（核能科学与工程专业论文）基于神经网络的凝汽设备故障诊断专家系统研究.pdf

哈尔滨工程大学硕士学位论文 摘要 无论是核动力装置还是蒸汽动力装置，凝汽设备都是重要的组成部分， 保证其安全稳定运行具有重要的意义。但是，凝汽设备的故障具有多发性、 不确定性等特点，而且故障征兆与故障原因之间存在着复杂的非线性映射关 系，很难建立合适的模型，因此运用经典故障诊断技术难以解决其诊断问题。 如何利用智能诊断方法实现凝汽设备的故障诊断是本文要研究的问题。 本文综合分析了各种智能故障诊断方法，建立了基于神经网络的故障诊 断专家系统( a 旺s ) 模型，并详细介绍了系统的结构和设计方法。 a n n e s 融合了神经网络自学习能力强和专家系统知识表达明确的优点， 简化了神经网络学习、数据获取及专家系统推理规则建立的过程。神经网络 是a n n e s 的重要组成部分，它的性能好坏是评定a n n e s 的重要标准，本 文通过对标准b p 网络与改进b p 网络( 本文采用自适应学习速率) 的对比， 无论在误差精度还是在学习速度方面，改进b p 网络都明显优于标准b p 网络， 故选择改进b p 网络。a n n e s 的实现过程可描述为：运用专家经验，构造 各个神经网络子模块的网络结构，利用学习样本对构造的神经网络进行训练， 按照网络内部自适应算法不断修改权值和域值分布直至达到要求的精度，这 样就把专家求解实际问题的启发式知识和经验转换成了网络的分布结构及权 值；通过网络的前向计算，获得输出向量；对输出进行处理，为用户提 供故障诊断结果以及处理意见等信息。 最后针对某核动力装置凝汽设备实现了a n n e s 的故障诊断，证明了该 故障诊断方法的可行性。进一步证明了基于神经网络与专家系统结合的智能 故障诊断方法能够很好地解决象凝汽设备这类故障具有多发性、不确定性等 特点设备的故障诊断问题，其诊断结果精确、可靠。 关键词：故障诊断：神经网络；专家系统：a n n e s 凝汽设各 哈尔滨工程大学硕士学位论文 a b s t r a c t i ti ss i g n i f i c a t i v e l yt h a tt h ec o n d e n s a t i o ne q u i p m e n tw o r k ss a f e l ya n ds t e a d i l y i nt h en u c l e a rp o w e rp l a n to rt h er e g u l a rp o w e rp l a n t h o w e v e r , t h ef a u l t so f t h e c o n d e n s a t i o ne q m p m e n th a v ep i l o s i t yn a t u r e ，u n c e r t a i n t ya n dd i s g u i s ew h i c h m a k ed i 伍c u l t i e sf o rf a u l td i a g n o s i so ft h ec o n d e n s a t i o ne q u i p m e n t t h ef a u l t s i g na n dt h ef a u l tr e a s o no f t h ec o n d e n s a t i o ne q u i p m e n th a v ec o m p l e xn o n - l i n e a r m a p p i n gr e l a t i o n s t h e r e f o r ei t c a nn o tn s es i m p l em o d e lt od e s c r i b e t h i sh a s b r o u g h tt h ep u z z l ef o rt h ec l a s s i cf a u l td i a g n o s i st h e o r y t h ei n t e l l i g e n td i a g n o s i s m e t h o db a s e do na r t i f i c i a ln e u r a ln e t w o r k ( a n n ) a n de x p e r ts y s t e m ( e s ) c a n s o l v ea b o v ep r o b l e m sg r e a t l ya n dt h ed i a g n o s i sr e s u l t sa r em o r ea c c u r a t ea n d r e l i a b l e t h ep r o b l e mw h i c hh o wt or e a l i z ef a u l td i a g n o s i so ft h ec o n d e n s a t i o n e q u i p m e n tw i