畢業(yè)設(shè)計(jì)-神經(jīng)網(wǎng)絡(luò)故障的MATLAB仿真

1、說明頁眉：原來的頁眉是彩色的，現(xiàn)在統(tǒng)成黑白/避免打印時(shí)只有頁眉需要彩色；字體:宋體 五號；英文數(shù)字用times new romano 2、打?。河袌D片的打印彩色,其余的打印黑白。封面單獨(dú)一頁，其余的都是雙面打印。3、有同學(xué)反映正文標(biāo)題前面有個(gè)點(diǎn)，自己點(diǎn)擊打印預(yù)覽，就可以看到有沒有點(diǎn)了。摘要本課題主要研究在matlab環(huán)境中進(jìn)行基于神經(jīng)網(wǎng)絡(luò)的設(shè)備狀 態(tài)及船用柴油機(jī)故障診斷。分別利用bp網(wǎng)絡(luò)和rbf網(wǎng)絡(luò)來進(jìn)行設(shè)備 狀態(tài)及船用柴油機(jī)故障診斷，以實(shí)現(xiàn)復(fù)雜系統(tǒng)的故障診斷問題。仿真 研究表明，利用神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)復(fù)雜系統(tǒng)的故障診斷是可行和有效 的。abstractthe main idea of this

2、task is fault diagnosis of device status and marine diesel based on ann by using matlab in this task, it is achieving the fault diagnosis of complex systems by using bp network and rbf network respectively to diagnose device status and marine diesel simulation result demonstrate that it is feasible

3、and effective to use ann to diagnose complex systems keywords fault-diagnosis bp network rbf network注：1、字母、數(shù)字用times new roman ,字號跟隨標(biāo)題，一級標(biāo)題頁碼的字號就是四號，二級 標(biāo)題頁碼就是小四2、一級標(biāo)題:單倍行距；黑體四號加粗3、二級標(biāo)題：文本之前縮進(jìn)0.39厘米，段后5磅，多倍行距1.15 ；宋體小四加粗4、三級標(biāo)題：文本之前縮進(jìn)0.78厘米，其余與二級標(biāo)題一樣；宋體小四加粗1. 前言12. 故障診斷1斷技木z（正文有三級標(biāo)劇2 §的，目錄也需要三級標(biāo)2.

4、2設(shè)備故障診斷技術(shù)的主要理論方法及發(fā)展前景33matlab及神經(jīng)網(wǎng)絡(luò)簡介631 matlab 簡介63.2神經(jīng)網(wǎng)絡(luò)簡介74.基于bp網(wǎng)絡(luò)的設(shè)備狀態(tài)分類器設(shè)計(jì)134.1 bp 網(wǎng)絡(luò)134.2 bp網(wǎng)絡(luò)建立144.3網(wǎng)絡(luò)訓(xùn)練與測試174.4測試結(jié)果分析與評價(jià)195.基于rbf網(wǎng)絡(luò)的船用柴油機(jī)故障診斷205.1問題描述205.2徑向基函數(shù)網(wǎng)絡(luò)205.3渦輪增壓系統(tǒng)的故障診斷模型分析235.4網(wǎng)絡(luò)建立及測試265.5測試結(jié)果分析與評價(jià)28結(jié)束語（標(biāo)點(diǎn)是自動(dòng)生成的，肯定是要有30參考文獻(xiàn)301致 謝32附錄33附錄1基于bp網(wǎng)絡(luò)的設(shè)備狀態(tài)分類器設(shè)計(jì)的完整的matlab代碼33附錄2基于rbf網(wǎng)絡(luò)的船用柴

5、油機(jī)故障診斷的完整的matlab代碼341.前言設(shè)備的狀態(tài)監(jiān)測與故障診斷既有聯(lián)系，又有區(qū)別。有時(shí)為了方便起見統(tǒng)稱為 設(shè)備故障診斷，它是識別機(jī)械設(shè)備（機(jī)器或機(jī)組）運(yùn)行狀態(tài)的一門綜合性的應(yīng)用 學(xué)科。隨著現(xiàn)代化工業(yè)大生產(chǎn)的不斷發(fā)展，設(shè)備狀態(tài)監(jiān)測和故障診斷技術(shù)近年來 得到了廣泛的重視，其發(fā)展速度之快，研究規(guī)模之大，取得的成果之多是前所未 有的，其應(yīng)用所達(dá)到的深入程度十分令人鼓舞。目前，設(shè)備狀態(tài)監(jiān)測與故障診斷 已經(jīng)基本上形成一門既有理論基礎(chǔ)、又有實(shí)際應(yīng)用背景的完整的交叉性學(xué)科。同 時(shí)，對長期不懈地堅(jiān)持開展設(shè)備狀態(tài)監(jiān)測與故障診斷工作已形成共識，并成為各 工業(yè)部門尤其是電力、鋼鐵、石化以及其他國民經(jīng)濟(jì)重人領(lǐng)

6、域的一項(xiàng)極為重要的 工作內(nèi)容。機(jī)械設(shè)備的工作狀態(tài)直接關(guān)系到設(shè)備的正常運(yùn)行。由于許多無法避免的因素 影響，會導(dǎo)致設(shè)備出現(xiàn)各種故障，從而降低或失去預(yù)定的功能，其至?xí)斐蓢?yán)重 的以至災(zāi)難性的事故，造成極大的經(jīng)濟(jì)損失和人員傷亡。因此保證設(shè)備的安全運(yùn) 行，消除事故，是十分迫切的問題。然而機(jī)械設(shè)備系統(tǒng)的故障類型和故障原因往往很復(fù)雜，故障和征兆之間通常 不存在簡單的一一對應(yīng)的關(guān)系，而是屬于多輸入多輸出系統(tǒng)，用傳統(tǒng)的基于模型 的診斷方法會遇到建模困難的問題，導(dǎo)致無法進(jìn)行診斷或診斷效果不理想。而基 于神經(jīng)網(wǎng)絡(luò)的設(shè)備故障診斷可以大大簡化故障診斷的過程。在本次的課題中，則 以減速箱和船用柴油機(jī)的故障診斷為例，在ma

7、tlab環(huán)境中，通過減速箱及船 用柴油機(jī)的神經(jīng)網(wǎng)絡(luò)故障診斷模型的建立、訓(xùn)練和測試，學(xué)習(xí)和理解神經(jīng)網(wǎng)絡(luò)在 故障診斷中的應(yīng)用。（頁碼：宋體小五居中）2.故障診斷工欲善其事，必先利其器。設(shè)備是生產(chǎn)發(fā)展的基本耍素之一。良好的設(shè)備維 修管理依賴于準(zhǔn)確的故障診斷。2. 1故障及故障診斷技術(shù)2.1.1故障的定義關(guān)于設(shè)備故障這一概念，fi前并沒有一個(gè)嚴(yán)格、統(tǒng)一的定義。基于不同的文 獻(xiàn)資料或不同的應(yīng)用環(huán)境往往有不同的解釋。按照國家標(biāo)準(zhǔn)(gb 318782)的規(guī)定，給定層次級上的子分系統(tǒng)的故障是 指該子分系統(tǒng)“喪失規(guī)定的功能”，或者說，給定層次級上的子分系統(tǒng)的輸出與 所預(yù)期的輸出不相符合從設(shè)備維修的角度，故障被定

