （2-1）（2）網(wǎng)絡(luò)權(quán)值和閾值：代表網(wǎng)絡(luò)權(quán)值，表示輸入與神經(jīng)元之間的連接強(qiáng)度，為神經(jīng)元閾值，可以看作是一個(gè)輸入恒為1的網(wǎng)絡(luò)權(quán)值。在matlab中神經(jīng)元的網(wǎng)絡(luò)權(quán)值可以用一個(gè)的行矢量來(lái)表示。 （2-2）閾值為的標(biāo)量。注意：網(wǎng)絡(luò)權(quán)值和閾值都是可以調(diào)節(jié)的，這是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)特性的基本內(nèi)容之一。（3）求和單元：求和單元完成對(duì)輸入信號(hào)的加權(quán)求和，即： （2-3）這是神經(jīng)元對(duì)輸入信號(hào)處理的第一個(gè)過(guò)程。在matlab語(yǔ)言中，該過(guò)程可以通過(guò)輸入矢量和權(quán)值矢量的點(diǎn)積形式加以描述，即： （2-4）（4）傳

27、遞函數(shù)：在圖2-1中f表示神經(jīng)元的傳遞函數(shù)或激發(fā)函數(shù)，它用于對(duì)求和單元的計(jì)算結(jié)果進(jìn)行函數(shù)運(yùn)算，得到神經(jīng)元的輸出。表2-1給出了幾種典型的神經(jīng)元傳遞函數(shù)形式及描述。表2-1幾種典型的神經(jīng)元傳遞函數(shù)形式傳遞函數(shù)的名稱函數(shù)表達(dá)式函數(shù)曲線matlab函數(shù)a=hardlim(n)0a-1+1+1n閾值函數(shù)bardima=purelin（)0a-1+1+1n線性函數(shù)purelina=logsig(n)0a-1+1+1n對(duì)數(shù)sigmoid函數(shù)logsiga=tansig(n)0a-1+1+1n正切sigmoid函數(shù)tansig2.2 bp網(wǎng)絡(luò)用于故障診斷的基本思想bp網(wǎng)絡(luò)用于模擬電路故障診斷的基本思想為：確

28、定了電路的待測(cè)狀態(tài)集后，求電路處于其中一種狀態(tài)時(shí)的響應(yīng)(通常是測(cè)試點(diǎn)的電壓)必要的預(yù)處理，作為對(duì)應(yīng)狀態(tài)類的一個(gè)特征。對(duì)狀態(tài)集中的每一類狀態(tài)，都按上述方法獲取大量特征，并從中篩選出具有代表性的特征構(gòu)造訓(xùn)練樣本集。然后，用這些樣本訓(xùn)練與所求問(wèn)題相對(duì)應(yīng)規(guī)模的bp網(wǎng)絡(luò)。bp網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)應(yīng)與特征向量的維數(shù)相同。輸出節(jié)點(diǎn)的維數(shù)等于待測(cè)故障狀態(tài)的類別數(shù)。在訓(xùn)練時(shí)，把狀態(tài)特征輸入到bp網(wǎng)絡(luò)的輸入節(jié)點(diǎn)，要求網(wǎng)絡(luò)的輸出能正確指出電路狀態(tài)所屬類別。在做實(shí)際電路診斷時(shí)，對(duì)被測(cè)電路施加與產(chǎn)生樣本時(shí)相同的激勵(lì)和工作條件，取得相應(yīng)特征，將此特征輸入到已訓(xùn)練好的bp網(wǎng)絡(luò)。由bp網(wǎng)絡(luò)的輸出判斷電路中是否有故障；如有，則定位

29、故障。為了從最大程度上隔離和識(shí)別故障，采用多頻測(cè)試的方法。這時(shí)，從哪些頻率點(diǎn)提取故障特征成為首要問(wèn)題，測(cè)試頻率選擇的好壞直接影響到對(duì)故障的分辨能力和診斷效果及樣本選擇。2.3 誤差反向傳播（bp）神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)20世紀(jì)80年代中期,rumelhart等人提出一種誤差反向傳播（back propagation簡(jiǎn)記為bp）的多層人工神經(jīng)網(wǎng)絡(luò)（ann）學(xué)習(xí)算法，許多問(wèn)題都可由它來(lái)解決，如：xor、t-c匹配、對(duì)稱性判別等。如今，bp算法已經(jīng)成為目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，據(jù)統(tǒng)計(jì)有近90的神經(jīng)網(wǎng)絡(luò)應(yīng)用是基于bp算法的。bp網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層和輸出層組成。層與層之間采