t hi n t e l l i g e n td i a g n o s i sh a sb e e nr e s e a r c h e di nt h i sp a p e r a l lk i n g so fd i a g n o s i st e c h n o l o g ya n dm e t h o d sh a v eb e e na n a l y z e di nt h i s p a p e r t h em o d e lo f f a u l td i a g n o s i se sb a s e do na n n w h i c hi sc a l l e da n n e sf o r s h o r th a sb e e ne s t a b l i s h e d t h i ss y s t e mi sm a d eu pb ym e m o r ys y s t e mo f k n o w l e d g e ，l e a r n i n gs y s t e m s ，r e a s o n i n gm a c h i n e ，e x p l a i n i n g d e v i c ea n d h u m a n e o m p m e ri n t e r a c t i o ni n t e r f a c e d e t a i l e ds t r u c t u r ea n dd e s i g nm e t h o do f e v e r yp a r th a v eb e a np r o v i d e di nt h i sp a p e r a n n e sh a sm e r g e dt h ea d v a n t a g et h a tf o r m i d a b l ea d a p t i v el e a r n i n ga b i l i t yo f a n na n de x p l i c i tk n o w l e d g ee x p r e s s i o no f e s ，s i m p l i f i e dt h ep r o g r e s so f l e a r n i n g a n dg a i n i n gd a t ao fa n na n db u i l d i n gi n f e r e n c er u l e a n ni si m p o r t a n tp a r to f a n n e sa n di ti st h ec r i t e r i o nt h a ta n n e si sg o o do rb a d t h i sp a p e rh a s a p p r o v e dt h a ta d a p t i v es t u d yr a t eh a sm o r ea d v a n t a g e st h a nr e g u l a rb pw h e t h e r p r e c i s i o no rt r a i n i n gs p e e d s o ，a d a p t i v es t u d yr a t em e t h o dh a sb e e na p p l i e di n t h i sp a p e r t h ef l o wo f t h i sa n n e si s ：f o r me v e r yc h i l d r e na n n m o d e l sa n d s a m p l e s w i t ht h ee x p e r i e n c eo f e x p e r t so rk n o w l e d g ei nt h eb o o k s t h es y s t e mh a s 哈尔滨工程大学硕j ：学位论文 u s e dt h ea d a p t i v es t u d yr a t es t u d y i n ga l g o r i t h m st ot r a i ns a m p l e s t h r o u g h a d a p t i v ea l g o r i t h mo fn e t w o r k , t h es y s t e mr e v i s e sr i g h tv a l u e s d i s t r i b u t i o n c o n s t a n t l ys o t om e e tg o a l d i s t r i b u t et h eh e u r i s t i ck n o w l e d g ea n de x p e r i e n c e k n o w l e d g et o n e t w o r ki n t e r c o n n e c t i o na n dr i g h tv a l u e s t