8、義為：設(shè)備運(yùn)行的功能失常，或者是設(shè)備的系 統(tǒng)或局部的功能失效。從診斷對彖出發(fā)，故障又可以被認(rèn)為是系統(tǒng)的觀察值與由 系統(tǒng)的行為模型所得的預(yù)測值z間存在著矛盾。從狀態(tài)識別的觀點(diǎn)，則定義設(shè)備 的故障為其不正常狀態(tài)。也有的專家認(rèn)為，設(shè)備故障是設(shè)備在運(yùn)行過程屮出現(xiàn)異 常，不能達(dá)到預(yù)定的性能要求，或者表征其工作性能的參數(shù)超過某一規(guī)定界限， 有可能使設(shè)備部分或全部喪失功能的現(xiàn)象。在工程應(yīng)用屮，我們一般習(xí)慣于用機(jī)械設(shè)備的狀態(tài)來定義故障。機(jī)械設(shè)備的 基本狀態(tài)通常被認(rèn)為有三種，即正常狀態(tài)、異常狀態(tài)和故障狀態(tài)。所謂機(jī)械設(shè)備 (機(jī)器或機(jī)組)正常，是指它在執(zhí)行規(guī)定的運(yùn)作時(shí)沒有缺陷，或者雖有缺陷但也 是在限度范圍么內(nèi)。異

9、常則是指設(shè)備的缺陷開始產(chǎn)生或已有一定程度的擴(kuò)展，使 設(shè)備的狀態(tài)信號(如振動(dòng)、溫度、壓力等)發(fā)生變化，設(shè)備的工作性能逐步劣化 但仍能維持工作。而故障則是指設(shè)備的性能指標(biāo)嚴(yán)重降低并低于正常要求的最 低極限值，設(shè)備已無法維持正常的工作。2. 1. 2故障診斷技術(shù)機(jī)械設(shè)備故障診斷技術(shù)(mechanical fault diagnosis)是利用測取機(jī)械設(shè)備 在運(yùn)行中或相對靜態(tài)條件下的狀態(tài)信息，通過對所測得信號進(jìn)行分析和處理，并 結(jié)合診斷對象的歷史狀態(tài)，來定量識別機(jī)械設(shè)備及其零部件的實(shí)時(shí)狀態(tài)，并預(yù)知 有關(guān)異常狀態(tài)和預(yù)測未來狀態(tài)，從而確定必要對策的技術(shù)。總體來講，機(jī)械設(shè)備故障診斷技術(shù)的發(fā)展，大致可分為4個(gè)

10、階段：第一個(gè)階段是在19批紀(jì)，當(dāng)時(shí)機(jī)械設(shè)備本身的技術(shù)水平和復(fù)雜程度都很低, 因此采用事后維修的方式。第二個(gè)階段是在20世紀(jì)初到20世紀(jì)50年代，隨著大生產(chǎn)的發(fā)展，機(jī)械設(shè)備木身的發(fā)展稈度也有了提高，機(jī)械設(shè)備故障或事故對牛產(chǎn)的影響顯著增加，在 這種情況下，出現(xiàn)了定期維修的方式。這個(gè)時(shí)期，機(jī)械設(shè)備故障診斷技術(shù)處于孕 育時(shí)期。第三個(gè)階段是20世紀(jì)60-70年代，隨著現(xiàn)代計(jì)算機(jī)技術(shù)、數(shù)據(jù)處理技術(shù)等 的發(fā)展，機(jī)械設(shè)備故障診斷技術(shù)在歐美一些國家得到了發(fā)展，出現(xiàn)了更科學(xué)的按 設(shè)備狀態(tài)進(jìn)行維修的方式。第四階段是進(jìn)入20世紀(jì)80年代以后，人工智能技術(shù)和專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò) 等開始發(fā)展，并在實(shí)際工程中應(yīng)用，使機(jī)械設(shè)備

11、診斷技術(shù)達(dá)到了智能化的程度。 雖然這一階段發(fā)展歷史并不長，但已有硏究成果表明，機(jī)械設(shè)備的智能診斷技術(shù) 具有十分廣闊的應(yīng)用前景。機(jī)械設(shè)備故障診斷技術(shù)根據(jù)診斷的目的及所選取的診斷方法的不同其實(shí)施 過程也有所不同，但其基木過程是相同的，主要包括：機(jī)械設(shè)備狀態(tài)信號特征的獲取、故障特征的提取、故障診斷、維修決策的形成,其實(shí)施過程如圖1所示:機(jī)械設(shè)備正常信號采集故障信號采集圖1機(jī)械設(shè)備故障診斷的實(shí)施過程輔助診斷，維修決策本課題中設(shè)備狀態(tài)的故障診斷并不是完整的機(jī)械設(shè)備故障診斷過程。由于機(jī) 械設(shè)備的信號采集、預(yù)處理、維修決策等涉及到的專業(yè)知識比較廣泛和復(fù)雜，因 此本課題主要集中于信號處理、模式識別以及故障診斷

12、這三個(gè)方而的處理。2. 2設(shè)備故障診斷技術(shù)的主要理論方法及發(fā)展前景診斷信息的多樣性，決定了診斷方法將涉及到數(shù)學(xué)、物理、力學(xué)和化學(xué)等方 面。這些涉及數(shù)學(xué)、物理、力學(xué)和化學(xué)的方法為機(jī)械設(shè)備、工藝過程和生產(chǎn)系統(tǒng) 的正確診斷提供了各方面的信息，并且為由局部推測整體和由現(xiàn)象判斷本質(zhì)建立 了可靠的依據(jù)。抽象到理論上來看，工程系統(tǒng)的診斷就是信息處理和系統(tǒng)辨識在 現(xiàn)代診斷技術(shù)中的應(yīng)用。隨著機(jī)械設(shè)備想著大型、緊密和自動(dòng)化方向的發(fā)展，機(jī)械設(shè)備的狀態(tài)監(jiān)測與 故障診斷的問題的重要性則日益突出，診斷方法也多種多樣。出現(xiàn)了頻譜分析診 斷法、狀態(tài)模型辨識診斷法、隨機(jī)模型參數(shù)估計(jì)診斷法、統(tǒng)計(jì)診斷法等。這些 方法都基于數(shù)學(xué)模型

13、的建立，在建模過程中，難免忽略一些次要問題，較難精確 反應(yīng)實(shí)際的設(shè)備狀態(tài)。此外，現(xiàn)代設(shè)備的診斷極具復(fù)雜性。第一，設(shè)備是多種技 術(shù)的薈萃，技術(shù)的復(fù)雜性給故障診斷帶來了復(fù)雜性和多樣性；第二，故障原因與 診斷見的關(guān)系并非一一對應(yīng)，某一故障可能對應(yīng)多個(gè)癥狀，而某一癥狀又可能對 應(yīng)多個(gè)故障；第三，故障與癥狀間的關(guān)系存在著兩類不確定型一一隨機(jī)性和模糊 性；第四，故障的發(fā)?？赡苁情g歇性的；第五，故障探測儀表木身也可能發(fā)牛故 障，監(jiān)測儀器設(shè)備的可靠性會影響著診斷的準(zhǔn)確性。這也給建立數(shù)學(xué)模型帶來 了一定的困難?；谏窠?jīng)網(wǎng)絡(luò)的故障診斷方法，是非模型化方法，可以忽略建模問題，而且, 可以以任意精度逼近任意函數(shù)，加之

14、其容錯(cuò)能力強(qiáng)，為現(xiàn)代機(jī)器的狀態(tài)監(jiān)測和故 障診斷提供了新的理論方法和技術(shù)手段，因此具有很大的潛力和廣泛的前景。當(dāng) 然，基于神經(jīng)網(wǎng)絡(luò)的故障診斷也存在一些不足，比如對于給定的輸入，用戶只能 得到一個(gè)結(jié)果，不清楚整個(gè)推理過程，因而也就對解釋發(fā)生了困難。機(jī)械設(shè)備故障診斷技術(shù)是建立在多種基木技術(shù)的基礎(chǔ)上，并融合多種學(xué)科理 論的新興綜合性學(xué)科。因此，該學(xué)科具有基礎(chǔ)理論較新、體系邊界模糊、實(shí)施技 術(shù)繁多、工程應(yīng)用廣泛、發(fā)展日趨迅速以及與高技術(shù)發(fā)展密切相關(guān)等特點(diǎn)。在國內(nèi)外對故障診斷技術(shù)理論基礎(chǔ)、技術(shù)方法及診斷裝置等大量研究開發(fā)的 基礎(chǔ)上，隨著電子計(jì)算機(jī)技術(shù)、現(xiàn)代測試技術(shù)、信號處理技術(shù)以及信號識別技術(shù) 等不斷向故

