智能诊断技术人工神经网络

《智能诊断技术人工神经网络》由会员分享，可在线阅读，更多相关《智能诊断技术人工神经网络（42页珍藏版）》请在金锄头文库上搜索。

1、,智能诊断技术,智能诊断发展背景及历史,以经典控制理论和现代控制理论为基础的诊断技术被称为传统(或常规)的诊断技术，传统诊断技术的共同特点是：各种理论与方法都是建立在对象的数学模型基础上的，或者说，传统诊断技术的前提条件是必须能够在常规理论指定的框架下，用数学公式严格地描绘出被控对象的动态行为。,2,诊断技术的发展,故障诊断技术是医学诊断的基本思想在工程领域的推广和应用，其发展过程可分为两个阶段， 第一阶段：常规诊断技术 基础：传感器技术和自动测试技术。 方法：诊断方法包括单信号处理方法、单信号滤波诊断、多信号模型诊断以及机内测试技术(buildintest，BIT) （1）单信号处理方法较少

2、考虑信号间的耦合，主要采用阀值模型。当系统的输入输出超出一定范围时，就认为故障已经发生或将要发生，信号也主要是由人工通过各种仪器仪表进行采集 （2）单信号滤波诊断的基本原理是对时间序列信号进行滤波变换，得到信号的特征信息后，再对此特征信息进行阀值诊断,诊断技术的发展,（3）多信号模型诊断的特点是考虑了信号间的融合关系，且通过定量和定性的分析方法实现诊断。 （4）机内测试技术是利用设备内部具有自检能力的硬件和软件来实现对设备检测的一种方法，可为系统和设备内部提供检测、故障隔离的能力。 传统诊断技术特点：以数据处理为核心，侧重信号的检测和分析; 发展比较成熟，但诊断功能较弱。,诊断技术的发展,随着

3、计算机技术的发展及智能技术的应用，近代工业控制系统和航空航天控制系统正日趋复杂，系统中任一元部件的失效都可能使系统性能降低，甚至造成重大事故。面对现实情况，人们已开始思考传统诊断技术的局限性了。 第二阶段：智能诊断技术 = AI + 常规诊断技术 智能诊断技术是在计算机和人工智能的基础上发展起来的，是一门集数学、物理、化学、电子技术、计算机技术、通讯技术、信息处理、模式识别和人工智能等多学科于一体的综合性技术 特点：以知识处理为核心，运用人工智能(AI)技术实现诊断过程的自动化和智能化。 研究重点：智能诊断方法。,智能诊断方法,智能诊断技术是在计算机和人工智能的基础上发展 起来的，所以其在工程

4、实现中主要是组成以计算机为主体的智能诊断系统，他有单机模式、分布式模式、网络化模式3种结构模式。其方法主要有：基于专家系统的诊断方法和基于神经网络的诊断方法。此外还有基于模糊逻辑的诊断方法以及基于模糊粗糙集的诊断方法,6,故障诊断技术是医学诊断的基本思想在工程领域的推广和应用，其发展过程可分为两个阶段， 第一阶段：常规诊断技术 基础：传感器技术和自动测试技术。 特点：以数据处理为核心，侧重信号的检测和分析; 发展比较成熟，但诊断功能较弱。 第二阶段：智能诊断技术 = AI + 常规诊断技术 特点：以知识处理为核心，运用人工智能(AI)技术实现诊断过程的自动化和智能化。 研究重点：智能诊断方法。

5、,智能诊断技术,8,神经网络诊断原理,什么是人工神经网络 人工神经网络（Artificial Neural Networks，简称ANN）是在神经生理学研究的基础上，模仿人脑神经元结构特性而建立的一种网络系统。它由大量处理单元高度互联而成，具有对人脑某些基本特性的简单模拟能力。 ANN是一种模仿人脑结构及其功能的信息处理系统。 简单地讲，它是一个数学模型，可以用电子线路来实现，也可以用计算机程序来模拟。 别名：并行分布处理系统(PDP)、人工神经系统(ANS)、神经网络(NN)、神经计算机(Neurocomputer),9,神经网络诊断原理,生物神经系统 脑组织的基本单元是神经细胞，也称神经元