h r o u g hf r o n t c o m p u t a t i o n o ft h en e t w o r k , t h eo u t p u to b t a i n st h e o u t p u tv e c t o r t h e e x p l a n a t i o nm o d e lo f e se x p l a i nt ou s e r s h lm ee n d t h i sp a p e rh a sr e a l i z e dt h ef a u l td i a g n o s i so ft h ec o n d e n s a t i o n e q u i p m e n to f t h en u c l e a rp o w e r p l a n tb a s e do na n n e si n t e l l i g e n td i a g n o s i sa n d i th a sp r o v e nt h i sf a u l td i a g n o s i sm e t h o df e a s i b i l i t y m e a n w h i l e ，i th a sm o r e p r o v e nt h i si n t e l l i g e n tf a u l td i a g n o s i sm e t h o dw h i c hh a sm e r g e dt h ea d v a n t a g e so f a n na n de sc a l ls o l v et h ee q u i p m e n tf a u l td i a g n o s i sp r o b l e mt h a tf a u l t sh a v e p i l o s i t yn a t u r e u n c e r t a i n t ya n dd i s g u i s es u c h 龉t h ec o n d e n s a t i o ne q u i p m e n t 1 1 l e d i a g n o s i sr e s u l t sa r ep r e c i s ea n dc r e d i b l e k e yw o r d s ：f a u l td i a g n o s i s ；a r t i f i c i a ln e u r a ln e t w o r k ；e x p e r ts y s t e m ；a n n e s ； c o n d e n s a t i o ne q u i p m e n t 哈尔滨工程大学 学位论文原创性声明 本人郑重声明：本论文的所有工作，是在导师的 指导下，由作者本人独立完成的。有关观点、方法、 数据和文献的引用己在文中指出，并与参考文献相对 应。除文中已注明引用的内容外，本论文不包含任何 其他个人或集体已经公开发表的作品成果。对本文的 研究做出重要贡献的个人和集体，均已在文中以明确 方式标明。本人完全意识到本声明的法律结果由本人 承担。 作者( 签字) ：登壹查 日期：2 0 司年月5 日 哈尔滨丁程大学硕士学位论文 第1 章绪论 1 1 课题的提出及意义 故障诊断( f a u l td i a g n o s i s ) 起始于机械设备的故障诊断技术，其全名 是机械设备状态监测与故障诊断技术( 简称监测与诊断技术) 。它包括两方 面的内容：一是对设备的运行状态进行检测；二是在发现异常情况后对设 备进行分析、诊断并提出维修方案。设备故障诊断是伴随着设备管理和 设备维修发展起来的，随着现代科学技术的发展，设备复杂化程度和自动 化水平不断提高，对系统的可靠性也提出了越来越高的要求，组成系统的 任何部件( 硬、软件) 出现故障或失效，都可能带来很大的经济损失，甚 至灾难性后果”1 。历史上因系统的低可靠性或零部件故障排除延迟而导致 严重事故的事件不胜枚举，如在核工程反应堆放射性物质外流发生重大泄 漏事故( 1 9 7 9 3 2 9 美国，1 9 8 6 4 2 7 苏联) ；发电站发生炸裂毁坏事件 ( 1 9 8 6 1 0 ，1 9 8 8 2 美国) ；航空航天工程发生悲惨的空难事故( 1 9 8 7 日本， 1 9 8 6 1 2 8 美国) 等。故障诊断技术的发展无疑为提高系统可靠性提供了新 的途径，它的进步所带来的经济效益是巨大的。 无论是核动力装置还是蒸汽动力装置，凝汽设备都是重要的组成部分， 保持它的安全可靠运行是核动力或蒸汽动力系统运行的首要任务。当凝汽 设备出现故障时，如果不能实现迅速准确的故障诊断，就不能实现核动力 或蒸汽动力系统的协调运行，严重时可能出现停机维修，其费用巨大。因 此，对凝汽设各进行准确的故障定位与故障诊断是现场事故恢复处理的重 要组成部分，对核动力装置或蒸汽动力装置的安全运行具有重要的意义。 目前对凝汽设备的故障诊断方法的研究也是当今电力工业中设备故障诊断 技术的热门话题。 