15、障診斷技術(shù)領(lǐng)域滲透，使故障診斷技術(shù)逐漸跨入了實(shí)用系統(tǒng)化的時(shí) 代。20世紀(jì)80年代開始，利用計(jì)算機(jī)對機(jī)械設(shè)備故障進(jìn)行有效的輔助監(jiān)測和輔 助診斷己成為重要的診斷手段，國內(nèi)外對計(jì)算機(jī)診斷系統(tǒng)都積極地進(jìn)行研制并應(yīng) 用于實(shí)際機(jī)組。盡管機(jī)械設(shè)備故障診斷已取得了長足的發(fā)展，但它是一門正在發(fā)展的新型學(xué) 科，還遠(yuǎn)沒有達(dá)到完善的水平，近幾十年來，機(jī)械設(shè)備故障診斷技術(shù)不斷吸取現(xiàn) 代科學(xué)技術(shù)發(fā)展的新成果，向不解體化、高精度化、智能化和網(wǎng)絡(luò)化不斷發(fā)展。其中，智能化是指開發(fā)診斷型專家系統(tǒng)，使數(shù)據(jù)處理、分析、故障識別自動(dòng) 完成，以減輕診斷的工作量，并提高診斷速度及正確性。在故障診斷的專家系統(tǒng) 的建立上，要深入故障行程機(jī)理的

16、研究，豐富系統(tǒng)的知識庫，解決專家系統(tǒng)的所 謂的“瓶頸問題”。同時(shí)將模糊神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于故障診斷的專家系統(tǒng)中，使 之具有一定的智能，具有自組織、自學(xué)習(xí)、聯(lián)想功能，從而使診斷系統(tǒng)自我完善、 自我發(fā)展。而木課題主要是集中于學(xué)習(xí)和掌握利用神經(jīng)網(wǎng)絡(luò)通過設(shè)備中采集的各 種信息數(shù)據(jù)進(jìn)行建模、學(xué)習(xí)和測試等判斷機(jī)械設(shè)備的工作狀態(tài)處于何種狀態(tài)。3. matlab及神經(jīng)網(wǎng)絡(luò)簡介3. 1 matlab 簡介matlab是矩形實(shí)驗(yàn)室(matrix laboratory)的簡稱，其產(chǎn)品族支持從概念 設(shè)計(jì)、算法開發(fā)、建模仿真到實(shí)時(shí)實(shí)現(xiàn)的理想的集成環(huán)境。matlab誕生于20 世紀(jì)70年代，是美國新墨西哥大學(xué)計(jì)算機(jī)科學(xué)系主

17、任cleve moler為了減輕學(xué) 生編程的負(fù)擔(dān)，利用fortan 發(fā)了兩個(gè)子程序庫eispack和unpack,即 最早的 matlab o 1984 年，由 cleve moler 和 john little 成立的 mathwhats 公 司正式把matlab推向市場。matlab擅長于數(shù)值計(jì)算，能處理大量的數(shù)據(jù)，而且效率比較高o math works 公司在此基礎(chǔ)上加強(qiáng)了 matlab的符號計(jì)算、文字處理、可視化建模和實(shí)時(shí)控制 能力，使matlab成為了市場主流的數(shù)值計(jì)算軟件。3. 1. 1 matlab的語言特點(diǎn)matlab語言不同于其他高級語言，被稱為第四代計(jì)算機(jī)語言。它使人們 擺

18、脫了對計(jì)算機(jī)硬件的依賴，使人們從繁瑣的程序代碼中解放生來。豐富的函數(shù) 庫使開發(fā)者省去了大量的重復(fù)編程。matlab語言最大的特點(diǎn)就是簡單和快捷。 另外它還具有編程效率高、使用方便、擴(kuò)充能力強(qiáng)、交互性好、移植性好、開放 性好、語句簡單、內(nèi)涵豐富、高效方便的矩陣和數(shù)組運(yùn)算以及方便的繪圖功能。 63. 1. 2 matlab 的功能matlab的核心是一個(gè)基于矩陣運(yùn)算的快速解釋程序，它交互式地接收用 戶輸入的各項(xiàng)命令，輸出計(jì)算結(jié)果。matlab提供了一個(gè)開放式的集成環(huán)境， 用戶可以運(yùn)行系統(tǒng)提供的大量命令，包括數(shù)字計(jì)算、圖形繪制和代碼編制等。具 體來說，matlab的功能主要是：數(shù)據(jù)可視化功能、矩陣運(yùn)

19、算功能、人量的工 具箱、繪圖功能、gui設(shè)計(jì)、simulink仿真通過運(yùn)用matlab這些強(qiáng)大的功能，工程師、科研人員、數(shù)學(xué)家和教育工 作者可以在統(tǒng)一的平臺下完成相應(yīng)的科學(xué)計(jì)算工作。3. 1. 3 matlab的應(yīng)用領(lǐng)域matlab產(chǎn)品族被廣泛地應(yīng)用于包括信號與圖像處理、控制系統(tǒng)設(shè)計(jì)、系 統(tǒng)仿真等諸多領(lǐng)域。開發(fā)式的結(jié)構(gòu)使matlab產(chǎn)品族很容易針對特定的需求進(jìn) 行擴(kuò)充。matlab產(chǎn)品族的應(yīng)用領(lǐng)域主要有：數(shù)據(jù)分析、數(shù)值和符號計(jì)算、工 程和科學(xué)繪圖、控制系統(tǒng)設(shè)計(jì)、數(shù)字圖像信號處理、財(cái)務(wù)工作、建模、仿真、原 型開發(fā)、圖形用戶界面設(shè)計(jì)等。matlab產(chǎn)品族的一大特性是有眾多的面向具體應(yīng)用的工具箱和仿

20、真模 塊，包含了完整的函數(shù)集，用來對信號與圖像處理、控制系統(tǒng)設(shè)計(jì)、神經(jīng)網(wǎng)絡(luò)等 特殊應(yīng)用進(jìn)行分析和設(shè)計(jì)。同時(shí)，其他的產(chǎn)品也延伸了 matlaba的能力，包 括數(shù)據(jù)采集、報(bào)告牛成和依靠matlab語言編程產(chǎn)生獨(dú)立的c/c+代碼等3. 2神經(jīng)網(wǎng)絡(luò)簡介神經(jīng)網(wǎng)絡(luò)的全稱是人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ann),它采用 物理上可實(shí)現(xiàn)的器件或采用計(jì)算機(jī)來模擬生物體中神經(jīng)網(wǎng)絡(luò)的某些結(jié)構(gòu)和功能， 并應(yīng)用于工程領(lǐng)域。神經(jīng)網(wǎng)絡(luò)的著眼點(diǎn)不在于利用物理器件完整的復(fù)制生物體 中的神經(jīng)細(xì)胞網(wǎng)絡(luò)，而是抽取其中可利用的部分來克服目前計(jì)算機(jī)或其他系統(tǒng)不 能解決的問題，如學(xué)習(xí)、控制、識別和專家系

