第四章2-常用故障诊断算法(人工神经网络)ppt课件.ppt

《第四章2-常用故障诊断算法(人工神经网络)ppt课件.ppt》由会员分享，可在线阅读，更多相关《第四章2-常用故障诊断算法(人工神经网络)ppt课件.ppt（45页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、1在线监测与故障诊断在线监测与故障诊断Online Monitoring and Fault Online Monitoring and Fault DiagnosisDiagnosis 倪建军倪建军 博士博士河海大学常州校区河海大学常州校区2第四章 常用故障诊断算法The algorithms of fault diagnosisThe algorithms of fault diagnosis3本章主要内容及重要知识点主要内容：主要内容：n专家系统专家系统 n人工神经网络人工神经网络 n支持向量机支持向量机n模糊推理模糊推理n故障树故障树本章重点：本章重点：n各类故障诊断算法的原理及仿真。

2、各类故障诊断算法的原理及仿真。4n在广义上，神经网络可以泛指生物神经网络，也可以指人工神经网络。n所谓人工神经网络（Artificial Neural Network）是指模拟人脑神经系统的结构和功能，运用大量的处理部件，由人工方式建立起来的网络系统。n人脑是ANN的原型，ANN是对人脑神经系统的模拟。在人工智能领域中，在不引起混淆的情况下，神经网络一般都指的是ANN。54.1.1 4.1.1 人工神经网络研究的进展人工神经网络研究的进展 n萌芽期（萌芽期（20世纪世纪40年代）年代）n1943年，心理学家McCulloch和数学家Pitts建立起了著名的阈值加权和模型，简称为M-P模型。发表

3、于数学生物物理学会刊Bulletin of Methematical Biophysics。n1949年，心理学家D. O.Hebb提出神经元之间突触联系是可变的假说Hebb学习律。n第一高潮期（第一高潮期（19501968）n以Marvin Minsky，Frank Rosenblatt，Bernard Widrow等为代表人物，代表作是单级感知器（Perceptron）。可用电子线路模拟。人们乐观地认为几乎已经找到了智能的关键。许多部门都开始大批地投入此项研究，希望尽快占领制高点。n反思期（反思期（19691982）n“异或”运算不可表示。n二十世纪70年代和80年代早期的研究结果。n认识

4、规律：认识实践再认识64.1.1 4.1.1 人工神经网络研究的进展（人工神经网络研究的进展（2 2） n第二高潮期（第二高潮期（19831990）n1）1982年，J.Hopfield提出循环网络。u用Lyapunov函数作为网络性能判定的能量函数，建立ANN稳定性的判别依据u阐明了ANN与动力学的关系u用非线性动力学的方法来研究ANN的特性u指出信息被存放在网络中神经元的联接上n2）1984年，J.Hopfield设计研制了后来被人们称为Hopfield网的电路。较好地解决了著名的TSP问题，找到了最佳解的近似解，引起了较大的轰动。n3）1985年，UCSD的Hinton、Sejnowsk

5、y、Rumelhart等人所在的并行分布处理（PDP）小组的研究者在Hopfield网络中引入了随机机制，提出所谓的Boltzmann机。7n4）1986年，并行分布处理小组的Rumelhart等研究者重新独立地提出多层网络的学习算法BP算法，较好地解决了多层网络的学习问题。（Paker1982和Werbos1974年）。n国内首届神经网络大会是1990年12月在北京举行的。n再认识与应用（再认识与应用（1991）n存在问题：u应用面还不够宽u结果不够精确u存在可信度的问题n对策：u开发现有模型的应用，并在应用中根据实际运行情况对模型、算法加以改造，以提高网络的训练速度和运行的准确度。u充分发

6、挥两种技术各自的优势是一个有效方法。u希望在理论上寻找新的突破，建立新的专用/通用模型和算法。u进一步对生物神经系统进行研究，不断地丰富对人脑的认识。4.1.1 4.1.1 人工神经网络研究的进展（人工神经网络研究的进展（3 3） 8人工神经网络的特点 n具有大规模并行协同处理能力。n每一个神经元的功能和结构都很简单，但是由大量神经元构成的整体却具有很强的处理能力。n具有较强的容错能力和联想能力。n单个神经元或者连接对网络整体功能的影响都比较微小。n在神经网络中，信息的存储与处理是合二为一的。信息的分布存储提供容错功能由于信息被分布存放在几乎整个网络中。所以当其中的某一个点或者某几个点被破坏时