6、(Neuron)； 人脑由约1011个神经元组成，神经元互连构成神经网络,10,神经网络诊断原理,生物神经元结构 轴突(Axon)：由细胞体伸出的最长一条神经纤维，相当于神经元的输出电缆，其端部神经末稍为信号的输出端。 树突(Dendrite)：由细胞体向外伸出的较短的神经纤维，相当于神经元的输入端，接受其他神经元的输入信息。,生物神经元结构图,11,神经网络诊断原理,生物神经元结构 突触(Synapse)：一个神经元的轴突末梢与另一个神经元的树突相接触的部位,相当于神经元之间的输入输出接口,同一神经元输出的信号是相同的，但对不同接受神经元的影响效果不同，这主要由突触的连接强度决定。 可塑性：

7、突触的连接强度可以通过训练而改变，即具有学习功能； 突触有两种类型：刺激型和抑制型,12,神经网络诊断原理,生物神经系统的基本特征 神经元及其联接：多输入，单输出； 神经元之间的联接强度决定信号传递的强弱 神经元之间的联接强度可以通过训练改变 信号可以起刺激作用，也可以起抑制作用 神经元接受信号的累积决定该神经元的状态 每个神经元可以有一个“阈值”。,13,神经网络诊断原理,人工神经元模型 多输入：X = ( x1，x2，xn ) 单输出：y 联接强度：权值wi 正负：突触的兴奋与抑制 大小：突触的连接强度 信号累积：求和函数,神经元阈值(偏置)：当神经元的网络输入 s b 时，它处于激发状态

8、，应给出适当的输出。 b 也相当于固定输入 x0 =-1的权值；,14,神经网络诊断原理,人工神经元模型 f：激活函数，它是一个变换函数，将神经元的网络输入变换到指定的有限范围内输出。 f 是神经元的核心，影响神经网络解决问题的能力。,15,神经网络诊断原理,激活函数（Activation Function） （1）阶跃函数 也称为阈值函数 作用：用于判定网络输入是否超过阈值b；,16,神经网络诊断原理,激活函数（Activation Function） （2）Sigmoid函数 它是非线性函数，且处处连续可导； 对信号有很好的增益控制 应用广泛,神经网络诊断流程,故障诊断流程,诊断,自学习,

9、18,神经网络诊断原理,人工神经网络的拓扑结构 神经元的模型确定之后，一个神经网络的特性及能力主要取决于网络的拓扑结构及学习方法 网络结构表示方法： （1）结点：代表神经元； （2）加权有向边：代表神经元之间的有向连接。 其中：权代表连接强度，箭头代表信号的传递方向 根据神经元连接方式的不同，分为如下两种： （1）前馈网络：应用最广泛 （2）反馈网络：,19,神经网络诊断原理,多层前馈网络 神经元分层排列，构成输入层、隐层和输出层； 每一层神经元只接受前一层神经元的输出作为输入；,20,神经网络诊断原理,人工神经网络的学习 ANN最有价值的特点是它的学习能力； 学习过程就是训练过程； 学习过程

10、：将训练样本输入ANN,按规定的算法调整神经元之间的连接权值，使网络将样本集中包含的知识存储在联接权矩阵中，当网络接受输入时，能给出适当的输出。 学习方法分类： （1）有导师学习：按期望输出与实际输出的误差调整权值 （2）无导师学习：抽取训练样本集的统计特性,人工神经网络诊断的优缺点,优点 ：人工神经网络法的丰要优点在于其具有自动学习、联想、记忆和推测的功能：该方法是分布处理的同时有并行处理复杂问题的强大功能：其非线性的映射很强可以处理多故障的问题：其有能够进行多种因素预报的能力且其预测准确度非常高。 缺点 ：人工神经网络法的主要缺点为：算法相当复杂，需要预测的模型有一部分是无法用公式表达出来