21、統(tǒng)等。隨著生物和認(rèn)知科學(xué)的發(fā)展, 人們對大腦的認(rèn)識和了解越來越深入，神經(jīng)網(wǎng)絡(luò)必然會獲得更加廣闊的發(fā)展空間 和應(yīng)用范圍。3. 2. 1神經(jīng)網(wǎng)絡(luò)的特性雖然ann與真正的生物神經(jīng)網(wǎng)絡(luò)有差別，但由于它汲取了生物神經(jīng)網(wǎng)絡(luò)的 部分優(yōu)點(diǎn)，因此具有一些固有的特征。首先，ann在結(jié)構(gòu)上與fl前的計(jì)算機(jī)本質(zhì)不同，它是由很多小的處理單元 互相連接而成的，每個(gè)處理單元的功能簡單，但大量簡單的處理單元集體的、并 行的活動(dòng)得到預(yù)期的識別、計(jì)算的結(jié)果，具有較快的速度。其次，ann具有非常強(qiáng)的容錯(cuò)性，即局部的或部分的神經(jīng)元損壞后，不會 對全部的活動(dòng)造成很大的影響。再次，ann記憶的信息是存儲在神經(jīng)元z間的連接權(quán)值上，從單個(gè)權(quán)

22、值屮 看不出存儲信息的內(nèi)容，因而是分布式的存儲方式。最后，ann的學(xué)習(xí)功能十分強(qiáng)大，它的連接權(quán)值和連接的結(jié)構(gòu)都可以通過 學(xué)習(xí)得到。3. 2. 2神經(jīng)網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)是由大量的處理單元(神經(jīng)元)互相連接而成的網(wǎng)絡(luò)。為了模擬大 腦的基本特性，在神經(jīng)科學(xué)研究的基礎(chǔ)上，提出了神經(jīng)網(wǎng)絡(luò)的模型。但是，實(shí)際 上神經(jīng)網(wǎng)絡(luò)并沒有完全反映大腦的功能，只是對生物神經(jīng)網(wǎng)絡(luò)進(jìn)行某種抽象、簡 化和模擬。神經(jīng)網(wǎng)絡(luò)的信息處理通過神經(jīng)元的相互作用來實(shí)現(xiàn)，知識與信息的存 儲表現(xiàn)為網(wǎng)絡(luò)元件互連分布式的物理聯(lián)系。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和識別取決于各神經(jīng) 元連接權(quán)系數(shù)的動(dòng)態(tài)演化過程。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基木處理單元，一般表現(xiàn)為一個(gè)多輸入、單輸出

23、的非線 性器件，通用的結(jié)構(gòu)模型如圖2所示其屮，冷為神經(jīng)元'的內(nèi)部狀態(tài)，0為閾值，®為輸入信號，©表示與神經(jīng) 元廠連接的權(quán)值，©表示某一外部輸入的控制信號。神經(jīng)元模型常用一階微分方程來描述，它可以模擬生物神經(jīng)網(wǎng)絡(luò)突觸膜電位 隨時(shí)間變化的規(guī)律。神經(jīng)元的輸出由函數(shù)/表示，一般利用一下函數(shù)表達(dá)式來表現(xiàn)網(wǎng)絡(luò)的非線性 特征。a閾值型，為階躍函數(shù) b分段線性型uj > u2uj < 0 < m2c s型函數(shù)f (ui)=1 + exp(- u. / c其屮，c為常數(shù)。s型函數(shù)反映了神經(jīng)元的飽和特性，由于其函數(shù)連續(xù)可導(dǎo)，調(diào)節(jié)曲線的參數(shù) 可以得到類似閾值函

24、數(shù)的功能，因此，該函數(shù)被廣泛應(yīng)用于許多神經(jīng)元的輸出特 性屮。3. 2.3神經(jīng)網(wǎng)絡(luò)的互連模式根據(jù)連接方式的不同，神經(jīng)網(wǎng)絡(luò)的神經(jīng)元之間的連接有如下幾種形式。(1) 前向網(wǎng)絡(luò)前向網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，神經(jīng)元分層排列，分別組成輸入層、中間層(也 稱為隱含層，可以由若干層組成)和輸出層。每一層的神經(jīng)元只接受來自前一層 神經(jīng)元的輸入，后面的層對前面層沒有信號反饋。輸入模式經(jīng)過各層次的順序傳 播，最后在輸出層上得到輸出。感知器網(wǎng)絡(luò)和bp網(wǎng)絡(luò)均屈于前向網(wǎng)絡(luò)。(2) 有反饋的前向網(wǎng)絡(luò)其結(jié)構(gòu)如圖4所示，從輸出層對輸入層有信息反饋，這種網(wǎng)絡(luò)可用于存儲某 種模式序列，如神經(jīng)認(rèn)知機(jī)和冋歸bp網(wǎng)絡(luò)都屬于這種類型。圖4有反饋

25、的前向網(wǎng)絡(luò)結(jié)構(gòu)(3) 層內(nèi)有相互結(jié)合的前向網(wǎng)絡(luò)其機(jī)構(gòu)如圖5所示，通過層內(nèi)神經(jīng)元的相互結(jié)合，可以實(shí)現(xiàn)同一層內(nèi)神經(jīng)元 之間的橫向抑制或興奮機(jī)制。這樣可以限制每層內(nèi)可以同時(shí)動(dòng)作的神經(jīng)元素，或 者把每層內(nèi)的神經(jīng)元分為若干組，讓每一組作為一個(gè)整體進(jìn)行運(yùn)作。例如，可利 用橫向抑制機(jī)理把每層內(nèi)具有最大輸出的神經(jīng)元挑選出來，從而抑制其他神經(jīng) 元，使之處于無輸出的狀態(tài)。（4）相互結(jié)合型網(wǎng)絡(luò)（全互連或部分互連）相互結(jié)合型網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示，這種網(wǎng)絡(luò)任意兩個(gè)神經(jīng)元之間都可能有連 接。hopfield網(wǎng)絡(luò)和boltzmann機(jī)均展丁這種類型。在無反饋的前向網(wǎng)絡(luò)中，信 號一旦通過某神經(jīng)元，該神經(jīng)元的處理就結(jié)束了。而在相

26、互結(jié)合網(wǎng)絡(luò)中，信號耍 在神經(jīng)元之間的反復(fù)傳遞，網(wǎng)絡(luò)處于一種不斷改變狀態(tài)的動(dòng)態(tài)之中。信號從某初 始狀態(tài)開始，經(jīng)過若干次變化，才會達(dá)到某種平衡狀態(tài)。根據(jù)網(wǎng)絡(luò)的結(jié)構(gòu)和神經(jīng) 元的特性，網(wǎng)絡(luò)的運(yùn)行述有可能進(jìn)入周期振蕩或其他如混沌等平衡狀態(tài)。圖6相互結(jié)合型網(wǎng)絡(luò)結(jié)構(gòu)3. 2.4神經(jīng)網(wǎng)絡(luò)工具箱的應(yīng)用過程神經(jīng)網(wǎng)絡(luò)工具箱中提供的神經(jīng)網(wǎng)絡(luò)模型主要應(yīng)用于函數(shù)逼近和模型擬合、信 息處理和預(yù)測、神經(jīng)網(wǎng)絡(luò)控制和故障診斷這兒個(gè)部分。在實(shí)際應(yīng)用中，面對一個(gè)具體的問題時(shí)，首先需要分析利用神經(jīng)網(wǎng)絡(luò)求解問 題的性質(zhì)，然后依據(jù)問題特點(diǎn)，確定網(wǎng)絡(luò)模型。最后通過對網(wǎng)絡(luò)進(jìn)行訓(xùn)練、仿真 等，檢驗(yàn)網(wǎng)絡(luò)的性能是否滿足要求。（1）確定信息表達(dá)方式將