7、信息仍然可以被存取。n具有较强的学习能力。n神经网络的学习可分为有教师学习与无教师学习两类。n由于其运算的不精确性，表现成“去噪音、容残缺”的能力，利用这种不精确性，比较自然地实现模式的自动分类。具有很强的普化（Generalization）能力与抽象能力。n是大规模自组织、自适应的非线性动力系统。n具有一般非线性动力系统的共性，即不可预测性、耗散性、高维性、不可逆性、广泛连接性和自适应性等等。 9物理符号系统和人工神经网络系统的差别物理符号系统和人工神经网络系统的差别项目物理符号系统人工神经网络处理方式逻辑运算 模拟运算 执行方式串行 并行 动作离散 连续 存储局部集中 全局分布 104.1

8、.2 4.1.2 人工神经网的结构人工神经网的结构 1 1、神经元及其特性、神经元及其特性 神经网络的结构是由基本处理单元及其互连方法决定的。如图所示，神经元单元由多个输入xi，i=1,2,.,n和一个输出y组成。中间状态由输入信号的权和表示，而输出为： wjnwj1：yjjx1xn f(_) 式中，j为神经元单元的偏置（阈值），wji为连接权系数（对于激发状态，取正值，对于抑制状态，取负值），n为输入信号数目， yj为神经元输出，t为时间，f()为输出变换函数。 )()(1jniiijjxwfty11 函数 f( _ )表达了神经元的输入输出特性。 往往采用0和1二值函数或形函数。 一种二值

9、函数可由下式表示： 1,00,0iiiuyu 其图像如图所示。 如果把阈值i看作为一个特殊的权值，则可改写为:其中，w0i-i，x01)(0njjjiixwfy12 为用连续型的函数表达神经元的非线性变换能力，常采用s型函数，如下图所示。 其中，第一个函数为常规的s型函数，其输出均为正值；第二个函数为双曲正切函数，其输出值可为正或负 。 1()1iiuf ue()iiiiuuiuueef uee132 2、人工神经网络的基本特性和结构、人工神经网络的基本特性和结构 人工神经网络由神经元模型构成；这种由许多神经元组成的信息处理网络具有并行分布结构。每个神经元具有单一输出，并且能够与其它神经元连接

10、；存在许多（多重）输出连接方法，每种连接方法对应一个连接权系数。严格地说，人工神经网络是一种具有下列特性的有向图：(1) 对于每个节点i存在一个状态变量；(2) 从节点j至节点i，存在一个连接权系统数；(3) 对于每个节点i，存在一个阈值i；(4) 对于每个节点i，定义一个变换函数fi；对于最一般的情况，此函数的形式为：)(1njijjiixwf14 人工神经网络的结构基本上分为两类：递归（反馈）网络和前馈网络。（）递归网络（）递归网络在递归网络中，多个神经元互连以组织一个互连神经网络，如图所示。有些神经元的输出被反馈至同层或前层神经元。因此，信号能够从正向和反向流通。Hopfield网络，E

11、lmman网络和Jordan网络是递归网络有代表性的例子。递归网络又叫做反馈网络。15 图中，实线指明实际信号流通而虚线表示反向传播。前馈网络例子有多层感知器(MLP)、学习矢量量化(LVQ)网络、小脑模型联接控制(CMAC)网络和数据处理方法(GMDH)网络等。 （2）前馈网络）前馈网络 前馈网络具有递阶分层结构，由一些同层神经元间不存在互连的层级组成。从输入层至输出层的信号通过单向连接流通；神经元从一层连接至下一层，不存在同层神经元间的连接，如图所示。 163 3、人工神经网络的主要学习算法、人工神经网络的主要学习算法 神经网络主要通过指导式（有师）学习算法和非指导式（无师）学习算法。此外

12、，还存在第三种学习算法，即强化学习算法；可把它看做有师学习的一种特例。 （1）有师学习）有师学习有师学习算法能够根据期望的和实际的网络输出（对应于给定输入）间的差来调整神经元间连接的强度或权。因此，有师学习需要有个老师或导师来提供期望或目标输出信号。有师学习算法的例子包括Delta规则、广义Delta规则或反向传播算法以及LVQ算法等。17 （）无师学习（）无师学习无师学习算法不需要知道期望输出。在训练过程中，只要向神经网络提供输入模式，神经网络就能够自动地适应连接权，以便按相似特征把输入模式分组聚集。无师学习算法的例子包括Kohonen算法和Carpenter-Grossberg自适应谐振理

13、论（ART)等。（）强化学习（）强化学习如前所述，强化（增强）学习是有师学习的特例。它不需要老师给出目标输出。强化学习算法采用一个“评论员”来评价与给定输入相对应的神经网络输出的优度（质量因数）。强化学习算法的一个例子是遗传算法（GA）。184.1.3 4.1.3 人工神经网的典型模型及其算法人工神经网的典型模型及其算法 迄今为止，已经开发和应用了30多种人工神经网络模型。在这里，我们对一些典型网络模型及其算法进行介绍。1、反向传播、反向传播(BP)模型模型2、 Hopfield网络（自学）网络（自学）3、自适应共振理论、自适应共振理论(ART)模型（自学）模型（自学）19 1 1、反向传播、