1 2 故障诊断方法与发展 实际系统可能发生的故障是多种多样的。从故障发生的部位，可分为 哈尔溟工程大学硕士学位论文 仪表故障、传感器故障、执行器故障和元部件故障；根据故障的性质可分 为突发性故障和渐进性故障等。同时故障的性质也具有多样性，故障的主 要性质表现在”l ： 1 层次性。系统的层次性决定了系统故障的层次性。 2 时间性。系统故障的发生和表现往往与时间有关，即由系统的动态 性所决定。 3 模糊性。系统运行状态中的模糊性使得人们在对故障进行监控或诊 断中存在许多模糊化的概念及方法。 4 未确知性。由于主观或客观原因的限制，对故障的确诊往往是不确 知的。 5 相对性。不同的条件或环境，不同的描述方法，对故障的认识是不 同的。 系统故障的多样性决定了故障诊断的复杂性和故障诊断方法的多样 性。通常，故障诊断方法可以分为传统诊断方法和基于人工智能的故障诊 断方法”1 。 1 2 1 传统的故障诊断方法 传统的故障诊断方法包括基于解析模型的方法、基于信号检测与处理 的方法。 基于解析模型的故障诊断方法是发展得最早、研究得最系统的一种故 障诊断方法。它可以进一步分为参数估计法、状态估计方法。参数估计的 故障诊断方法指通过对系统模型参数的辨识来达到故障诊断的目的，即由 参数的显著变化来描述故障：由于被控过程的状态直接反映系统的运行状 态，因此通过重构和估计系统的状态并结合适当的模型也可以进行故障诊 断。但无论是参数估计法还是状态估计法，这种诊断方法首先需要建立诊 断对象较为精确的数学模型，而这一点对于诸如非线性系统等复杂大系统 的诊断问题来说则是一个难以逾越的障碍”“q 。 当难以建立诊断对象的解析数学模型时，基于信号检测与处理的故障 诊断方法是十分有用的。此方法不依赖于系统的数学模型，可以直接利用 信号模型，如相关函数、高阶统计量、频谱、小波等对系统的相关信号进 哈尔滨工程大学硕士学1 1 i ) ：论文 行检测，从中抽取相应的故障信息进行诊断。该诊断方法的缺点是：依 赖于对信号的检测与处理，因此往往会受信号噪声的影响；通常只局限 于用特定信号诊断某些特定的故障，未能考虑各种故障间的影响：当诊 断对象变得庞大复杂时，通常需要增加检测手段和计算量；诊断系统往 往只局限于某一具体系统或故障的诊断，很难进行扩充或应用于不同的诊 断对象。 1 2 2 基于人工智能的故障诊断方法 基于人工智能的故障诊断方法与基于信号检测与处理的故障诊断方法 一样，也不需要系统的解析数学模型，但它克服了基于信号检测与处理方 法的缺点，能够模拟人类专家对复杂系统进行故障诊断，做到既能充分利 用专家知识与经验进行快速推理和诊断，又能很方便地推广应用于各种不 同的诊断对象，具有较强的诊断鲁棒性和系统扩充能力。现将几种主要的 基于人工智能的故障诊断方法介绍如下川m ： 1 基于故障树的诊断方法 故障树方法是由计算机依据故障与原因的先验知识和故障率知识自动 辅助生成故障树，并自动生成故障树的搜索过程。目前这种方法已经发展 到由计算机自动生成或辅助生成故障树，并自动生成故障树的搜索过程， 这对大型复杂系统是十分必要的。 2 基于模式识别的诊断方法 该故障诊断方法的步骤为：第一步，故障模式向量的形成，选择出能 表达系统故障状态的向量级；第二步，特征向量的提取，由于故障模式向 量中各参数的重要性不同，它们也不一定相互独立，因此从中选择出对故 障状态最敏感的特征参数，构成特征向量集，即构成故障的基本模式集； 第三步，判别函数的形成，它是由特征向量以一定方式构成的，用于识别 系统目前状态属于哪一基准，即系统属于哪种故障状态。 采用这种方法的前提是必须具有大量的有关故障的先验知识，对新故 障此法不适用。因此，必须通过自学习增加基准模式集。 3 基于模糊数学的方法 许多被诊断对象的故障状态是模糊的，诊断这类对象的一个有效方法 哈尔滨工程大学硕士学位论文 是应用模糊数学理论。基于模糊数学的诊断方法不需要建立精确的数学模 型，适当地运用隶属函数和模糊规则，进行模糊推理就可以实现模糊系统 的智能化。 4 基于专家系统的诊断方法 基于专家系统的诊断方法是故障诊断领域中最为引人注目的发展方向 之一。它大概经历了两个阶段：基于浅知识( 领域专家的经验知识) 的故 障诊断系统和基于深知识( 诊断对象的模型知识) 的故障诊断系统”。 对于在线监测或诊断系统，专家系统数据库中的内容是实时检测到的 工作数据。对于离线诊断，数据库中的内容可以是发生故障时检测到的数 据，也可以是人为检测到的一些特征数据。知识库中存放的一般知识可以 是系统的工作环境，存放的系统知识反映了系统的结构知识，存放的规则 集是一组规则，反映系统的因果关系。专家系统的推理机在知识库和数据 库的支持下，综合利用各种规则，进行一系列推理，得出诊断结果。有时 它在运行时需要向用户索取必要的信息，才能找出最终故障或最有可能的 故障。 5 基于神经网络的诊断方法 近年来，神经网络以其独特的容错、联想、推测、记忆、自适应、自 学习和处理复杂多模式等优点，在许多学科得到了广泛的应用。