神經(jīng)網(wǎng)絡實例(MATLAB).doc

基于BP神經(jīng)網(wǎng)絡的回熱系統(tǒng)故障診斷設(shè)計摘要：神經(jīng)網(wǎng)絡是一種模范動物神經(jīng)網(wǎng)絡行為特征，進行分布式并行信息處理的算法數(shù)學模型。這種網(wǎng)絡依靠系統(tǒng)的復雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系，從而達到處理信息的目的。對于實際中難以建立數(shù)學模型的復雜系統(tǒng)，神經(jīng)網(wǎng)絡更顯示出其獨特的作用。1986年，Rumelhart和McCelland領(lǐng)導的科學家小組在Parallel Distributed Processing一書中，對具有非線性連續(xù)轉(zhuǎn)移函數(shù)的多層前饋網(wǎng)絡的誤差反向傳播（Error Back Proragation，簡稱BP）算法進行了詳盡的分析，實現(xiàn)了Minsky關(guān)于多層網(wǎng)絡的設(shè)想。由于多層前饋網(wǎng)絡的訓練經(jīng)常采用誤差反向傳播算法，人們也常把將多層前饋網(wǎng)絡直接稱為BP網(wǎng)絡。BP網(wǎng)絡具有逼近任意非線性映射的能力，它含有隱層的多層前饋網(wǎng)絡能大大提高神經(jīng)網(wǎng)絡的分類能力。神經(jīng)網(wǎng)絡應用的其中一大領(lǐng)域是故障診斷。故障診斷是指在一定工作環(huán)境下查明導致系統(tǒng)某種功能失調(diào)的原因或者性質(zhì)，判斷劣化狀態(tài)發(fā)生的部分或部件，以及預測狀態(tài)劣化的發(fā)展趨勢等。故障診斷的過程分為三個主要步驟：第一步是檢測設(shè)備狀態(tài)的特征信號；第二步是從所檢測到的特征信號中提取征兆；第三步是根據(jù)征兆和其他診斷信息來識別設(shè)備的狀態(tài)，從而完成故障診斷過程的核心。關(guān)鍵詞：人工智能，神經(jīng)網(wǎng)絡，BP算法，故障診斷回熱系統(tǒng)是電機組的主要輔助系統(tǒng)之一，回熱系統(tǒng)長期處于高溫高壓的運行狀態(tài)，加之運行中還收到機組負荷突變、給水泵出現(xiàn)故障、旁路切換等因素的影響，所以回熱系統(tǒng)會頻繁出現(xiàn)故障。我們利用BP神經(jīng)網(wǎng)絡對故障進行診斷。BP算法實現(xiàn)一般步驟：1） 初始化；2） 輸入訓練樣本對，計算各層輸出；3） 計算網(wǎng)絡輸出誤差；4） 計算各層誤差信號；5） 調(diào)整各層權(quán)值；6） 檢查網(wǎng)絡總誤差是否達到精度要求，滿足，則訓練結(jié)束；不滿足，則返回步驟2。BP算法的基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳人，經(jīng)各隱層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望的輸出(教師信號)不符，則轉(zhuǎn)入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權(quán)值的依據(jù)。這種信號正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程，是周而復始地進行的。權(quán)值不斷調(diào)整的過程，也就是網(wǎng)絡的學習訓練過程。此過程一直進行到網(wǎng)絡輸出的誤差減少到可接受的程度，或進行到預先設(shè)定的學習次數(shù)為止。