27、領(lǐng)域問題及其相應(yīng)的領(lǐng)域知識轉(zhuǎn)化為網(wǎng)絡(luò)可以接受并處理的形式，即將領(lǐng) 域問題抽象為適合于網(wǎng)絡(luò)求解所能接受的某種數(shù)據(jù)形式。盡管在實(shí)際應(yīng)用中，問 題的形式會是多種多樣的，但不外乎以下幾種：數(shù)據(jù)樣本已知；數(shù)據(jù)樣本之間相互關(guān)系不明確；輸入/輸出模式為連續(xù)的或者離散的；輸入數(shù)據(jù)按照模式進(jìn)行分類，模式可能具有平移、旋轉(zhuǎn)或伸縮等變化形 式;數(shù)據(jù)樣木的預(yù)處理；將數(shù)據(jù)樣木分為訓(xùn)練樣木和測試樣木。(2) 網(wǎng)絡(luò)模型的確定主要是如何根據(jù)問題的實(shí)際情況，選擇模型的類型、結(jié)構(gòu)等。另外，還可在 典型網(wǎng)絡(luò)模型的基礎(chǔ)上，結(jié)合問題的具體情況，對原網(wǎng)絡(luò)進(jìn)行變形、擴(kuò)充等，同 時(shí)還可以采用多種網(wǎng)絡(luò)模型的組合形式。(3) 網(wǎng)絡(luò)參數(shù)的選擇確定

28、網(wǎng)絡(luò)的輸入輸出神經(jīng)元的數(shù)目，如果是多層網(wǎng)絡(luò)，還需要進(jìn)一步確定隱 含層神經(jīng)元的個(gè)數(shù)。對于反饋神經(jīng)網(wǎng)絡(luò)，如hopfield網(wǎng)絡(luò)和elman網(wǎng)絡(luò)，還需 要進(jìn)一步地設(shè)置反饋神經(jīng)元的有關(guān)屬性。(4) 訓(xùn)練模式的確定包括選擇合理的訓(xùn)練算法，確定合適的訓(xùn)練步數(shù)，指定適當(dāng)?shù)挠?xùn)練目標(biāo)誤差, 以獲得較好的網(wǎng)絡(luò)性能。(5) 網(wǎng)絡(luò)測試選擇合理的測試樣木，對網(wǎng)絡(luò)進(jìn)行測試，或者將網(wǎng)絡(luò)應(yīng)用于實(shí)際問題，檢驗(yàn) 網(wǎng)絡(luò)性能。值得指出的是，網(wǎng)絡(luò)測試過程需要遵循“交叉測試”的原則，保證測 試的有效性、準(zhǔn)確性和全面性?？傊窠?jīng)網(wǎng)絡(luò)工具箱是一個(gè)內(nèi)容全面、操作方便的軟件包，對于廣大神經(jīng) 網(wǎng)絡(luò)系統(tǒng)的研發(fā)者來說，掌握神經(jīng)網(wǎng)絡(luò)工具箱的應(yīng)用將使得

29、自己在工作中如虎添 翼。3. 2. 5基于神經(jīng)網(wǎng)絡(luò)的故障診斷在實(shí)際需求的牽引下，故障診斷技術(shù)的應(yīng)用領(lǐng)域越來越廣泛，已經(jīng)從傳統(tǒng)的 機(jī)械系統(tǒng)和電子系統(tǒng)，滲透到機(jī)電一體化系統(tǒng)、工業(yè)自動(dòng)化系統(tǒng)、計(jì)算機(jī)系統(tǒng), 以及更重廣泛意義上的動(dòng)態(tài)系統(tǒng)，包括目標(biāo)識別系統(tǒng)、組合導(dǎo)航系統(tǒng)等。隨著物 理學(xué)、數(shù)學(xué)等基礎(chǔ)學(xué)科的不斷進(jìn)步，以及控制理論、信息科學(xué)等應(yīng)用科學(xué)的不斷 發(fā)展，為故障診斷提供了多種技術(shù)手段，稱為故障診斷技術(shù)發(fā)展的推動(dòng)力量。神經(jīng)網(wǎng)絡(luò)技術(shù)的岀現(xiàn)，為故障診斷問題提供了一個(gè)種新的解決途徑，特別是 對于在實(shí)際中難以建立數(shù)學(xué)模型的復(fù)雜系統(tǒng)，神經(jīng)網(wǎng)絡(luò)更顯示出其獨(dú)特的作用。神經(jīng)網(wǎng)絡(luò)作為一種自適應(yīng)的模式識別技術(shù)，在故障模式識

30、別中，并不需要預(yù) 先給岀有關(guān)模式的經(jīng)驗(yàn)知識和判別函數(shù)，它通過自身的學(xué)習(xí)機(jī)制自動(dòng)形成所要求 的決策區(qū)域。網(wǎng)絡(luò)的特性由拓?fù)浣Y(jié)構(gòu)、神經(jīng)元特性、學(xué)習(xí)和訓(xùn)練規(guī)則所決定。它 可以充分利用狀態(tài)信息，對來自于不同狀態(tài)的信息逐一進(jìn)行訓(xùn)練而獲得某種映射 關(guān)系。而網(wǎng)絡(luò)可以連續(xù)學(xué)習(xí)，如果環(huán)境發(fā)生改變，這種映射關(guān)系還可以自適應(yīng)地 進(jìn)行調(diào)整。因此，神經(jīng)網(wǎng)絡(luò)由于自身的特性，在故障模式識別領(lǐng)域中有著越來越 廣泛的易用。典型的基于神經(jīng)網(wǎng)絡(luò)模式識別功能的診斷系統(tǒng)結(jié)構(gòu)如圖7所示。診斷原圖7基于神經(jīng)網(wǎng)絡(luò)模式識別功能的診斷系統(tǒng)結(jié)構(gòu)圖中，基于神經(jīng)網(wǎng)絡(luò)的診斷過程分為兩步。首先，基于一定數(shù)量的訓(xùn)練樣本 集（通常稱為“征兆一故障”數(shù)據(jù)集）對神

31、經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到期望的診斷網(wǎng) 絡(luò)；其次，根據(jù)當(dāng)前診斷輸入對系統(tǒng)進(jìn)行診斷，診斷的過程即為利用神經(jīng)網(wǎng)絡(luò)進(jìn) 行向前計(jì)算的過程。前向bp網(wǎng)絡(luò)和rbf網(wǎng)絡(luò)的學(xué)習(xí)算法屬于有教師型。這種算法模型具有良 好的推廣能力，用于故障模式識別的效果比較好。訓(xùn)練好的bp網(wǎng)絡(luò)和rbf網(wǎng) 絡(luò)計(jì)算速度快、內(nèi)存消耗低，可用于實(shí)吋監(jiān)測和診斷。因此，在本課題中，設(shè)備 狀態(tài)分類器的設(shè)計(jì)和船用柴油機(jī)故障診斷，我分別應(yīng)用了 bp網(wǎng)絡(luò)和rbf網(wǎng)絡(luò) 來進(jìn)行設(shè)計(jì)。4. 基于bp網(wǎng)絡(luò)的設(shè)備狀態(tài)分類器設(shè)計(jì)本例中選用的是某設(shè)備中的減速箱，其目的是設(shè)計(jì)一個(gè)狀態(tài)分類器，用于檢 測減速箱的當(dāng)前狀態(tài)。判斷減速箱的當(dāng)前狀態(tài)是屬于正常狀態(tài)、異常狀態(tài)還是故