在故障诊 断领域，应用前景十分乐观。 在知识获取上，神经网络的知识不需要由知识工程师进行整理、总结 以及消化领域专家的知识，只需用领域专家解决问题的实例或范例来训练 神经网络；在知识表示方面，神经网络采取隐式表示，在知识获取的同时， 自动产生的知识由网络的结构和权值表示，将某一问题的若干知识表示在 同一网络中，通用性强，便于实现知识的自动获取和并行联想推理。在知 识推理方面，神经网络通过神经元之间的相互作用来实现推理。目前在许 多领域的故障诊断系统中已经开始使用，并取得了较好的成果。 基于神经网络的故障诊断的步骤为：第一步，选择能反映系统动态特 性、建模误差和干扰影响因素等的变量作为网络输入量，并认为设定网络 的输出向量值；第二步，选择合适的神经网络：第三步，根据确定的输入 输出向量训练神经网络，确定权值和域值；第四步，将新的反映系统动态 哈尔滨_ 程大学硕士学位论文 特性的输入信号输入到神经网络，根据输出值是否超过所规定的域值，判 断系统是否发生故障。 由于神经网络具有联想记忆和自学习的功能，因此出现新故障时，可 以通过自学习不断调整权值和域值，以提高检测率，降低误报率和漏报率。 因此神经网络可以很好的应用于故障诊断。 1 2 3 故障诊断系统的功能特点 根据以上故障诊断方法的分析，一个完整的故障诊断系统，除具备一 般专家系统的特点外，还应具备以下几个特点”1 ： ( 1 ) 诊断系统应能综合利用多种信息和多种诊断方法，以灵活的诊断 策略来解决诊断问题； ( 2 ) 诊断系统的结构应该模块化，使之可以很方便的调用其它程序； ( 3 ) 诊断系统应具有自学习的功能，这是现代智能故障诊断系统的一 个重要特点。 1 3 神经网络与专家系统的结合综述 神经网络与专家系统是智能诊断技术中两种最具发展前景的诊断方 法，越来越多的专家学者对这两种方法进行更深入的研究。 1 3 1 神经网络与专家系统结合的可行性分析 随着知识工程的发展以及数据库、虚拟现实、神经网络等技术的研究， 必然会引起智能故障诊断系统在各个方面的不断发展。自1 9 6 5 年 f e g c n b a u m 等人研制了世界上第一个专家系统d e n d r a l 以来，专家系统已 经应用了4 0 余年。自从8 0 年代再次掀起神经网络的研究热潮，神经网络 技术在许多方面也得到了广泛的应用”1 。虽然二者在理论与应用方面都取 得了一些成果，但在工程实际中，单独应用一种方法遇到了很多困难，二 者之间在某些方面具有互补性可以考虑将二者结合起来。 专家系统与神经网络具有很多相似之处，它们具有相同的动机和目的， 都是用来模拟人类的思维过程。但在方法上是不同的，专家系统是一种演 绎推理的方法，它需要知识与实例；而神经网络是一种归纳推理的方法， 是由数据驱动的。表1 1 列举了二者的特征比较。 哈尔滨工程大学硕十学位论文 表1 1 专家系统与神经网络的特征比较 特征专家系统神经网络 自学习能力无有 自适应能力无 有 容错能力无有 处理模糊数据能力通常无有 编程量大小 维护量大小 解释能力强差 数据存储能力强 低 计算能力堕一多样 逻辑能力 严格模糊 推理能力有策略没有策略 适用领域特定 广泛 从表1 1 可知，神经网络与专家系统各自能解决某一特定类型的问题， 而二者在某些方面各自具有自己的优势，它们之间相互结合可以实现二者 互补。一方面，引入神经网络可以提高专家系统解决问题的能力，使系统 具有采用单一方法所不具备的能力；利用神经网络为专家系统提供模式识 别能力、相关存储能力以及信号处理能力：利用神经网络的学习能力使专 家系统能够根据系统的数据、事例来学习新的知识与信息，进行规则的学 习与调整；利用神经网络的数字特性协助专家系统处理非线性和不确定性 复杂信息；利用神经网络协助专家系统提高推理效率。另一方面专家系统 可以帮助神经网络解决知识表决、符号推理等问题；可以协助神经网络确 定网络结构、初始权值、训练数据等。 综合以上分析，理论上神经网络和专家系统是可以有机结合的。 1 3 2 国内外研究现状 国外在八十年代末到九十年代初，将专家系统和神经网络结合起来的 综合主义思想开始产生，国外有s i g a l l a n t 的c o n n e c t i o n i s te x p e r ts y s t e m s 、 哈尔滨工程大学硕士学位论文 r c l a c h e r 等人的e x p e r tn e t w o r k s 、k s a m a d 的c o n n e c t i o n i s tr u l e d b a s e d s y s t e m s 以及l m f u 等人的m a p p i n gr u l e b a s e ds y s t e m si n t on e u r a l a r c h i t e c t u r e 等。s i g a l l a n t 推出的用于医疗诊断的连接主义专家系统，开 创了神经网络与专家系统结合的先例。