BP算法的網(wǎng)絡結(jié)構(gòu)示意圖如下：人們在對BP網(wǎng)絡的學習算法進行廣泛研究后，提出了不少改進的算法，典型的幾種：1） 引入慣性項2） 引入動量項3） 變尺度法4） 變步長法5） 計算輸出誤差根據(jù)回熱系統(tǒng)的運行經(jīng)驗及現(xiàn)場條件，利用9個運行參數(shù)提取故障征兆，歸納得到12個主要故障的樣本特征模式，歸一化處理后的數(shù)據(jù)如下表所示：表1 回熱系統(tǒng)主要故障的樣本特征模式序號故障征兆（輸入樣本）目標樣本抽氣流量抽氣壓力進口壓力進口水溫出口水溫混合水溫出口端差水位高度輸水溫度故障現(xiàn)象對應描述.10.500.500.500.500.750.750.250.500.50A000120.250.600.500.500.500.500.750.500.50B001030.750.400.750.500.500.500.500.500.50C001140.250.600.500.500.250.250.750.500.50D010050.250.600.500.500.000.001.000.500.50E010160.750.400.750.500.250.250.751.000.25F011070.250.600.500.500.500.500.750.750.50G011180.750.400.500.500.750.750.250.001.00H100090.250.600.500.500.750.250.250.500.50I1001100.250.600.500.500.250.250.751.000.50J1010110.500.500.500.501.000.750.251.000.50K1011120.000.750.750.500.500.750.251.000.50L1100注：A-運行正常 B-排氣管不暢 C-排氣管過大 D-管束污染 E-水測短路F-管束泄漏 G-疏水不暢 H-疏水閥故障 I-旁路故障 J-加熱器滿水 K-熱氣帶水 L-自身沸騰表1根據(jù)各個參數(shù)的不同特點來表示它們的變化范圍和程度?？紤]到參數(shù)測點的波動，將智能變大或變小的參數(shù)的正常值設(shè)定為0.25和0.75，而將可能雙向變化的參數(shù)的正長治值設(shè)定為0.5。這樣，作為神經(jīng)網(wǎng)絡的訓練樣本，大多數(shù)的參數(shù)在歸一化后其變化范圍加大了，極大地改善了訓練的收斂性。根據(jù)要求，我們采用BP網(wǎng)絡進行故障診斷。因為BP網(wǎng)絡具有逼近任意非線性映射的能力，所以它在故障診斷中的應用非常成功。1確定訓練樣本集由于BP網(wǎng)絡采用有教師的訓練學習方式，所以其訓練樣本集由輸入數(shù)據(jù)和目標輸出組成。這里選取回熱系統(tǒng)的9個運行參數(shù)所提取的故障征兆，作為網(wǎng)絡輸入數(shù)據(jù)向量的9個分量；12種主要故障分別用4位不同的二進制數(shù)表示如表1中所示，作為網(wǎng)絡目標輸出向量的4個分量。由表1可知，訓練樣本N為12，分別代表12中不同的主要故障。2網(wǎng)絡設(shè)計和訓練在本案例中將網(wǎng)絡設(shè)計為一個兩層BP網(wǎng)絡。由于輸入向量的維數(shù)為9，因此該網(wǎng)絡的輸入層的神經(jīng)元數(shù)為9個；而輸入向量的維數(shù)為4，故輸出層的神經(jīng)元數(shù)為4個。本例經(jīng)過實際訓練，通過對誤差結(jié)果的分析，最后設(shè)定隱含層的神經(jīng)元數(shù)為19個。由于網(wǎng)絡的輸入向量范圍為0,1，故隱含層神經(jīng)元的傳遞函數(shù)采用S型正切函數(shù)tansig，輸出層神經(jīng)元的傳遞函數(shù)采用S型對數(shù)函數(shù)logsig,這正好滿足網(wǎng)絡輸出在0,1之間的要求。訓練函數(shù)trainlm利用Levenberg-Marpuardt算法對網(wǎng)絡進行訓練。通過matlab可以方便的實現(xiàn)課題的完成，MATLAB程序如下：%確定訓練樣本集%x= 0.50,0.50,0.50,0.50,0.75,0.75,0.25,0.50,0.50; 0.25,0.60,0.50,0.50,0.50,0.50,0.75,0.50,0.50; 0.75,0.40,0.75,0.50,0.50,0.50,0.50,0.50,0.50; 0.25,0.60,0.50,0.50,0.25,0.25,0.75,0.50,0.50; 0.25,0.60,0.50,0.50,0.00,0.00,1.00,0.50,0.50; 0.75,0.40,0.75,0.50,0.25,0.25,0.75,1.00,0.25; 