30、用全互連方式，同一層之間不存在相互連接, bp網(wǎng)絡(luò)通常有一個(gè)或多個(gè)隱含層。構(gòu)造一個(gè)bp網(wǎng)絡(luò)需要確定其處理單元神經(jīng)元的特性和網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)最基本的處理單元，隱含層中的神經(jīng)元采用s型變換函數(shù)，輸出層的神經(jīng)元可采用s型或線性型變換函數(shù)。圖2-2為bp網(wǎng)絡(luò)的結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)采用bp算法，學(xué)習(xí)過(guò)程由前向計(jì)算過(guò)程和誤差反向傳播過(guò)程組成，在前向計(jì)算過(guò)程中，輸入信息從輸入層經(jīng)隱層逐層計(jì)算，并傳向輸出層，每層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如輸出層不能得到期望的輸出，則轉(zhuǎn)入誤差反向傳播過(guò)程，誤差信號(hào)沿原來(lái)的連接通路返回,通過(guò)修改各層的神經(jīng)元的權(quán)值，使得網(wǎng)絡(luò)系統(tǒng)誤差最小，最終網(wǎng)絡(luò)的實(shí)際輸

31、出與各自所對(duì)應(yīng)的期望輸出逼近。 圖2-2 bp網(wǎng)絡(luò)結(jié)構(gòu) bp算法屬于算法，是一種監(jiān)督式的學(xué)習(xí)算法。其主要思想是：對(duì)于m個(gè)輸入學(xué)習(xí)樣本，已知與其對(duì)應(yīng)的輸出樣本。學(xué)習(xí)的目的是用網(wǎng)絡(luò)的實(shí)際輸出與目標(biāo)矢量之間的誤差來(lái)修改其權(quán)值，使實(shí)際與期望盡可能地接近，每一次權(quán)值和偏差的變化都與網(wǎng)絡(luò)誤差的影響成正比，并以反向傳播的方式傳遞到每一層，它由2部分組成：信息的正向傳遞與誤差的反向傳播。在正向傳遞過(guò)程中輸入信息從輸入層經(jīng)隱含層逐層計(jì)算傳向輸出層，每一層神經(jīng)元的輸出作用于下一層神經(jīng)元的輸入。如果輸出層沒(méi)有得到期望的輸出，則計(jì)算輸出層的誤差變化值，然后轉(zhuǎn)向反向傳播，通過(guò)網(wǎng)絡(luò)將誤差信號(hào)沿原來(lái)的連接通路反傳回來(lái)修改各

32、層的權(quán)值直至達(dá)到期望目標(biāo)。如式2-5所示： （2-5） 其中是當(dāng)前的權(quán)值和閾值矩陣，是當(dāng)前表現(xiàn)函數(shù)的梯度，是學(xué)習(xí)速度。 （1）誤差函數(shù)對(duì)輸出節(jié)點(diǎn)權(quán)值求導(dǎo)：是多個(gè)的函數(shù)，但只有一個(gè)與有關(guān)，各間相互獨(dú)立，其中則 （2-6）設(shè)輸出節(jié)點(diǎn)誤差為：則 （2-7）（2）誤差函數(shù)對(duì)隱層節(jié)點(diǎn)權(quán)值求導(dǎo)：是多個(gè)函數(shù)，針對(duì)某一個(gè)，對(duì)應(yīng)一個(gè)，它與所有有關(guān)，其中則 （2-8）設(shè)隱層節(jié)點(diǎn)誤差為：則 （2-9）由于權(quán)值的修正，正比于誤差函數(shù)沿梯度下降，則有： （2-10） （2-11）其中隱層節(jié)點(diǎn)誤差中的表示輸出節(jié)點(diǎn)的誤差通過(guò)權(quán)值向節(jié)點(diǎn)反向傳播成為隱層節(jié)點(diǎn)的誤差。（3）閾值的修正閾值也是變化值，在修正權(quán)值的同時(shí)也需要修正，原