1 9 8 9 年d i e t z 等创建了喷气和火 箭发动机故障诊断神经网络专家系统等等。 早在1 9 8 8 年，中国的戴汝为院士提出了综合智能系统模型的设想。综 合主义思想的直接成果首先是神经网络专家系统的产生，如文献 【9 1 1 0 1 1 1 1 2 等，其实质是用神经网络去构造传统专家系统的各个部件， 这在实际中是可行的，并在解决许多实际问题中发挥了作用。 北京科技大学与安阳钢铁集团公司共同开发研制的高炉冶炼神经网络 专家系统成功地应用于鞍钢2 号3 0 0 立方米高炉，安徽省地震局研制的“基 于模糊神经网络和符号推理的地震预报专家系统”以模糊神经网络作为专 家系统的前端，通过分析杂乱无章的数据，得到有关的知识。 1 3 3 基于神经网络的故障诊断专家系统出现的意义 在基于神经网络的专家系统中，专家系统的全部或部分功能被神经网 络取代。比较典型的方法就是利用神经网络学习算法获取知识，通过神经 网络的连接模型表示知识，以充分利用神经网络学习能力的优势。在专家 系统方法中，知识是通过符号以某种数据结构表示的，若采用神经网络之 间的连接及各连接权值的分布来表示特定的决策规则，可以比较好的表示 专家知识，基于神经网络的故障诊断专家系统主要优势在于其较强的学习 能力。本论文将在第4 章对基于神经网络的故障诊断专家系统进行详细介 绍。 1 4 本课题的研究内容及论文安排 智能故障诊断技术的研究目前主要从两个方面展开：基于知识的智能 故障诊断技术和基于神经网络的智能故障诊断技术。基于神经网络的故障 诊断专家系统是故障诊断专家系统和神经网络的诊断系统的有机结合，它 既具有专家系统的逻辑思维能力，又具有神经网络的经验思维能力。 本课题在分析人工神经网络和专家系统的基础之上，深入研究了二者 哈尔滨工程大学硕士学位论文 r 的结合途径和方法，结合对凝汽设备故障特点的研究，建立了基于神经网 络的凝汽设备故障诊断系统模型，并实现了智能诊断。 本论文从以下几个方面阐述了课题的研究过程： 1 分析了故障诊断的意义及其目前应用的各种故障诊断方法，对神经 网络与专家系统结合理论进行简要的分析。 2 详细分析了神经网络的基本理论以及神经网络在故障诊断领域内 的应用，研究了误差反向传播( b p ) 算法的实现，并针对传统b p 算法的 不足，提出改进b p 算法；通过诊断实例分析了b p 网络诊断系统的实现， 并证明了改进b p 算法的优越性，然后分析了单一神经网络用于故障诊断 的局限性。 3 分析了专家系统的基本结构和特点，并以实例分析了传统专家系统 应用于故障诊断遇到的问题。 4 针对神经网络和专家系统的特点，提出基于神经网络的核动力装置 凝汽设备故障诊断专家系统的基本构想和设计方案。 5 进行软件设计，对基于神经网络的凝汽设备故障诊断专家系统的总 体框架、子模块设计等进行详细说明；用v b 编制了程序及其界面，界面 友好，便于操作。 哈尔滨工程大学硕士学位论文 第2 章神经网络在故障诊断中的应用 神经网络技术的出现，为诊断问题提供了一种新的途径，特别是对于 实际中难以建立数学模型的复杂系统，神经网络显示出独特的作用。总之， 神经网络可以成功地应用于故障诊断领域。 2 1 神经网络理论 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，a 卜n ) 简称神经网络，是由 大量的处理单元( 神经元) 互相连接而成的网络“”，这一结构决定着神经 网络具有高速信息处理能力。虽然它模拟大脑的特性，但实际上并没有完 全反映大脑的功能，只是对生物神经网络进行某种抽象、简化和模拟。 神经网络的知识存储容量很大。在网络中，知识与信息的存储表现为 神经元之间分布式的物理联系。它分散地表示和存储于整个网络内的各神 经元及其连线上。每个神经元及其连线只表示一部分信息，而不是一个完 整具体的概念，只有通过各神经元的分布式综合效果才能表达出特定的概 念和知识。 由于神经网络中神经元个数众多以及整个网络存储信息容量的巨大， 使得它具有很强的处理不确定性信息的能力。即使输入信息不完全、不准 确或模糊不清，神经网络仍然能够联想思维存在于记忆中的事物的完整图 像。只要输入的模式接近于训练样本，系统就能给出正确的推理结论。 正是因为神经网络的结构特点和其信息存储的分布式特点，使得它相 对于其它的判断识别系统，如专家系统等，具有另一个显著的优点：健壮 性。无论是某个或是某些神经元失效，整个网络仍能继续工作。 总的来说神经网络之所以受到人们如此重视，主要因为它具有如下特 点吧 ! 学习能力 哈尔滨工程大学硕士学位论文 学习能力是神经网络具有智能性的重要表现，即通过训练可抽象出训 练样本的主要特征，表现出强大的自适应能力。 2 分布性 。 神经网络中，信息分布在神经元的连接上，单个的神经元和连接权值 都没有多大的用途，但它们组合起来，就能从宏观上反映出一定的信息特 征。对个别神经元或连接权值的损坏，并不会对信息特征造成太大的影响， 表现了神经网络强大的鲁棒性( 受干扰时自动稳定的特性) 和容错能力。 