智能控制相关论文

《智能控制相关论文》由会员分享，可在线阅读，更多相关《智能控制相关论文（6页珍藏版）》请在装配图网上搜索。

1、智能控制论文题目BP 网络介绍及应用举例学院计算机专业计算机系统结构学号110061007课程智能控制学生姓名孙丹枫教师包健日期2012 年 12 月1BP 网络概述BP (Back Propagation)网络是 1986 年由 Rumelhart 和 McCelland 为首的科 学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广 泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系， 而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法 通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。 BP 神 经网络模型拓扑结构包

2、括输入层(input)、隐层(hide layer)和输出层(output layer)。 2BP 网络应用神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。目前， 主要的研究工作集中在以下几个方面：( 1)生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物 科学方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。(2) 建立理论模型。根据生物原型的研究，建立神经元、神经网络的理论 模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。(3) 网络模型与算法研究。在理论模型研究的基础上构作具体的神经网络 模型，以实现计算机模拟或准备制作硬件，包括网络学习算

3、法的研究。这方面的 工作也称为技术模型研究。(4) 人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工 神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构 作专家系统、制成机器人等等。3BP 网络应用举例基于二阶 BP 神经网络的旋转机械故障的智能诊断旋转机械是各种类型机械 设备中数量最多应用最广泛的一类机械对旋转机械的监测和诊断很有必要。在 长期的观察和实践中人们对旋转机械的振动故障机理、振动形式和振动原因进 行了深入的研究，总结出一些振动信号与机械故障之间的关系。目前，诊断振动 故障多以外部诊断为主即以监测到的振动状态为基础，辅以其他运行工况参数， 利用信号检

4、测、信号处理、故障识别和故障定位技术进行故障诊断。由于诊断振 动故障是实践性很强的技术，所以基于人工神经网络或专家系统的模糊诊断是故 障建模和故障识别的发展主流。故障诊断的核心技术是模式识别。神经网络在运 行过程中能将分类模式存储在连接的权值中分配使网络具有自适应性的学习模 式分类规则。现介绍一种基于神经网络的旋转机械振动故障的智能诊断系统。3.1 断建模方法设Pin (f=l，2,，k)对应反映设备运行状态第n个观测样本的k个特征参数， yin(i=1， 2， l)对应第n个样本的l种故障模式，共有N个样本(n=l, 2,， N),则故障模式向量Y=yin 与特征参数向量P= PJn 间的内

5、在关系用函数，表示, 有P = f(Y)当yT8时，函数，存在逆函数s：y=s(P)诊断建模的实质就是根据有限的样本集.确定s(P)的一个等价映射关系ss(P), 使得对于任意 0 满足：S P SS（P）0和任意函数f： 0,1 nERnERm，存在一个三层BP网 络，它可在任意平方误差精度内逼近f。由定理1可知BP前馈神经网络通过自 学习都能一致逼近紧集上的连续映射函数f E Rn, Rm。因而SS（P）可以用神经网 络模型构建得到。3.2 模型设计及应用系统主要以神经网络构成，且吸收了专家系统的优势采用知识数据库。 利用知识数据库存储神经网络的权值、阈值和结构类型等数据，并且可以通过直

6、接和实例训练的方法产生新的网络结构和权值更新知识库。而使整个系统更为灵 活、自适应性和通用性强。系统应用于大型汽轮机发电机组框图如图 1 所示， 分为信号处理子系统和诊断子系统两部分。1信腹握1压牲理摄块_ I -_ B:義谱鬲总I址程粘征址:阶BP樗经冋塔=_,*惧鷹搏鏡网蜡-ITfZT战障真型数提岸-需崔敷据画厂二一神经网卑刘址荃一； !工-i人贾接口 1n 1墓于坤控网站的檢断祭址3.3 信号处理子系统信号处理子系统将采集的原始数据输入诊断神经网络之前先进行预处理提 取特征量。传感器的输出信号经采样和A/D转换为数字信号送人计算机。传感 器的选择和测点的分布要根据监测和诊断的目的确定和选

7、择。原始信号的预处理 方式很多，主要包括傅里叶变换、时频分析、小波变换、多频谱技术、高阶矩阵 等。同时。神经网络本身也具有特征提取的功能。汽轮机振动故障征兆分为振动 信号和运行状态两个方面。振动信号特征用频谱参数表示。以1 kHz为采样频率， 每次采样1024个点.频率分辨率为0. 9766Hz。采用快速傅氏变换（F盯）对离散 振动信号进行直接计算，既利于计算机自动计算又能满足振动信号实时处理的 要求。将时域振动信号转换为频域信号，就可知道振动信号中所包含的频率成分 和幅值及相位分布。通常，采用振动信号的功率谱.将各个频率的功率分量归一 化后，送人人工神经网络训练。训练好的神经网络就可辨识出故