33、理同權(quán)值修正一樣。誤差函數(shù)對(duì)輸出節(jié)點(diǎn)閾值求導(dǎo)：其中則閾值修正 （2-12）誤差函數(shù)對(duì)隱層節(jié)點(diǎn)閾值求導(dǎo)：其中則 （2-13）閾值修正 （2-14）（4）傳遞函數(shù)的導(dǎo)數(shù)：型函數(shù)則 對(duì)輸入節(jié)點(diǎn) （2-15）對(duì)輸出節(jié)點(diǎn) （2-16）為了清晰的表明算法的執(zhí)行過(guò)程，我們可以用下面的流程圖2-3進(jìn)行表示。其具體步驟如下：（1）初始化權(quán)值和閾值，即給輸入層單元到隱含層單元的連接權(quán)，隱含層到輸出層的連接權(quán)，隱含層的閾值，輸出層單元閾值隨機(jī)賦一個(gè)在(0，l)之間的較小值。（2）提供學(xué)習(xí)樣本對(duì)(輸入和預(yù)期輸出值)，給出輸入向量和對(duì)應(yīng)的預(yù)期輸出向量，將的值輸入輸出層節(jié)點(diǎn)，依次正向計(jì)算： (=1,2,) （2-17）

34、(=1,2,) （2-18） （3）計(jì)算輸出節(jié)點(diǎn)輸出值與期望值的誤差：（4） 向隱含層節(jié)點(diǎn)反向分配誤差，也即是用連接權(quán)、輸出層的一般化誤差、隱含層的輸出計(jì)算隱含層各單元的誤差： （2-19）（5）用輸出層單元的一般化誤差、隱含層各單元的輸出修正輸出層的權(quán)值和閾值：輸出層與隱含層權(quán)值修正： （2-20）輸出層閾值修正： （2-21）（6）用隱含層一般化誤差、輸入層各單元的輸入，修正連接權(quán)值和閾值：輸入層與隱含層連接權(quán)值修正： （2-22）隱含值閾值修正： （2-23）（7）重復(fù)步驟(2)，選取不同的訓(xùn)練樣本，不斷執(zhí)行上述迭代過(guò)程，直至達(dá)到要求為止，使得誤差足夠小或變?yōu)榱?，停止學(xué)習(xí)。修正權(quán)值求權(quán)值

35、修正量結(jié)束yn是否滿足要求？計(jì)算網(wǎng)絡(luò)實(shí)際輸出與期望輸出之間的誤差計(jì)算bp網(wǎng)絡(luò)實(shí)際輸出開始權(quán)值初始化輸入樣本數(shù)據(jù)圖2-3 bp算法流程圖第3章 bp神經(jīng)網(wǎng)絡(luò)電路故障診斷的matlab實(shí)現(xiàn)3.1 matlab簡(jiǎn)介下面介紹一下關(guān)于matlab的一些情況，因?yàn)槲覀儗⑦\(yùn)用matlab來(lái)進(jìn)行神經(jīng)網(wǎng)絡(luò)控制器的設(shè)計(jì)，訓(xùn)練學(xué)習(xí)，確定輸出權(quán)值等。matlab（即matrix和laboratory）的前三位字母組合，意為“矩陣實(shí)驗(yàn)室”是美國(guó)math works公司自1984年開始推出的一種使用簡(jiǎn)便的工程計(jì)算語(yǔ)言。matlab主要包括以下幾個(gè)部分：matlab語(yǔ)言、matlab工作環(huán)境、matlab工具箱、matla