32、障狀態(tài)。4. 1 bp網(wǎng)絡(luò) 4. 1. 1 bp網(wǎng)絡(luò)結(jié)構(gòu)bp網(wǎng)絡(luò)的全稱為back-propagation network,即反向傳播網(wǎng)絡(luò)。它包含了 神經(jīng)網(wǎng)絡(luò)理論中最為精華的部分，由于其結(jié)構(gòu)簡單、可塑性強(qiáng)，故在函數(shù)逼近、 模式識別、信息分類及數(shù)據(jù)壓縮等領(lǐng)域得到了廣泛的應(yīng)用。其結(jié)構(gòu)如圖8所示。圖8 bp網(wǎng)絡(luò)結(jié)構(gòu)由圖可見，bp網(wǎng)絡(luò)是一種具有三層或三層以上的神經(jīng)網(wǎng)絡(luò)，包括輸入層、 中間層（隱含層）和輸出層。上下層之間實(shí)現(xiàn)全連接，而每層神經(jīng)元之間無連接。 當(dāng)一對學(xué)習(xí)樣本提供給網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層經(jīng)各中間層向輸出層傳 播，在輸出層的各神經(jīng)元獲得活絡(luò)的輸入響應(yīng)。接下來，按照減少目標(biāo)輸出與實(shí) 際誤差

33、的方向，從輸岀層經(jīng)過個(gè)中間層逐層修正各連接權(quán)值，最后回到輸入層， 這種算法稱為“誤差逆?zhèn)鞑ニ惴ā?，即bp算法。隨著這種誤差逆的傳播修正不 斷進(jìn)行，網(wǎng)絡(luò)對輸入模式響應(yīng)的正確率也不斷上升。4. 1.2 bp網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則與訓(xùn)練過程為了應(yīng)用神經(jīng)網(wǎng)絡(luò)，在選定所要設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)之后（其中包括的內(nèi) 容有網(wǎng)絡(luò)的層數(shù)、每層所含神經(jīng)元個(gè)數(shù)和神經(jīng)元的激活函數(shù)），首先應(yīng)考慮神經(jīng) 網(wǎng)絡(luò)的訓(xùn)練過程。下面用兩層神經(jīng)網(wǎng)絡(luò)為例來敘述bp網(wǎng)絡(luò)的訓(xùn)練步驟。步驟1：用小的隨機(jī)數(shù)對每一層的權(quán)值。和偏差方初始化，以保證網(wǎng)絡(luò)不被 大的加權(quán)輸入飽和，同時(shí)還要進(jìn)行以下參數(shù)的設(shè)定和初始化：設(shè)定期望誤差最小值：_ goal設(shè)定最大循環(huán)次數(shù)

34、：mnx_epoch設(shè)置修正權(quán)值的學(xué)習(xí)速率：一般選取= 0.01-0.07 從1開始的循環(huán)訓(xùn)練：for _epoch二1: max_epoch步驟厶計(jì)算網(wǎng)絡(luò)各層輸出矢量al和a2,以及網(wǎng)絡(luò)誤差al = tan sig p,b)；a2 = purelin(a)2 * al,b2)；e=t-a；步驟3：計(jì)算各層反向傳播的誤差變化d2和di,并計(jì)算各層權(quán)值的修正值 及新的權(quán)值：d2 = d£l3in(a2,e)；di = deltalan(a, 02,col)；dcol, dbl = learnbp( p, £)1, ir)；d(t)2, dbl = leambp(a, d2,

35、ir)；創(chuàng)=g1 + do ； bl = bl + db ；692 = co2 + dco2 ； b2 = b2 + db2 ；步驟4：再次計(jì)算權(quán)值修正后的誤差平方和：sse = sumsqr(t 一 purelina)2 * tan sig (col * p,bv),b2);步驟5：檢查sse是否小于eer_goah若是，則訓(xùn)練結(jié)束；否則繼續(xù)。以上就是bp網(wǎng)絡(luò)利用matlab神經(jīng)網(wǎng)絡(luò)工具箱學(xué)習(xí)和訓(xùn)練的過程。4. 2 bp網(wǎng)絡(luò)建立4. 2. 1減速箱狀態(tài)數(shù)據(jù)首先，需要獲得網(wǎng)絡(luò)的輸入和目標(biāo)樣本。對減速箱運(yùn)行狀態(tài)進(jìn)行監(jiān)測，如表 1是15組某減速箱的狀態(tài)數(shù)據(jù)，有正常狀態(tài)數(shù)據(jù)、異常狀態(tài)數(shù)據(jù)和故障狀態(tài)數(shù)

36、 據(jù)，分別對應(yīng)類別1、2、3,如表1所示。表1減速箱狀態(tài)數(shù)據(jù)他樣本序號樣本輸入特征數(shù)據(jù)類別1-1.7817 -0.2786 -0.2954 -0.2394 -0.1842 -0.1572 -0.1584 -0.199812-1.871() -0.2957 -0.3494 -0.2904 -0.1460 -0.1387 -0.1492 -0.222813-1.8347 -0.2817 -0.3566 -0.3476 -0.1820 -0.1435 -0.1778 -0.184914-1.8807 -0.2467 -0.2316 -0.2419 -0.1938 -0.2103 -0.2010 -0

37、.253315-1.4151 -0.2282-0.2124-0.2147 -0.1271 -0.0680 -0.0872 -0.168426-1.2879 -0.2252 -0.2012 -0.1298 -0.0245 -0.0390 -0.0762 -0.167227-1.5239 -0.1979 -0.1094 -0.1402 -0.0994 -0.1394 -0.1673 -0.281028-1.6781 -0.2047 -0.1180 -0.1532 -0.1732 -0.1716 -0.1851 -0.20062樣木序號樣木輸入特征數(shù)據(jù)類別90.1605 -0.0920 -0.016

38、0 0.1246 0.1802 0.2087 0.2234 0.10033100.2045 0.1078 0.2246 0.2031 0.2428 0.2050 0.0704 0.0403311-1.0242 -0.1461 -0.1018 -0.0778 -0.0363 -0.0476 -0.0160 -0.0253312-0.7915 -0.1018-0.0737 -0.0945 -0.0955 0.0044 0.0467 0.0719313-1.4736 -0.2845 -3.0724 -0.2108 -0.1904 -0.1467 -0.1696 -0.2001114-1.6002 -

39、0.2001 -0.1021 -0.1394 -0.1001 -0.1572 -0.1584 -0.2790215-1.0314 -0.1521 -0.1101 -0.0801 -0.0347 -0.0482 -0.0158 -0.03013其中，將以上數(shù)據(jù)中的1-12組作為狀態(tài)分類器的學(xué)習(xí)和訓(xùn)練的樣本數(shù)據(jù), 而13-15組作為測試數(shù)據(jù)。4. 2.2 bp網(wǎng)絡(luò)設(shè)計(jì)（1）輸入層、輸出層神經(jīng)元個(gè)數(shù)確定建立一個(gè)3層bp網(wǎng)絡(luò)作為狀態(tài)分類器。從樣本數(shù)據(jù)可知，輸入層有8個(gè)神 經(jīng)元。為了簡化網(wǎng)絡(luò)結(jié)構(gòu)，用（0, 1）表示正常狀態(tài)，（1,0）表示異常狀態(tài)，（1, 1） 表示故障狀態(tài)。這樣一來，就可以在網(wǎng)絡(luò)中只設(shè)

40、計(jì)兩個(gè)輸入神經(jīng)元表示這3中狀 態(tài)類別，因此輸岀層有2個(gè)神經(jīng)元。（2）隱含層神經(jīng)元個(gè)數(shù)確定由于隱含層的神經(jīng)元數(shù)目選擇是一個(gè)十分復(fù)雜的問題，往往需要根據(jù)多次實(shí) 驗(yàn)來確定。隱單元的數(shù)目與問題的要求、輸入/輸出單元的數(shù)目都有著直接關(guān)系。 隱單元數(shù)目太多會導(dǎo)致學(xué)習(xí)時(shí)間過長、誤差不一定最佳，也會導(dǎo)致容錯(cuò)性差、不 能識別以前沒有看到的樣本，因此一定存在一個(gè)最佳的隱單元數(shù)。1）先由經(jīng)驗(yàn)公式確定m = j n +1 + a 或加二加為隱含層神經(jīng)元數(shù)，斤為輸入層神經(jīng)元數(shù)，/為輸出層神經(jīng)元數(shù)，。為調(diào) 節(jié)參數(shù)，在110之間。由公式可得m = v8 + 2 + 6z3.16 + cr或加=j8x2 = 4 ,則解決該問