在输入信号受到一定的干扰时，输出也不会有较大的畸变。神经网络的信 息分布特性，还使经过训练的神经网络具有强大的联想能力。 3 并行性 神经网络是对人脑结构和功能的模拟，但更偏重对结构的模拟。各种 神经元在处理信息时各自独立，它们分别接受输入，作用后产生输出。这 种并行计算的处理，使得它有可能用于实时快速处理信息，成为下一代智 能计算机的基础。 4 非线性 神经网络可有效地实现输入空间到输出空间的映射，寻求输入到输出 间的非线性关系模型是工程界普遍面临的问题。对大部分无模型的非线性 系统，神经网络都可以很好的模拟。因此，神经网络成为非线性系统研究 的重要工具。 从神经网络的这些特性可以看出，神经网络的优点是传统的符号推理 难以实现的，也正是由于神经网络的这些特性，使得它在很多领域中得到 了很成功的应用。 2 2 神经网络在故障诊断领域内的应用 2 2 1 神经网络用于故障诊断的结构 一个神经网络用于诊断时，主要包括三层”：输入层，即从控制系 统接收的各种故障信息及现象；中间层，把从输入层得到的故障信息， 经内部的学习和处理，转化为针对性的解决方法。中间层含有隐节点，它 通过权系数连接着输入层与输出层，当然中间层可以根据需要选择多层， 1 0 哈尔溟1 = 程大学硕士学位论文 也可以不要中间层，只是连法不同而已；输出层，针对输入的故障形式， 经过调整权系数后，得到的处理故障方法。当网络训练完毕，对于每一个 新输入的状态信息，网络将迅速给出分类结果。图2 1 表示基于神经网络 的故障分类诊断的一般流程图。 状态信号叫信号预处理h 特征提取h 神经网络卜诊断结果 图2 1 神经网络分类诊断流程图 基于神经网络的故障诊断具有如下特点”： ( 1 ) 可用于系统模型未知或系统模型较为复杂以及非线性系统； ( 2 ) 可用于复杂多模式的故障诊断； ( 3 ) 可用于离线诊断，也可适应实时监测的要求； ( 4 ) 对输入模式不完备的情况下不敏感。 2 2 2 神经网络在故障诊断领域成功应用实例 神经网络技术的出现，为故障诊断问题提供了一种新的途径，特别是 对于实际中难以建立数学模型的复杂系统，神经网络显示出独特的作用。 总之，神经网络可以成功地应用于故障诊断领域，主要基于以下几方面的 原因1 7 1 ”： ( 1 ) 训练过的神经网络能存储有关过程的知识，能直接从历史故障信 息中学习，可以根据对象的日常历史数据训练网络，然后将此信息与当前 测量数据进行比较，以确定故障的类型； ( 2 ) 神经网络具有滤除噪声及在有噪声的情况下得出正确结论的能 力，可以训练神经网络来识别故障信息，使其能在噪声环境中有效地工作， 这种滤除噪声的能力使得神经网络适合在线故障检测和诊断； ( 3 ) 神经网络具有分辨故障原因及故障类型的能力。 因此，神经网络自身的特性决定了它在故障诊断领域内必将具有广泛 的应用前景。在核工程故障诊断领域，哈尔滨工程大学核科学与技术学院 在神经网络应用方面取得了初步的成果，如文献【1 9 】介绍了模糊神经网络 在船用核动力装置故障诊断中的应用，充分运用了神经网络的学习能力及 泛化能力等优势；文献 2 0 中将神经网络与d s 证据理论相结合，开发了 哈尔滨工程大学硕十学位论文 船用核动力装置的数据融合诊断系统。 2 3b p 神经网络 目前用于故障诊断中典型的神经网络有b p 网络、r b f 网络、s o m 网 络、p n n 网络等，其中b p 网络是故障诊断领域中应用最成熟的网络。本 论文主要对b p 网络进行介绍。 2 3 1b p 神经网络基本原理及算法 前向多层神经网络的反传学习理论( b a c k p r o p a g a t i o n ，缩写为b p ) ， 最早是由韦伯斯( w c r b o s ) 在1 9 7 4 年提出来的。r u m c l h a r t 等在1 9 8 2 年 成立了一个p d p ( p a r a l l e ld i s t d b m e dp r o c e s s i n g ) 小组，研究并行分布信 息处理方法，探索人类认知的微结构并于1 9 8 5 年发展了b p 网络学习算法， 实现了m i n s k y 的多层网络设想。b p 网络由三层结构组成，即输入层、中 间层和输出层，中间隐层根据对不同问题的描述，可以有一层或多层，各 层中还可以有多个神经元，图2 2 是b p 网络的拓扑结构。 图2 2 b p 神经网络模型 采用b p 算法的多层网络是目前应用最多的a n n 模型之一。”，这是因 为： ( 1 ) b p 算法是有指导的学习，是靠调节各层的加权使网络对训练组进 行学习，其执行优化的基本方法是梯度下降法，它的算法可使网络产生的 实际输出与期望输出量相一致； ( 2 ) b p 网络是一个含有隐蔽层的网络，其算法由正向传播和反向传播 哈尔滨工程大学硕士学位论文 组成，模式从输入层输入，经隐蔽层逐层处理后传入输出层。