36、b的應(yīng)用程序接口。matlab是一種用于工程計(jì)算的高級(jí)語(yǔ)言，將計(jì)算、可視化、編程集成易于使用的環(huán)境中，所有問(wèn)題及解答都以熟悉的數(shù)學(xué)記法進(jìn)行表達(dá)。典型用途包括數(shù)學(xué)和算術(shù)運(yùn)算形成數(shù)據(jù)獲取模型、仿真和原始數(shù)據(jù)分析、研究、和形象化工程科技學(xué)圖象應(yīng)用開發(fā)，包括形象用戶界面，構(gòu)建的matlab是一個(gè)交互系統(tǒng)，其基本數(shù)據(jù)元素是一個(gè)不論幾維空間的數(shù)組。它能夠讓你解決大量的工程計(jì)算問(wèn)題，尤其是帶有矩陣和矢量分式，以標(biāo)量非交互式語(yǔ)言，如c語(yǔ)言或fortran語(yǔ)言來(lái)編程序。matlab代表矩陣實(shí)驗(yàn)室，matlab最初是由linpack and eispack 項(xiàng)目編寫的容易處理矩陣而開發(fā)的軟件。matlab集成了l

37、apack和blas庫(kù)，其為矩陣運(yùn)算的嵌入式軟件。隨著大量用戶的涌入，matlab在這些年的作用越來(lái)越明顯，在大學(xué)中，它是導(dǎo)論和數(shù)學(xué)、工程科學(xué)的高級(jí)課程的標(biāo)準(zhǔn)教育工具，在工業(yè)中，matlab是研究開發(fā)分析高效益的可選工具。matlab因添加一系列的特殊應(yīng)用用途而稱為工具箱，這個(gè)工具箱能使你學(xué)會(huì)應(yīng)用專業(yè)技術(shù)，這對(duì)許多matlab用戶來(lái)說(shuō)非常重要。工具箱是綜合收集了matlab函數(shù)（m文件），延拓matlab環(huán)境來(lái)解決各類特殊問(wèn)題。工具箱可利用的范圍包括信號(hào)處理，控制系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、模糊邏輯、小波、仿真。下面大致介紹一下matlab的幾個(gè)組成部分，matlab系統(tǒng)主要由五個(gè)主要部分組成：（1）開發(fā)

38、環(huán)境：這是幫助你使用matlab函數(shù)和文件中的一組便捷工具，這些工具許多都是圖形用戶界面。它包括matlab桌面和命令窗口，歷史命令，編輯器和調(diào)試器，并且瀏覽器提供可視化幫助，工作區(qū)，文件和查找路徑。（2）matlab數(shù)學(xué)函數(shù)庫(kù)：它是廣泛收集了算術(shù)運(yùn)用，從基本的函數(shù)如求和，正弦、余弦和復(fù)雜的算術(shù)，到更加復(fù)雜的函數(shù)如矩陣轉(zhuǎn)置，矩陣特征值、貝塞爾函數(shù)，和快速傅立葉變換等。（3）matlab語(yǔ)言：這是一種高級(jí)矩陣/數(shù)組語(yǔ)言，以控制跟隨狀態(tài)，函數(shù)，數(shù)據(jù)結(jié)構(gòu)，輸入/輸出，和面向?qū)ο蟪绦驗(yàn)樘卣?。它能以“小程序”很快地?chuàng)建快速丟失的程序，以及“大程序”來(lái)創(chuàng)建完全大型復(fù)雜應(yīng)用程序等。（4）圖形：matlab能

39、非常方便地顯示矢量和矩陣圖形，以及注釋和打印這些圖形。包括二維和三維數(shù)據(jù)，圖象處理、動(dòng)畫和圖形顯示的高級(jí)函數(shù)，也包括完全用戶圖形顯示和構(gòu)建完全圖形用戶界面的低級(jí)函數(shù)等。（5）matlab應(yīng)用程序界面（api）：以c語(yǔ)言和fortran語(yǔ)言簡(jiǎn)寫的與matlab交流的庫(kù)。包括從matlab中方便地調(diào)用程序（動(dòng)態(tài)銜接），調(diào)用matlab作為計(jì)算工具，以及讀寫mat文件等。3.2 神經(jīng)網(wǎng)絡(luò)工具箱及其相關(guān)函數(shù)簡(jiǎn)介bp神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)時(shí)，需要確定網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)(隱層的層數(shù)及各層的神經(jīng)元的數(shù)目)及其神經(jīng)元的變換函數(shù)，網(wǎng)絡(luò)的初始化，誤差計(jì)算，學(xué)習(xí)規(guī)則及網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練參數(shù)及訓(xùn)練樣本的歸一化處理等方面的工作。在mat