41、題的網(wǎng)絡(luò) 的隱含層神經(jīng)元數(shù)在414之間。2）改變加，用同-樣本集訓(xùn)練，從中確定網(wǎng)絡(luò)誤差最小吋對應(yīng)的隱含層神 經(jīng)元數(shù)。下面是一個(gè)隱含層神經(jīng)元數(shù)目可變的bp網(wǎng)絡(luò)，通過誤差對比，確定最佳的 隱含層神經(jīng)元個(gè)數(shù)。網(wǎng)絡(luò)的設(shè)計(jì)及訓(xùn)練代碼如下：p=-1.7817 -0.2786 -0.2954 -0.2394 -0.1842 -0.1572 -0.1584 -0.1998;-1.8710 -0.2957 -0.3494 -0.2904 -0.1460 -0.1387 -0.1492 -0.2228; 1.8347 -0.2817 -0.3566 -0.3476 -0.1820 -0.1435 -0.1778

42、-0.1849; 1.8807 -0.2467 -0.2316 -0.2419-0.1938 -0.2103 -0.2010 -0.2533;-1.4151 -0.2282 -0.2124 -0.2147 -0.1271 -0.0680 -0.0872 01684; 1.2879 -0.2252 -0.2012 -0.1298 -0.0245 -0.0390 -0.0762 -0.1672;-1.5239 -0.1979 -0.1094 -0.1402 -0.0994 -0.1394 -0.1673 -0.2810;-1.6781 -0.2047 -0.1180 -0.1532 -0.1732

43、 -0.1716-0.1851 -0.2006;0.1605 -0.0920 -0.0160 0.1246 0.1802 0.2087 0.2234 0.1003;0.2045 0078 0.2246 0.2031 0.2428 0.2050 0.0704 0.0403;-1.0242 -0.1461 -0.1018 -0.0778 -0.0363 -0.0476 -0.0160 -0.0253;-0.7915 -0.1018 -0.0737 -0.0945 -0.0955 0.0044 0.0467 0.0719;t=0 1;0 1;0 1;0 1;1 0;1 0;1 0;1 0;1 1;1

44、 1;1 1;1 1;p=p*;t=t;s=4 5 6 7 8 9 10 11 12 13 14j;res=l:l 1;for i=l:llnet=newff(minmax(p)4s(i),2j,tansig,logsig,/trainlm,);net.trainparam.epochs= 1000;n et.trainparam.goal=0.001;n et=train(net,p,t);y=sim(net5p);error=y-t;res(i)=norm(error)end上述代碼運(yùn)行結(jié)果如下所示：res =columns 1 through 80.12110.09642.00000.0

45、6550.057704620.09520138column 9 through 110.10420.12810138由運(yùn)行結(jié)果可知網(wǎng)絡(luò)訓(xùn)練差如表2所示。表2網(wǎng)絡(luò)訓(xùn)練誤差神經(jīng)元個(gè)數(shù)4567891011121314網(wǎng)絡(luò)決差0.12110.09642.00000.06550.05770.14620.0952013800420.12810.1138訓(xùn)練次數(shù)25936161241133716159表2表明，經(jīng)過訓(xùn)練之后，隱含層神經(jīng)元為8的bp網(wǎng)絡(luò)對函數(shù)的逼近效果 最好，因?yàn)樗恼`差最小，而且網(wǎng)絡(luò)經(jīng)過12次訓(xùn)練就達(dá)到了目標(biāo)誤差。雖然隱 含層為7的網(wǎng)絡(luò)誤差也比較小，但是它所需要的訓(xùn)練時(shí)間比較長，而隱含層為5

46、 和14時(shí)的訓(xùn)練時(shí)間比較小，但是誤差相對比較大，因此這里將網(wǎng)絡(luò)隱含層的神 經(jīng)元數(shù)目設(shè)定為8。(3) 其他參數(shù)的確定按照一般的設(shè)計(jì)方案，中間層神經(jīng)元的傳遞函數(shù)為s型正切函數(shù)，輸出層神 經(jīng)元的傳遞函數(shù)為s型對數(shù)函數(shù)，之所以選擇s型對數(shù)函數(shù)，是因?yàn)樵摵瘮?shù)為 0-1函數(shù)，正好滿足設(shè)備狀態(tài)分類器的輸出要求。為了創(chuàng)建一個(gè)符合以上要求的bp網(wǎng)絡(luò)，使網(wǎng)絡(luò)的訓(xùn)練函數(shù)為trainlm,該函 數(shù)的運(yùn)行速度比較快，對于中大型的網(wǎng)絡(luò)比較合適。學(xué)習(xí)函數(shù)取默認(rèn)值learngdm, 性能函數(shù)取默認(rèn)值msec其中函數(shù)minmax設(shè)定了輸入向量元素的閾值范圍。(4) 網(wǎng)絡(luò)最終設(shè)計(jì)根據(jù)確定的網(wǎng)絡(luò)結(jié)構(gòu)和神經(jīng)元數(shù)，建立網(wǎng)絡(luò)程序如下：p

47、=-1.7817 -0.2786 -0.2954 -0.2394 -0.1842 -0.1572 -0.1584 -0.1998;-1.8710 -0.2957 -0.3494 -0.2904 -0.1460 -0.1387 -0.1492 -0.2228;-1.8347 -0.2817 -0.3566 -0.3476 -0.1820 -0.1435 -0.1778 01849;-1.8807 -0.2467 -0.2316 -0.2419 -0.1938 -0.2103 -0.2010 -0.2533;-1.4151 -0.2282 -0.2124 -0.2147 -0.1271 -0.06

48、80 -0.0872 01684;-1.2879 -0.2252 -0.2012 -0.1298 -0.0245 -0.0390 -0.0762 -0.1672; 1.5239 -0.1979 0 1094 -0.1402 -0.0994 -0.1394 0.1673 -0.2810;-1.6781 -0.2047 -0.1180 -0.1532 -0.1732 -0.1716-0.1851 -0.2006;0.1605 -0.0920 -0.0160 0.1246 0.1802 0.2087 0.2234 0.1003;0.2045 0078 0.2246 0.2031 0.2428 0.2

49、050 0.0704 0.0403;-1.0242 -0.1461 -0.1018 -0.0778 -0.0363 -0.0476 -0.0160 -0.0253;-0.7915 -0.1018 -0.0737 -0.0945 -0.0955 0.0044 0.0467 0.0719;t=0 1;0 1;0 1;0 1;1 0;1 0;1 0;1 0;1 1;1 1;1 1;1 1j;p=p*;t=t;net=newff(minmax(p)j8,2,ttansig71ogsigl)/trainlm,)4.3網(wǎng)絡(luò)訓(xùn)練與測試4. 3.1網(wǎng)絡(luò)訓(xùn)練網(wǎng)絡(luò)創(chuàng)建后，并不能直接投入使用，必須經(jīng)過訓(xùn)練并且達(dá)到要

50、求后，才可以 作為設(shè)備狀態(tài)分類器使用。網(wǎng)絡(luò)訓(xùn)練代碼如下：net.trainparam.epochs= 1000;%為了避免循環(huán)次數(shù)不足，將其設(shè)定為1000 net.trainparam.goal=0.0001;%訓(xùn)練誤差為0. 0001,其余訓(xùn)練參數(shù)區(qū)默認(rèn)值 net=train(net,p,t);訓(xùn)練結(jié)果為：trainlm, epoch 0/1000, mse 0.337852/0.0001, gradient 3.50947/1 e-010trainlm, epoch 14/1000, mse 5.92749e-005/0.0001, gradient 0.00310409/1 e-010