0.25,0.60,0.50,0.50,0.50,0.50,0.75,0.75,0.50; 0.75,0.40,0.50,0.50,0.75,0.75,0.25,0.00,1.00; 0.25,0.60,0.50,0.50,0.75,0.25,0.25,0.50,0.50; 0.25,0.60,0.50,0.50,0.25,0.25,0.75,1.00,0.50; 0.50,0.50,0.50,0.50,1.00,0.75,0.25,1.00,0.50; 0.00,0.75,0.75,0.50,0.50,0.75,0.25,1.00,0.50; 0.35,0.65,0.5,0.5,0.55,0.5,0.7,0.5,0.55;t= 0,0,0,1; 0,0,1,0; 0,0,1,1; 0,1,0,0; 0,1,0,1; 0,1,1,0; 0,1,1,1; 1,0,0,0; 1,0,0,1; 1,0,1,0; 1,0,1,1; 1,1,0,0;%網(wǎng)絡設(shè)計和訓練%X=x;T=t;X1=X(:,1:12);%測試第13組T1=T(:,1:12);%測試第13組%建立神經(jīng)網(wǎng)絡，19,4隱層為2*輸入+1,4為輸出net=newff(minmax(X1),19,4,tansig,logsig,trainlm);net.trainparam.epochs=1000;net.trainparam.goal=0.0001;net=train(net,X1,T1);y1=sim(net,X1);%測試y1=sim(net,X1);X_test=X(:,13);%測試第13組Y_test=sim(net,X_test);運行程序，可以得到結(jié)果：圖1 誤差變化曲線經(jīng)過網(wǎng)絡訓練后，根據(jù)下表所示的一組測試樣本，對網(wǎng)絡進行測試。序號故障征兆抽氣流量抽氣壓力進口壓力進口水溫出口水溫混合水溫出口端差水位疏水溫度10.350.650.500.500.550.500.700.500.55根據(jù)上表中的數(shù)據(jù)，把需測試的數(shù)據(jù)寫到第十三組。運行結(jié)果：x = Columns 1 through 12 0.5000 0.2500 0.7500 0.2500 0.2500 0.7500 0.2500 0.7500 0.2500 0.2500 0.5000 0 0.5000 0.6000 0.4000 0.6000 0.6000 0.4000 0.6000 0.4000 0.6000 0.6000 0.5000 0.7500 0.5000 0.5000 0.7500 0.5000 0.5000 0.7500 0.5000 0.5000 0.5000 0.5000 0.5000 0.7500 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.7500 0.5000 0.5000 0.2500 0 0.2500 0.5000 0.7500 0.7500 0.2500 1.0000 0.5000 0.7500 0.5000 0.5000 0.2500 0 0.2500 0.5000 0.7500 0.2500 0.2500 0.7500 0.7500 0.2500 0.7500 0.5000 0.7500 1.0000 0.7500 0.7500 0.2500 0.2500 0.7500 0.2500 0.2500 0.5000 0.5000 0.5000 0.5000 0.5000 1.0000 0.7500 0 0.5000 1.0000 1.0000 1.0000 0.5000 0.5000 0.5000 0.5000 0.5000 0.2500 0.5000 1.0000 0.5000 0.5000 0.5000 0.5000 Column 13 0.3500 0.6500 0.5000 0.5000 0.5500 0.5000 0.7000 0.5000 0.5500Y_test = 0.0068 0.0101 0.9869 0.0001也就是說近似于：0010由此可見，網(wǎng)絡的分類結(jié)果是正確的。也就是說，網(wǎng)絡成功診斷出系統(tǒng)此次發(fā)生的故障為B類故障，即排氣管不暢。因此B