14、反向传播(BP)(BP)模型模型网络拓扑结构网络拓扑结构输入层隐藏层输出层20n输入向量、输出向量的维数、网络隐藏层的层数和各个隐藏层神经元的个数的决定了网络拓扑n增加隐藏层的层数和隐藏层神经元个数不一定总能够提高网络精度和表达能力。nBP网一般都选用二级（3层）网络。因为可以证明如果BP网络中隐层单元可以根据需要自由设定，那么一个三层网络可以一个三层网络可以实现以任意精度近似任意连续函数。实现以任意精度近似任意连续函数。网络的构成网络的构成 神经元的网络输入： neti=x1w1i+x2w2i+xnwni 神经元的输出（s型函数）： O=f(net)=1/(1+exp(-net) f (ne

15、t)= exp(-net)/(1+exp(-net)2=O-O2=O(1-O)21BPBP算法基本思想算法基本思想n样本集：S=(X1,Y1),(X2,Y2),(Xs,Ys)n逐一根据样本集中的样本(Xk,Yk)计算出实际输出Ok及其误差E1，然后对各层神经元的权值W(1)，W(2)，W(L)各做一次调整，重复这个循环，直到Ep（所有样本的误差之和）。n用输出层的误差调整输出层权矩阵，并用此误差估计输出层的直接前导层的误差，再用输出层前导层误差估计更前一层的误差。如此获得所有其它各层的误差估计，并用这些估计实现对权矩阵的修改。形成将输出端表现出的误差沿着与输入信号相反的方向逐级向输入端传递的过

16、程。22BPBP算法训练过程概述算法训练过程概述n样本：(输入向量，理想输出向量)n权初始化：“小随机数”与饱和状态；“不同”的权值保证网络可以学。1、向前传播阶段：（1）从样本集中取一个样本(Xp，Yp)，将Xp输入网络；（2）计算相应的实际输出Op：Op=FL(F2(F1(XpW(1)W(2)W(L)2、向后传播阶段误差传播阶段：（1）计算实际输出Op与相应的理想输出Yp的差；（2）按极小化误差的方式调整权矩阵。mjpjpjpOyE1)(21ppEE（3）网络关于第p个样本的误差测度：（4）网络关于整个样本集的误差测度：23输出层权的调整输出层权的调整n其中，是学习因子。nBP算法应用的不

17、是基本的学习，而是一种扩展的学习规则。但是对于所有的学习规则而言，某神经元的权值修正量都正比于该神经元的输出误差和输入。nBP算法输出层对误差调整为f(net)(y-o)。 pqqqqpqqqnpqpqpqpqpqOOyOOOOynetfOwwww)( )1 ()(ANpANqwpqwpq第L-1层第L层24隐藏层权的调整隐藏层权的调整ANhANpANqANmAN1whppk-1wpqqk1kwp1wpmqm第k-2层第k-1层第k层25隐藏层权的调整隐藏层权的调整pk-1的值和1k，2k，mk有关。不妨认为pk-1 ： 通过权wp1对1k做出贡献， 通过权wp2对2k做出贡献， 通过权wpm

18、对mk做出贡献。2111211111221111)1 ()1 ()(hkmiikpipkpkhkpkpkmiikpipkpkmkpmkpkppkpkOwOOOwwOOwwwnetf所以26BPBP算法中学习规则的理论推导算法中学习规则的理论推导n该算法中学习规则的实质是利用梯度最速下降法，使权值沿误差函数的负梯度方向改变。n误差测度方法：n用理想输出与实际输出的方差作为相应的误差测度：mjpjpjpOyE12)(21ppEE27最速下降法最速下降法(1)(1)最速下降法，要求E的极小点，取ijijwEwEwijEwij0,0ijijwwE此时0, 0ijijwwE此时28最速下降法最速下降法(

19、2)(2)ijijjjOwnetE所以令ijijjjijOnetEwnetnetEwEkkkjjijjjijOwnetwnetnetEwE其中,iijkkkjijjOwOwwnet所以其中， 为学习率。29输出层输出层若ANj为一个输出层神经元，则有： Oj=f(netj)(jjjnetfnetO容易得到：)1 ()()()()()(21)(21)(212jjjjjjjjjjjjjjmkkkjjjjjjjjOOOynetfOyOyOOyOOyOEnetfOEnetOOEnetE所以由于从而故输出层按下列公式修改权值：故输出层按下列公式修改权值：ijjjjijijijijijOOyOOOwwww