11、的：在训练的过程中需要样本数量较大，并且当样本不足时，诊断的效果会大打折扣：应用之前所需训练的时间过长。,神经网络诊断原理,人工神经刚络法是根据生物神经学方面的研究成果而提出的一个人工智能方面的概念其主要含义是对人脑中神经结构和行为进行类似模拟。因为该法是高度并行的所以在对故障的处理中速度极快并且能够根据环境自动辨识以线性的方法处理问题。人工神经网络作为一种自适应的模式识别技术，并不需要预先给出关于模式的先验知识和判别函数，而是通过自身的学习机制自动形成所要求的决策区域，具有并行分布处理能力，以及自组织、自学习、自适应能力和联想记忆功能等。处理模糊的、随机的、不完整的信息，并可通过故障实例和诊

12、断经验知识进行训练和学习，把故障诊断的知识存储于网络的连接权中。环境改变时还可进行自适应调整，实现输入征兆与故障间的非线性映像，出色解决那些用传统模式识别方法难以圆满解决的问题,23,神经网络诊断原理,BP算法的出现 含有隐层的多级前馈网络能大大提高网络的分类能力，但一直没有提出多级网络的学习算法；如何估计网络隐层神经元的误差是一个需要解决的问题。 1986年，Rumelhart领导的PDP小组给出了多级前馈网络的学习算法 - 误差反向传播算法(Back Propagation ,简称BP算法)清楚而简单的描述。 使用BP算法进行学习的多级前馈网络称为BP网络。 BP算法是应用最广的多级网络训

13、练算法，对人工神经网络的推广应用发挥了重要作用；,24,神经网络诊断原理,BP算法的基本思想 BP算法的学习过程： 包括信号的正向传播和误差反向传播两个过程。 BP算法利用输出层的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差。如此下去，就获得了所有其他各层的误差估计。这样就形成了将输出端表现出的误差沿着与输人信号传送相反的方向逐级向网络的输入端传递的过程。 根据各层节点的误差估计即可调整各节点的权值。,BP网络的标准学习算法-算法思想,学习的类型：有导师学习 核心思想： 将输出误差以某种形式通过隐层向输入层逐层反传 学习的过程： 信号的正向传播 误差的反向传播,将误差分摊

14、给各层的所有单元各层单元的误差信号,修正各单元权值,神经网络诊断原理,26,神经网络诊断原理,BP网络模型 BP网络是多级前馈网络，一般都选用二级网络，包括输入层、隐层和输出层。,27,神经网络诊断原理,BP网络模型 输出层输出： 隐层输出： 激活函数：,学习的过程： 神经网络在外界输入样本的刺激下不断改变网络的连接权值,以使网络的输出不断地接近期望的输出。 学习的本质： 对各连接权值的动态调整 学习规则： 权值调整规则，即在学习过程中网络中各神经元的连接权变化所依据的一定的调整规则。,神经网络诊断原理,BP网络的标准学习算法-学习过程,正向传播： 输入样本输入层各隐层输出层 判断是否转入反向

15、传播阶段： 若输出层的实际输出与期望的输出（教师信号）不符 误差反传 误差以某种形式在各层表示修正各层单元的权值 网络输出的误差减少到可接受的程度 进行到预先设定的学习次数为止,神经网络诊断原理,30,神经网络诊断原理,BP网络训练过程 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） 权值初始化：不相同的小随机数。 BP网络的训练过程分为如下两个阶段： （1）向前传播阶段： 从样本集中取一个样本( Xp，Dp )，将Xp输入网络； 计算相应的实际输出Op： Op=Fl ( ( F2 ( F1 (XpW(1) W(2) ) W(

16、L) ),31,神经网络诊断原理,（2）向后传播阶段： 计算实际输出 Op 与相应的理想输出 Dp 的差； 按极小化误差的方式调整权矩阵： 网络关于第 p 个样本的误差测度：,网络关于整个样本集的误差测度：,32,神经网络诊断原理,输出层权值的调整 yj 是隐层的第 j 个节点， ok 是输出层的第 k 个节点； Wjk 是神经元 yj 到 ok 的联接权；,输出层权值wjk 的调整计算公式为：,33,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：,34,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,35,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 、