智能诊断技术.ppt

* 5.2 神经网络诊断原理 隐层权值的调整 隐层节点的输出误差可根据输出层的权值和误差来估算 隐层权值vij 的调整计算公式为： wjk yj ok 隐层 输出层 输入层 xi o1 ol wjk wjk vij 智能诊断技术全文共75页，当前为第63页。 * 5.2 神经网络诊断原理 权值的调整与三个量有关 学习率α：学习步长 本层的输入： 本层的输出误差： 基本BP算法 训练过程是根据样本集对权值进行调整的过程； BP网络训练是有导师训练，所以训练样本为： （输入向量，目标输出向量） 智能诊断技术全文共75页，当前为第64页。 BP网络的标准学习算法 BP算法直观解释 情况一直观表达 当误差对权值的偏 导数大于零时，权值 调整量为负，实际输 出大于期望输出， 权值向减少方向调整， 使得实际输出与期望 输出的差减少。 who e >0，此时Δwho<0 5.2 神经网络诊断原理 智能诊断技术全文共75页，当前为第65页。 * 基本BP算法 1 初始化权矩阵V、W 2 初始化精度控制参数ε； 3 E=ε+1; 4 while E >ε do 4.1 E=0; 4.2 对S 中的每一个样本（Xp,Dp）： 4.2.1 计算出Xp对应的实际输出Op； 4.2.2 计算出Ep； 4.2.3 E=E + Ep； 4.2.4 根据相应式子调整W； 4.2.5 根据相应式子调整V； 智能诊断技术全文共75页，当前为第66页。 * 5.2 神经网络诊断原理 ANN故障诊断流程 从模式识别角度：应用ANN作为分类器进行故障诊断。 标准 模式 信号 预处理 诊断结果 特征 提取 故障 分类器 训练 样本 待诊断样本 智能诊断技术全文共75页，当前为第67页。 * 5.2 神经网络诊断原理 诊断过程 确定特征 确定识别的故障范围 设计网络模型 输入节点数 输出层节点数 隐层节点数 初始权值设置 训练网络 训练样本集 测试样本集 故障识别 智能诊断技术全文共75页，当前为第68页。 * 应用实例：BP网络在汽轮机故障诊断中的应用 汽轮机故障特征的提取 振动频谱特征：9个 0.01-0.39f 、 0.40-0.49f 、 0.5f 、 0.51-0.99f 、 f 、 2f 、 3-5f 、奇数倍 f 、 高频>5f . 故障范围的确定 常见的10种故障： 不平衡、气动力偶、不对中、油膜涡动、转子径向碰磨、共生松动、推力轴承损坏、喘振、轴承座松动、不等轴承刚度。 智能诊断技术全文共75页，当前为第69页。 * 应用实例：BP网络在汽轮机故障诊断中的应用 BP网络设计 采用单隐层BP网络结构； 输入层节点数取9，对应9个频谱特征量； 输出层节点数取10，对应10种故障原因； 隐层节点数：取9 激活函数：Sigmoid() 智能诊断技术全文共75页，当前为第70页。 * 应用实例：BP网络在汽轮机故障诊断中的应用 诊断网络结构 智能诊断技术全文共75页，当前为第71页。 * 应用实例：BP网络在汽轮机故障诊断中的应用 训练样本 智能诊断技术全文共75页，当前为第72页。 * 应用实例：BP网络在汽轮机故障诊断中的应用 标准输出样本 采用有导师学习方法训练，样本的标准输出信号如下： 1.00 表示对应故障发生，0.00 表示对应故障不发生。 智能诊断技术全文共75页，当前为第73页。 * 应用实例：BP网络在汽轮机故障诊断中的应用 BP网络训练 规定系统误差为：0.000001 智能诊断技术全文共75页，当前为第74页。 * 应用实例：BP网络在汽轮机故障诊断中的应用 诊断应用 对某汽轮机径向振动信号进行预处理，提取如下特征向量 输入 节点 1 2 3 4 5 6 7 8 9 输入 数据 0.39 0.07 0.00 0.06 0.00 0.13 0.00 0.00 0.35 输出 节点 1 2 3 4 5 6 7 8 9 10 输出 数据 0.000 0.028 0.000 0.001 0.000 0.084 0.000 0.006 0.530 0.005 将其作为网络输入，得到下表所示的网络输出； 第9个输出节点的值>0.5，确认故障为：轴承座松动 智能诊断技术全文共75页，当前为第75页。 * 5.1 故障诊断专家系统 反向推理-实例 rule1：if A then B rule2：if B then C rule3：