20、)(1 (30隐藏层隐藏层(1)(1)(jjjjjjjnetfOEnetOOEnetE 由于Oj对于E的作用是通过下一层的各节点的输入/输出体现的，所以可应用连锁法来计算：O1ANH1OH1ANjOjANHnOHnAN1net1ANkOknetkANnOnnetnwijANiOi隐藏层31隐藏层隐藏层(2)(2)jkjHnHiiikjkHnHiiikkwOOwOnetOwnet11所以由于nkjkkkknkjkknkjkkjwnetEwnetEOnetnetEOE111故nkjkkjOnetnetEOE132隐藏层隐藏层(3)(3)()()(11jnkjkkjnkjkkjjjjjjjnetfw

21、netfwnetfOEnetOOEnetE 所以故隐藏层按下列公式修改权值：故隐藏层按下列公式修改权值：ijjnkjkkijnkjkkijijijijijOOOwOnetfwOwwww)1 ()(11 33BPBP算法中的几个问题算法中的几个问题(1)(1)n收敛速度问题n收敛速度很慢，其训练需要很多步迭代。n局部极小点问题n逃离/避开局部极小点：修改W的初值并不是总有效。n逃离统计方法；Wasserman，1986将Cauchy训练与BP算法结合起来，可以在保证训练速度不被降低的情况下，找到全局极小点。n网络瘫痪问题n在训练中，权可能变得很大，这会使神经元的网络输入变得很大，从而又使得其激活

22、函数的导函数在此点上的取值很小。根据相应式子，此时的训练步长会变得非常小，进而将导致训练速度降得非常低，最终导致网络停止收敛。34BPBP算法中的几个问题算法中的几个问题(2)(2)n稳定性问题n用修改量的综合实施权的修改n连续变化的环境，它将变成无效的n步长问题nBP网络的收敛是基于无穷小的权修改量n步长太小，收敛就非常慢n步长太大，可能会导致网络的瘫痪和不稳定n自适应步长，使得权修改量能随着网络的训练而不断变化。1988年，Wassermann网络隐层中神经元数目及层数的选取尚无理论直到，一般凭借经验选取。 35 2 2、 HopfieldHopfield网络网络 前面我们讨论了BP网络。

23、BP网络是一类典型的前馈网络。其它前馈网络有感知器(Perception)、自适应线性网络和交替投影网络等。前馈网络是一种具有很强学习能力的系统，结构比较简单，且易于编程。前馈网络通过简单非线性单元的复合映射而获得较强的非线性处理能力，实现静态非线性映射。不过，前馈网络缺乏动态处理能力，因而计算能力不够强。还有一类人工神经网络，即反馈神经网络，它是一种动态反馈系统，比前馈网络具有更强的计算能力。反向网络可用一个完备的无向图表示。本节将以霍普菲尔德(Hopfield)网络为例，研究反馈神经网络的模型算法和学习示例。364.1.4 4.1.4 人工神经网络在故障诊断中的应用人工神经网络在故障诊断中

24、的应用n1、基于B P网络的凝汽器故障诊断n凝汽器：将汽轮机排汽冷凝成水的一种换热器，又称复水器。凝汽器主要用于汽轮机动力装置中，分为水冷凝汽器和空冷凝汽器两种。凝汽器除将汽轮机的排汽冷凝成水供锅炉重新使用外，还能在汽轮机排汽处建立真空和维持真空。 3738392、BP人工神经网络在铅酸蓄电池故障诊断中的应用n铅酸蓄电池是由正负板组、隔板、电解液、 外壳等部分组成的， 它是在盛由稀硫酸的容器中插入两组铅制极板而构成的电能储存器。n铅酸蓄电池系统故障诊断的 BP网络的建立 404142Matlab程序如下： nP=1 0 0 0 ;0 1 0 0 ;0 0 1 0 ;0 0 0 1; nT=1

25、0 0 0 ;1 0 0 0 ;1 0 0 0;0 1 0 0 ;0 1 0 0 ;0 1 0 0 ;0 0 1 0 ;0 0 1 0;0 0 0 1; 0 0 0 1; 0 0 0 1;0 0 0 n1;0 0 0 1;0 0 0 1; nnet=newff(minmax(P),28,14,tansig,purelin,traingda); nnet.trainParam.show=200; nnet.trainParam.lr=0.05;nnet.trainParam.epochs=5000; nnet.trainParam.goal=1e-4; nnet,tr=train(net,P,T) 43n当训练结束后，网络达到收敛，即： nTRAINGDA-calcgrad, Epoch 0/5000, MSE 7.75176/0.0001, Gradient 3.96268/1e-006 nTRAINGDA-calcgrad, Epoch 42/5000, MSE 8.83964e-005/0.0001, Gradient 0.0107489/1e-006 nTRAINGDA, Performance goal met.n最后将非训练样本进行测试，ny=sim(net,P) 4445The End