51、trainlm, performance goal met.可見，經(jīng)過14次訓(xùn)練后，網(wǎng)絡(luò)誤差達(dá)到設(shè)定的最小值，結(jié)果如圖9所示。performance is 5.92749e-005, goal is 0.000114 epochs 圖9網(wǎng)絡(luò)訓(xùn)練結(jié)果stop trainingmoem丄 eoo n-aouc一4. 3.2網(wǎng)絡(luò)仿真網(wǎng)絡(luò)經(jīng)過訓(xùn)練以后，還要檢驗(yàn)網(wǎng)絡(luò)的輸出是否滿足要求。因此訓(xùn)練之后的網(wǎng) 絡(luò)還要進(jìn)行仿真，仿真代碼如下：sim(net,p)運(yùn)行結(jié)果為：columns 1 through 60.01050.00320.00320.00780.99710.99900.99030.99490.99

52、440.99020.00730.0092columns 7 through 120.99700.99650.99510.99920.99410.99220.00330.01250.99820.99590.97880.9924對照表1可知，前四組數(shù)據(jù)屬于正常狀態(tài)用(0,1)表示，中間四組屬于異 常狀態(tài)用(1,0)表示，后面四組屬于故障狀態(tài)用(1,1)表示。從運(yùn)行結(jié)果可以 看出，輸出數(shù)據(jù)基木與實(shí)際數(shù)據(jù)相符。因此該網(wǎng)絡(luò)組成的狀態(tài)分類器可以有效準(zhǔn) 確地識別該減速箱已經(jīng)出現(xiàn)的運(yùn)行狀態(tài)，為故障檢測提供了有效的工具。4. 3.3網(wǎng)絡(luò)測試網(wǎng)絡(luò)測試的目的是為了確定網(wǎng)絡(luò)是否滿足實(shí)際應(yīng)用的要求。如果測試所用的 數(shù)據(jù)

53、與樣本數(shù)據(jù)一樣，那么測試得到的結(jié)果永遠(yuǎn)都是滿意的。為了避免這種情況, 因此將表1減速箱狀態(tài)數(shù)據(jù)中的13-15組作為測試組。利用上面設(shè)計(jì)的網(wǎng)絡(luò)判別這三組數(shù)據(jù)分別屬于那一種狀態(tài)，代碼如下：p_test=-1.4736 -0.2845 -3.0724 -0.2108 -0.1904 -0.1467 -0.1696 -0.2001;-1.6002 -0.2011 -0.1021 -0.1394 -0.1001 -0.1572 -0.1584 -0.2790;-1.0314-0.1521 -0.1101 -0.0801 -0.0347 -0.0482 -0.0158-0.0301 j*;y=sim(ne

54、t,p_test)運(yùn)行結(jié)果為：y =0.00000.99500.99431.00000.00880.97614. 4測試結(jié)果分析與評價(jià)由運(yùn)行結(jié)果可以看岀，第13組數(shù)據(jù)輸出結(jié)果為(0,1)即表示減速箱工作在 正常狀態(tài)，對照表1可知，結(jié)果是正確的。第14組的輸出數(shù)據(jù)為(0.9950,0.0088), 由于網(wǎng)絡(luò)有微小誤差，結(jié)果不是精確的(1,0),但是輸出數(shù)字接近(1,0)即為異 常狀態(tài)，這跟表1中的結(jié)果也是相同的。同樣的第15組數(shù)據(jù)雖然輸出的數(shù)據(jù)不 是精確的(1,1)而是(0.9943,0.9761),但是兩者都非常接近1。因此可以其輸 出結(jié)果視為(1,1)即，表示減速箱處于故障狀態(tài)，這跟表1中的

55、結(jié)果也是相符 合的。因此，說明設(shè)計(jì)的設(shè)備狀態(tài)分類器是合理的，可以將該網(wǎng)絡(luò)投入實(shí)際工程 應(yīng)用了。當(dāng)然，由于本例中采用的樣本量比較少，故障診斷的數(shù)據(jù)范圍就不會很大， 對于那些和訓(xùn)練數(shù)據(jù)相差很人的數(shù)據(jù)，網(wǎng)絡(luò)可能無法做出正確的診斷。而在實(shí)際 應(yīng)用中，如果想提高網(wǎng)絡(luò)的故障識別準(zhǔn)確率，就要采用人容量的訓(xùn)練樣本對網(wǎng)絡(luò) 進(jìn)行訓(xùn)練。5基于rbf網(wǎng)絡(luò)的船用柴油機(jī)故障診斷本例主要研究如何利用matlab神經(jīng)網(wǎng)絡(luò)工具箱，基于rbf網(wǎng)絡(luò)進(jìn)行柴油 機(jī)的故障診斷。首先建立神經(jīng)網(wǎng)絡(luò)模型，然后收集某型號柴油機(jī)的征兆/樣本集, 采用一個(gè)單隱層的rbf網(wǎng)絡(luò)對樣本進(jìn)行訓(xùn)練。最后，通過測試網(wǎng)絡(luò)，驗(yàn)證該網(wǎng) 絡(luò)對于故障模式的識別準(zhǔn)確率，并

56、對故障嚴(yán)重程度進(jìn)行定量預(yù)測。5.1問題描述船用柴油機(jī)是一個(gè)非常復(fù)雜的機(jī)電系統(tǒng)，釆用整機(jī)診斷模型非常復(fù)雜，如果 釆用一個(gè)神經(jīng)網(wǎng)絡(luò)模型將使得網(wǎng)絡(luò)結(jié)構(gòu)非常龐大，學(xué)習(xí)訓(xùn)練過程比較繁瑣。根據(jù) 故障的層次性特點(diǎn)，可將柴油機(jī)整機(jī)分為廢氣渦輪增壓系統(tǒng)、氣缸活塞組件、燃 燒系統(tǒng)、潤滑系統(tǒng)和燃油系統(tǒng)等子系統(tǒng)。任一子系統(tǒng)的故障都可能使柴油機(jī)的性 能退化甚至喪失。因此，柴油機(jī)的故障診斷可以分為兩個(gè)層次進(jìn)行，首先由整機(jī) 性能參數(shù)的退化狀態(tài)判斷故障的可能位置，即故障可能處于哪一個(gè)子系統(tǒng)，這稱 為第一層次診斷；然后對該子系統(tǒng)進(jìn)一步診斷故障原因、位置和嚴(yán)重程度，這稱 為第二層次診斷。由于第一層次的診斷過程比較簡單和直接，因此不必采用神經(jīng) 網(wǎng)絡(luò)模型，只有在進(jìn)行第二層次診斷時(shí)才采用rbf神經(jīng)網(wǎng)絡(luò)。經(jīng)過對柴油機(jī)的故障資料進(jìn)行分析可知，渦輪增壓系統(tǒng)、氣缸活塞組件與燃 燒系統(tǒng)運(yùn)行屮發(fā)生故障的概率最高，在本課題屮僅研究渦輪增壓系統(tǒng)的故障診斷 問題。5.2徑向基函數(shù)網(wǎng)絡(luò)徑向基函數(shù)rbf神經(jīng)網(wǎng)絡(luò)（簡稱徑向基/rbf網(wǎng)絡(luò)）是由j.moody和c.darken 于20世紀(jì)80年代末提出的一種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它是具有單隱層的以函數(shù)逼近理 論為基礎(chǔ)構(gòu)造的一類三層前饋網(wǎng)絡(luò)。由