40、lab6.1神經(jīng)網(wǎng)絡(luò)工具箱中，有對(duì)應(yīng)的函數(shù)完成所涉及到的全部計(jì)算任務(wù)。(一) 設(shè)計(jì)bp網(wǎng)絡(luò)的相關(guān)函數(shù)：（1）神經(jīng)元變換函數(shù)：線性變換函數(shù)purelin、對(duì)數(shù)s型變換函數(shù)logsin、雙曲線正切s 型變換函數(shù)tansig。 （2）bp網(wǎng)絡(luò)生成函數(shù)newff：它是用來(lái)生成bp神經(jīng)網(wǎng)絡(luò)并進(jìn)行初始化，可以確定網(wǎng)絡(luò)層數(shù)、每層中的神經(jīng)元數(shù)和變換函數(shù)。這個(gè)函數(shù)有六個(gè)輸入?yún)?shù)，分別是：輸入向量的范圍、網(wǎng)絡(luò)結(jié)構(gòu)、各層變換函數(shù)、訓(xùn)練算法函數(shù)、學(xué)習(xí)函數(shù)和性能函數(shù)。輸出參數(shù)為所生成的bp神經(jīng)網(wǎng)絡(luò)，其語(yǔ)法為：net=newff(pr,s1,s2,si,tf1,tf2,tfi,btf,ble,pf) （3-1）其中：pr

41、是一個(gè)由每個(gè)輸入向量的最大最小值構(gòu)成的rx2矩陣，r為輸入神經(jīng)元數(shù)目。si是第i層網(wǎng)絡(luò)的神經(jīng)元個(gè)數(shù)，網(wǎng)絡(luò)共有n1層。tfi是第i層網(wǎng)絡(luò)神經(jīng)元的變換函數(shù),缺省為tansig。btf是bp訓(xùn)練算法函數(shù)，缺省為trainlm.blf是學(xué)習(xí)函數(shù)，缺省為learngdm。pf是性能函數(shù)，缺省為mse.newff在確定網(wǎng)絡(luò)結(jié)構(gòu)后會(huì)自動(dòng)調(diào)用初始化函數(shù)init。用缺省參數(shù)來(lái)初始化網(wǎng)絡(luò)中各個(gè)權(quán)值和閾值，產(chǎn)生一個(gè)可訓(xùn)練的前饋網(wǎng)絡(luò)，即該函數(shù)的返回值net。在matlab中，神經(jīng)網(wǎng)絡(luò)net當(dāng)做對(duì)象(object)處理，其屬性用結(jié)構(gòu)來(lái)定義。（二）初始化函數(shù)init：它是對(duì)網(wǎng)絡(luò)的連接權(quán)值和閾值進(jìn)行初始化。newff在創(chuàng)建

42、網(wǎng)絡(luò)對(duì)象的同時(shí)，自動(dòng)調(diào)動(dòng)初始化函數(shù)，根據(jù)缺省的參數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行連接權(quán)值和閾值初始化。（三）學(xué)習(xí)函數(shù)：提供多種學(xué)習(xí)函數(shù)，用來(lái)修正權(quán)值和閾值?；镜膶W(xué)習(xí)函數(shù)有：learngd、learngdm等。（四）性能函數(shù)：它是用來(lái)計(jì)算網(wǎng)絡(luò)的輸出誤差。為訓(xùn)練提供判據(jù)，包括：函數(shù)mae是計(jì)算網(wǎng)絡(luò)的平均絕對(duì)誤差；函數(shù)mse是計(jì)算網(wǎng)絡(luò)的均方誤差；函數(shù)msereg是計(jì)算均方誤差和權(quán)/閾值的加權(quán)；函數(shù)sse是計(jì)算網(wǎng)絡(luò)的均方誤差和。（五）訓(xùn)練函數(shù)train：bp網(wǎng)絡(luò)的訓(xùn)練初始化后，可對(duì)它進(jìn)行訓(xùn)練。在matlab中訓(xùn)練網(wǎng)絡(luò)有兩類模式：逐變模式和批處理模式。在逐變模式中，每輸入一個(gè)學(xué)習(xí)樣本就根據(jù)網(wǎng)絡(luò)性能指標(biāo)函數(shù)對(duì)連接權(quán)值和閾值

