神经网络用于故障诊断的实现方法
仪器信息网 · 2009-08-02 21:40 · 31553 次点击
甘业君,景小宁,侯颖
摘要:通过深入研究人工神经网络理论,探索神经网络技术在某型飞机自动飞行控制系统(CAY)故障诊断中的应用;建立由多个子模块组成的神经网络诊断系统模型,并选择其中一个模块进行设计与训练;训练后的神经网络能很好地对自动飞行控制系统已知故障模式进行识别,实现故障诊断。
关键词:神经网络;自动飞行控制系统;故障诊断
中图分类号:TP18文献标识码:B
人工神经网络系统是由大量的、同时也是很简单的处理单元(或称神经元)广泛地互相连接而形成的复杂网络系统,因此,在智能化故障诊断技术领域里,人工神经网络技术的应用研究主要用于以下两个方面,一是从模式识别角度,应用具有感知器结构的神经网络模型或各种联想记忆模型实现征兆集到故障集之间的非线性特征映射关系;二是从专家系统的角度,建立基于神经网络的故障诊断专家系统。本文探索了神经网络技术在故障诊断中的应用,对某型飞机自动飞行控制系统从模式识别的角度,应用神经网络作为分类器进行故障诊断。
一、人工神经元模型
常用的人工神经元模型主要是基于模拟生物神经元信息的传递特性,即输入、输出关系。若将生物神经元输入、输出脉冲的密度用模拟电压来表示,则可用如图1所示的模型模拟生物神经元信息BP网络(Back-Propagation),即著名的BP算法。
图中xi(i=1,2……,n),为加于输入端(突触)上的输入信号;ωi为相应的突触连接权系数,它是模拟突触传递强度的一个比例系数;Σ表示突触后信号的空间累加;θ表示神经元的阀值;σ表示神经元的响应函数。该模型的数学表达式为神经元模型
二、BP网络模型
在人工神经网络中,多层前向网络也称之为BP网络(Back-Propagation),即著名的BP算法。
BP网络是经典的前向网络,主要由输入层、隐含层(可有若干层)和输出层组成,其结构如图2所示。一个具有任意的压缩型激活函数(如sig-moid函数)的单隐含层前向网络,只要有充分多的隐含层单元,就能够以任意的精度逼近任意一个有限维的布雷尔可测函数(Boremeasurablefunc-tion),从而表明BP网络的泛函逼近能力。逼近故障的分类边界,从而可完成特征空间到故障空间的非线性映射。
三、BP网络的设计与训练
对于BP网络的设计和训练有以下要求。
1.网络的层数
理论上证明,具有偏差和至少一个s型隐含层上加一个线性输出层的网络,能够逼近任意有理函数。增加层数可以进一步降低误差,提高精度,但同时也使网络复杂化。而精度的提高可通过增加隐含层中的神经元数目来获得。
2.隐含层的神经元数
网络训练精度的提高可以通过采用一个隐含层,而增加其神经元数来实现。神经元数目的确定目前还没有理论公式,只有一些经验公式,具体设计时可通过对不同的神经元数进行训练对比,然后适当加上一些余量。
3.初始权值的选择
由于系统的非线性,初始权值取得太大,容易使训练进入局部最小点;取得太小,训练时间将会变长。一般的初始权值选(-1,1)之间的随机数。
4.学习速率η
学习速率决定每一次循环训练中所产生的权值变化量。大的学习速率可能导致系统的不稳定性,但小的学习速率将导致训练时间过长。一般情况下,学习速率的选取范围在0.01~0.8之间。
5.期望误差的选取
在设计网络的训练过程中,期望误差值在对比训练后确定,应充分考虑隐含层结点因素增加的影响。
四、CAY故障诊断神经网络模型的实现
1.CAY故障诊断神经网络模型的建立
通过对CAY的故障征兆和故障原因的分析可以看出,CAY故障模式多种多样。在选择神经网络模型时采用的是前向多层神经网络模型,即BP模型。理论上现已证实,在网络隐含层结点根据需要设定的前提下,三层前向神经网络具有任意逼近任意连续函数的功能,因此,采用三层网络的拓扑结构形式,由输入层、隐含层和输出层组成。考虑到若输入层神经元数目太大,会影响到整个网络的学习速度和训练质量,应用模块分解技术,将CAY的故障征兆分为若干个学习模块,每个模块中包含有若干种征兆,并将每个模块作为一个学习样本网络训练。因而,可以采用多个神经网络模块构成一个神经网络系统来实现对CAY的故障诊断。CAY神经网络故障诊断系统结构图如图3。
2.CAY故障诊断系统神经网络设计与训练
因为CAY故障诊断系统的神经网络模块较多,在此仅选择其中的一个模块进行设计与训练,其余模块采用同样的方法即可达到目的。
在实际的神经网络训练中,原始的BP算法很难胜任,在这里采用自适应学习算法,选取期望误差的最小值为1×10-6,学习速率为0.1,隐含层神经元个数为18,训练后发现只需416个周期就可以收敛,大大缩短了训练时间,且精度很高。
将训练后的网络冻结,以测试编码为输入,使网络处于回想状态,得到故障诊断结果。结果表明,训练后的神经网络能很好地对CAY已知故障模式进行识别。因而利用神经网络技术可以实现对CAY的故障诊断。
通过学习,了解到神经网络的知识也存在一些不足,在某种意义上神经网络仅是一个数值计算的“黑箱”,人们不知道网络究竟学习了什么,也不知道以怎样的传输途径来达到一个输出结果,因而也就对结果的解释发生了困难。从这个角度来说,神经网络与传统的专家系统用于故障诊断各有所长,应当互为补充而不是简单取代。因此,对基于神经网络的专家系统(集成式专家系统)的CAY故障诊断技术有待于进一步研究,以期将神经网络故障诊断技术与专家系统相结合,并与CAY的自动检测设备相配合,实现对CAY故障诊断的快速检测与定位。
参考文献:
闻新等.MATLAB神经网络应用设计.科学技术出版社,2000,9.
周东华,叶银忠.现代故障诊断技术与容错控制.清华大学出版社.
徐玉秀等.基于专家系统与神经网络集成的故障诊断的应用研究.振动与冲击,2001,20(1).