8、障的性质、原因 和发生部位.运行状态参数主要包括机组负荷、转速、油温、油压、汽缸膨胀和 转子差胀等慢速变化信号.主要来自汽轮发电机组的监控系统。这些量采用模糊 量化的方法进行预处理，既保证了振动故障与运行状态之间的模糊性，又体现了 复杂非线性系统的模糊性。采用n隶属函数：12n r, c, A r c 2/22(1 r c /A)22/2 r c A0 其他 将运行状态参数分为小、中、大3 个模 7 糊集合。如图2 所示。再将三类隶属度 输人人工模糊神经网络训练。辅助振动信号进行振动故障诊断。22 诊断子系统诊断子系统采用的是集成神经网络的诊断策略。它通过对子网络的单独训练， 提供不同的神经网

9、络诊断方法，相互补充，有利于多类故障诊断。每个子网络的 输出包含了对特定故障的诊断信息，这些信息再送入决策融合嗣络进行融合最 终得出诊断信息。显然，集成神经网络利用各个子网络进行信息融合，有效利用 了各类信息，有助于提高确诊率。对于子网络的组建原则有如下定理：定理2：子网络的输出量（i = 1,2,，N,N为子网络个数）相关性最小，即相对独立时，融合系统的输出不确定性达到最小。由此定理，可推出以下原则：原则 1 子网络之间的相关性尽量小； 原则2特征向量（即子网络输入）之间的相关性尽量小。由此使子网络的类型和原理尽量不同这样输出量的相关性就会越小。所以图1 采用二阶前馈网络和模糊神经网络。并且

10、其输入的特征向景即振动频谱能量参数 和过程特征参量不同。由于二阶网络不但可以满足输人、输出的非线性映射要求， 而且还大大减少了网络的训练时间，同时存储的知识更完善，精度也有较大的提 高，所以为了使网络不过于复杂，本系统采用二阶前馈网络，以振动信号的功率 谱系数作为输入。二阶前馈网络的算法仍然采用BP算法，只不过添加了二阶的 权值，在前向计算中要加入二阶向量的计算，反向修改时既要修改一阶的权值， 也要修改二阶的权值。在同样的训练目标下。二阶与一阶网络的训练情况如表1 和图3所示。从表l和图3可见二阶网络的非线性能力更强.网络收敛速度也快。阶时二齡BP网詰茁枸 陽层节一点翡散 平均收散遠度8-16

11、-9寸000丈以hB-3O-9 logrig t 500-2 000 次表10J10肝1111 , _I0 500 1 000 1 500 2 000 2 S00 3 (XX)n图3二阶B卩两踣与一阶RP网堵的收玻速度比校运行状态参数是相对慢的变化量，采用模糊神经网络进行诊断。模糊神经网 络在近 10 a 应用比较多，它仍然是全局逼近器，这已为许多学者所证明。本系 统中，采用三层的模糊神经网络：第一层是输入层，第二层是规则层，第三层是 输出层。规则层采用n隶属函数将输入量划分为三个模糊集合.输出层采用线性 激活函数。规则层和输出层采用全连接，这样可以让神经网络自己提取诊断规则。 通过修改规则层

12、和输出层之间的权值，和规则层的n隶属度函数的c,从而使网 络的自适应性更强。决策网络以子网络的输出信息为输入这样保证了决策融合网络的输入节点 数始终等于故障类型数。决策神经网络主要进行信息融合，既可以采用神经网络 的方法，也可以采用传统的融合方法。这里采用“矢量加权之和”法。设故障矩 阵P和置信矩阵R：P11-.码1mT11 -r1cP =:R:p.p rc1cmm 1me融合网络的输出：y=PR 其中第 i 个故障发生的概率为Pl = Pt1 T1t +Pj2 r2i + + 匚显mr. = 1 ijj=1故障类型数据库主要描述各种类型的中间事实、故障结论及对策。当子网络 对特征信号参量进行

13、多侧面诊断后，得出初诊结果，产生可能存在的故障模式置 信度。对小而简单的设备系统而言，如果特征向量集合(即故障征兆)与故障模式 集合小的情况下单个神经网络足以进行直接诊断，得出诊断结果。特征知识库 主要描述神经网络的结构、权值、阈值等数据以及指导神经网络创建和诊断过 程。当要创建新的子网络时，通过人机界面输入诊断实例，包括训练集、初始化 权值、学习率等。训练如果收敛，就将新神经网络的结构、类型、传递函数等信 息数据存于知识库中，留以下次诊断时用。当网络不收敛时。在人机界面处给出 警告，请求重新训练，或更改训练数据、训练方法等。4BP 网络的不足虽然 BP 网络得到了广泛的应用，但自身也存在一些

14、缺陷和不足，主要包括 以下几个方面的问题。首先，由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时 间。对于一些复杂问题， BP 算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进。 其次，BP算法可以使权值收敛到某个值，但并不保证其为误差平面的全局 最小值，这是因为采用梯度下降法可能产生一个局部最小值。对于这个问题，可 以采用附加动量法来解决。再次，网络隐含层的层数和单元数的选择尚无理论上的指导，一般是根据经 验或者通过反复实验确定。因此，网络往往存在很大的冗余性，在一定程度上也 增加了网络学习的负担。最后，网络的学习和记忆具有不稳定性。也就是说，如果增加了学习样本， 训练好的网络就需要从头开始训练，对于以前的权值和阈值是没有记忆的。但是 可以将预测、分类或聚类做的比较好的权值保存。