43、更新一次。在批處理模式中，所有的學(xué)習(xí)樣本都學(xué)習(xí)完成后，連接權(quán)值和閾值才被更新一次。使用批處理模式不需要為每一層的連接權(quán)值和閾值設(shè)定訓(xùn)練函數(shù)，而只需為整個(gè)網(wǎng)絡(luò)指定一個(gè)訓(xùn)練函數(shù)，使用起來(lái)相對(duì)方便，而且許多改進(jìn)的快速訓(xùn)練算法只能采用批處理模式。訓(xùn)練網(wǎng)絡(luò)的函數(shù)是train按設(shè)置的net.trainfcn和net.trainparam參數(shù)來(lái)訓(xùn)練網(wǎng)絡(luò)，采用批處理方式進(jìn)行網(wǎng)絡(luò)的權(quán)值和閾值修正，最終達(dá)到設(shè)定的網(wǎng)絡(luò)性能指標(biāo)的要求。（六）bp訓(xùn)練算法函數(shù)：它是根據(jù)網(wǎng)絡(luò)的輸入、目標(biāo)期望輸出，對(duì)由函數(shù)newff生成的bp網(wǎng)絡(luò)進(jìn)行計(jì)算，修正其權(quán)值和閾值，最終達(dá)到設(shè)定的網(wǎng)絡(luò)性能指標(biāo)的要求。不同的訓(xùn)練算法函數(shù)對(duì)應(yīng)不同的訓(xùn)練

44、算法，如traingd對(duì)應(yīng)最基本梯度下降法；traingdm帶有動(dòng)量項(xiàng)的梯度下降法； traingdx帶有采用動(dòng)量項(xiàng)的自適應(yīng)算法；用共軛梯度法進(jìn)行訓(xùn)練的函數(shù)有：traincgf、traincgp、traincgb；trainbfg是基于擬牛頓法的訓(xùn)練函數(shù)；trainlm是用levenberg-marquardt數(shù)值優(yōu)化法來(lái)實(shí)現(xiàn)誤差反傳算法的。各算法的快慢及內(nèi)存要求依問(wèn)題的復(fù)雜程度、訓(xùn)練集大小、網(wǎng)絡(luò)的大小及誤差要求的不同而有所不同。一般來(lái)講，對(duì)于含有幾百個(gè)權(quán)重的網(wǎng)絡(luò)，levenberg-marquardt算法有最快的收斂速度，該算法需要大的內(nèi)存，可通過(guò)增大參數(shù)mem-reduc的值來(lái)減少內(nèi)存的使

45、用量。需要注意的是：減少內(nèi)存使用量實(shí)際是通過(guò)將雅可比矩陣分解為一個(gè)個(gè)小的亞矩陣來(lái)實(shí)現(xiàn)的，每次只計(jì)算其中一個(gè)亞矩陣，這勢(shì)必增加計(jì)算時(shí)間。所以，如果有足夠的內(nèi)存，應(yīng)該將mem-reduc參數(shù)設(shè)為1，即每次都計(jì)算整個(gè)雅可比矩陣。擬牛頓算法的速度僅次于levenberg-marquardt算法而比共軛梯度法的速度快，內(nèi)存的需要量也介于這二者之間。在共軛梯度法中，traincgb需要的內(nèi)存數(shù)量最多，但通常也能最快收斂?？偟貋?lái)講，基于共軛梯度法、擬牛頓算法和levenberg-marquardt法等數(shù)值優(yōu)化算法的訓(xùn)練函數(shù)的效率比基于啟發(fā)式算法的traingd、traingdm、traingdx的效率高。以

46、上的訓(xùn)練算法函數(shù)均在網(wǎng)絡(luò)生成函數(shù)newff中預(yù)先設(shè)置。（七）仿真函數(shù)sim：可以用來(lái)計(jì)算網(wǎng)絡(luò)在給定輸入下的輸出。（八）繪圖函數(shù)poltperf：可以用來(lái)計(jì)算網(wǎng)絡(luò)性能曲線。（九）數(shù)據(jù)預(yù)處理：如果對(duì)神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)進(jìn)行一定的預(yù)處理，可以加快網(wǎng)絡(luò)的訓(xùn)練速度。matlab提供的預(yù)處理方法有：歸一化處理(將每組數(shù)據(jù)都變?yōu)?1至1之間數(shù)，所涉及的函數(shù)有premnmx、postmnmx、tramnmx)、標(biāo)準(zhǔn)化處理(將每組數(shù)據(jù)都為均值為0，方差為1的一組數(shù)據(jù)，所涉及的函數(shù)有prestd、poststd、trastd)和主成分分析(進(jìn)行正交處理,減少輸入數(shù)據(jù)的維數(shù)，所涉及的函數(shù)有prepca、trap

47、ca)。下面以歸一化處理為例說(shuō)明其用法，對(duì)于輸入矩陣p和輸出矩陣t進(jìn)行歸一化處理的語(yǔ)句為：pn,minp,maxp,tn,mint,maxt= premnmx(p,t)；訓(xùn)練時(shí)應(yīng)該用歸一化之后的數(shù)據(jù)，即net= train(net,pn,tn)；訓(xùn)練結(jié)束后還應(yīng)對(duì)網(wǎng)絡(luò)的輸出an=sim(net,pn)作如下處理：a=postmnmx(an,mint,maxt)。 3.3 訓(xùn)練數(shù)據(jù)的導(dǎo)入方法要對(duì)bp網(wǎng)絡(luò)進(jìn)行訓(xùn)練，必須準(zhǔn)備訓(xùn)練樣本。對(duì)樣本數(shù)據(jù)的獲取，有以下幾種方法供選擇，具體采用那種方法，取決于數(shù)據(jù)的多少，數(shù)據(jù)文件的格式等。用元素列表方式直接輸入數(shù)據(jù)。創(chuàng)建數(shù)據(jù)文件，通過(guò)matlab提供的裝載數(shù)據(jù)函數(shù)

48、，從數(shù)據(jù)文件中讀取。函數(shù)load適合從mat文件、ascii文件中讀取數(shù)據(jù)；matlab i/o函數(shù)適合從其它應(yīng)用中的數(shù)據(jù)文件中讀取數(shù)據(jù)；還可以通過(guò)數(shù)據(jù)輸入向?qū)?import wizard)從文件或剪貼板中讀取數(shù)據(jù)，單擊file菜單下的“import data.”將出現(xiàn)“importwizard”窗口，通過(guò)該窗口進(jìn)行設(shè)置，該方法不適合從m文件中讀取數(shù)據(jù)。3.4 bp神經(jīng)網(wǎng)絡(luò)的matlab實(shí)現(xiàn)在進(jìn)行bp神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)時(shí)，需要考慮以下問(wèn)題：網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)(隱層的層數(shù)及各層的神經(jīng)元的數(shù)目)；神經(jīng)元的變換函數(shù)選??；網(wǎng)絡(luò)的初始化(連接權(quán)值和閾值的初始化)；訓(xùn)練參數(shù)設(shè)置；訓(xùn)練樣本的歸一化處理；樣本數(shù)據(jù)導(dǎo)入方

49、式等。根據(jù)以上分析可知，對(duì)于網(wǎng)絡(luò)的實(shí)現(xiàn)有四個(gè)基本的步驟：（1）網(wǎng)絡(luò)建立：通過(guò)函數(shù)newff實(shí)現(xiàn)，它根據(jù)樣本數(shù)據(jù)自動(dòng)確定輸入層、輸出層的神經(jīng)元數(shù)目；隱層神經(jīng)元數(shù)目以及隱層的層數(shù)、隱層和輸出層的變換函數(shù)、訓(xùn)練算法函數(shù)需由用戶確定。（2）初始化：通過(guò)函數(shù)init實(shí)現(xiàn)，當(dāng)newff在創(chuàng)建網(wǎng)絡(luò)對(duì)象的同時(shí)，自動(dòng)調(diào)動(dòng)初始化函數(shù)init，根據(jù)缺省的參數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行連接權(quán)值和閾值初始化。（3）網(wǎng)絡(luò)訓(xùn)練：通過(guò)函數(shù)train實(shí)現(xiàn)，它根據(jù)樣本的輸入矢量p、目標(biāo)矢量t；和預(yù)先已設(shè)置好的訓(xùn)練函數(shù)的參數(shù)；對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。（4）網(wǎng)絡(luò)仿真：通過(guò)函數(shù)sim實(shí)現(xiàn)，它根據(jù)已訓(xùn)練好的網(wǎng)絡(luò)，對(duì)測(cè)試數(shù)據(jù)進(jìn)行仿真計(jì)算。第4章 電路故障調(diào)查4.

50、1 引言基于bp神經(jīng)網(wǎng)絡(luò)的電路故障診斷的基本原理就是把從電路中獲得的狀態(tài)信息進(jìn)行處理以后，輸入到事先訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)，再根據(jù)bp神經(jīng)網(wǎng)絡(luò)的輸出，分析出當(dāng)前設(shè)備的運(yùn)行狀態(tài)，并找出故障原因。本章主要是以模擬電路故障為例，根據(jù)故障診斷的特點(diǎn)，并聯(lián)系前幾章的bp神經(jīng)網(wǎng)絡(luò)介紹，通過(guò)各種bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法的比較，分析設(shè)計(jì)了診斷故障的精確的bp神經(jīng)網(wǎng)絡(luò)模型。通過(guò)檢測(cè)模擬電路故障的方法，將其推廣到其他領(lǐng)域的故障診斷中。經(jīng)實(shí)驗(yàn)證明，這些方法是很有效的。4.2 設(shè)備狀態(tài)信息采集設(shè)備狀態(tài)信息的獲得主要是通過(guò)測(cè)量設(shè)備的各種當(dāng)前狀態(tài)數(shù)值，在這次設(shè)計(jì)中主要包括時(shí)域峰值，時(shí)域能量，頻域峰值，頻域能量，頻域峰值頻率等幾

51、個(gè)參數(shù)。對(duì)于用bp神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行故障診斷，工作可以分為測(cè)前工作和測(cè)后工作兩部分進(jìn)行。測(cè)前，根據(jù)經(jīng)驗(yàn)在一定的激勵(lì)條件下，將常見的各種故障狀態(tài)及正常狀態(tài)所對(duì)應(yīng)的理論值求出，并以此作為bp神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本輸入給bp神經(jīng)網(wǎng)絡(luò)，bp神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)學(xué)習(xí)后，其輸出即為所對(duì)應(yīng)的故障。但是，實(shí)際總是有容差的，且存在測(cè)量及觀察等因素的影響，其實(shí)際測(cè)量與理論值總存在著差異。但是，由于神經(jīng)網(wǎng)絡(luò)有聯(lián)想推理的能力，具有強(qiáng)大的魯棒性，它不僅能識(shí)別已經(jīng)訓(xùn)練過(guò)的樣本，而且能通過(guò)聯(lián)想推理，識(shí)別未出現(xiàn)過(guò)的樣本，這就是所謂的“泛化”功能。測(cè)前要完成故障集的選擇和激勵(lì)信號(hào)的選擇故障集的選擇，比較實(shí)際的方案是根據(jù)被測(cè)電路的特點(diǎn)和以往的經(jīng)驗(yàn)及元件故障概率來(lái)選擇若干個(gè)故障作為故障集。下面將列舉的是故障狀態(tài)參數(shù)表，這是訓(xùn)練網(wǎng)絡(luò)的重要數(shù)據(jù)之一。表4-1 故障狀態(tài)參數(shù)故障時(shí)域峰值頻域峰值時(shí)域能量頻域能量頻域峰值頻率d4峰峰值d5峰峰值正常情況0.0010.0010.0010.0050.0110.0010.001故障a0.0010.0010.0011.0020.00480.00530.001故障b