在正向传播 阶段，每一层神经元的状态只影响下一层神经元的状态，如果输出层得不 到期望的输出结果，则进入误差反向传播阶段，网络根据反向传播的误差 信号修改各层的连接权，使误差信号达到最小，从而可以产生输入输出的 非线性映射，这正好迎合解决故障模式识别的非线性复杂问题。 可以证明，在隐含层节点可以根据需要自由设置的情况下，用三层前 向神经网络可以实现以任意精度逼近任意连续函数。b p 网络中的动力学过 程有两类”2 2 ”：一类是学习过程，在这类过程中，神经元之间的连接权将 得到调整，使之与环境信息相符合。连接权的调整方法称为学习算法。另 一类过程是指神经元网络的计算过程，在该过程中将实现神经网络的活跃 状态的模式变换。与学习过程相比，计算该过程的速度要快得多，因而， 计算过程又称为快过程。与之对应，学习过程通常称为慢过程。 下面具体推导b p 网络的学习算法。 节点的作用函数有阶跃函数、分段线性函数及s i g m o i d 函数，以 s i g m o i d 函数为例，其函数形式为： 1 ，( 工) = - 二= ( 2 - 1 ) i 十p b p 网络中，每层单元的输出通过连接权作用( 这种作用可能是增强、 减弱或抑制) 后传输到上层单元。除输入层单元外，隐层和输出层单元的 净输入是前一层输出的加权和，其激活程度是由输入、作用函数及门限值 所决定。 设正则化后的训练样本集为x = 置，砭，。k ，b 】，对应任- - n 练样 本k = 【气，毛：，r 仲= 1 ，2 ，) ，期望输出为耳- 五。，五：，r ，实际 输出为e = 【y 。y 。，y 。1 r ，维数为m ，钟= 【睇，o 巴，o 暑r 为第p 层隐 含层的输出，为其维数：嘶为第f 个输入到第，个输出的权值；所有神经 元激励函数均采用s i g m o i d 函数。 那么在用第k 个样本对网络进行训练时，其误差指标为： e = 去魄。一虼) 2 ( 2 2 ) 哈尔溟i - 程大学硕士学位论文 总指标为： e = 乓 ( 2 - 3 ) 女- l 用占( d e l t a ) 学习规则，权值和域值日，按下列规则修正： q ( + 1 ) = q ( ) + 趣 ( 2 4 ) 0 j ( k + 1 ) = 巳( 七) + t q ( 2 - 5 ) 其中，a i 和a 1 日，分别表示权值和域值的修正量( 增量) ，它们表示 为： a k = 峨 ( 2 6 ) i 口，= 晚 ( 2 7 ) 式中p 0 ，叫做学习算子，也即按梯度搜索的步长，屯表示第七个 样本在第- ，层的训练误差，对于激励函数为s i g m o i d 函数的b p 算法有： 输出层： 毛= ( 一) ( 1 一) ( 2 8 ) 隐含层： 毛= 嘞( 1 一) 毛 ( 2 9 ) ， b p 算法的具体训练步骤为： ( 1 ) 置q 和q 的初始值q ( o ) 和q ( o ) ( 较小的随机数) ； ( 2 ) 提供网络训练样本，即网络的输入向量五( = 1 ，2 ，忉和网络的 目标输出耳( j i = 1 ，2 ，) ，对每个训练样本进行下列( 3 ) ( 5 ) 步的计算； ( 3 ) 计算网络的实际输出及隐含层的状态( 正向传播) 。对于第七个样 本，网络第p 层的输出为： 喵= 厂( 腊) = 厂( 钟+ 晔) ( 2 1 0 ) ( 4 ) 计算训练误差( 反向传播) 。对于输出层采用式( 2 8 ) ，对于隐含 层采用式( 2 9 ) ； ( 5 ) 用式( 2 - 4 ) 和式( 2 5 ) 分别修正权值和域值日，； ( 6 ) 训练次后，判断误差指标是否满足精度要求，即判断是否小 哈尔滨工程大学硕十学位论文 于( e 为很小的数) 。若满足则停止训练，否则转入第( 3 ) 步循环，直到e ，足 广磊r 图2 3 b p 算法流程图 实际应用中有几点需要注意： 1 隐含层的选取。隐含层神经元的个数到目前为止还没有十分有效的 确定规则，但是它的个数却是至关重要的，可以说，选用隐含层神经元个 数是网络成败的关键，因为隐含层处理单元数如果选用太少，则网络所能 获取的用于解决问题的信息太少，难以处理复杂的问题，甚至网络根本无 法训练：如果数目刚刚够，则网络可以训练，但鲁棒性不好，抗干扰能力 差，可能无法辨识以前从未出现过的模式；如果数目过多，训练时必须耗 费更多的时间，并占用更多的内存”1 。一般采用公式( 2 1 1 ) 来初步确定 隐含层神经元的个数，再在此基础上进行适当的调整。 。= 4 1 + n o + s ( 2 1 1 ) 哈尔滨工程大学硕士学位论文 式中：帕一一隐含层神经元数； m 一一输入层神经元数； 坼一一输出层神经元数； s 一一l 1 0 之间的任意整数。 2 初始值。b p 网络学习时权值与域值的初始值是很重要的，初始值 过大或过小都会影响学习速度，因此权值与域值的初始值应选为均匀分布 的小数经验值。另外，为避免每一步权值与域值的调整方向是相同的( 即 权值与域值同时增大或是同时减小) ，应将初始权值设为随机数”。 3 学习算子p 。p 称梯度搜索算法的步长，也称学习算子，一般取 0 卢 1 ，p 越大，对权值的修改越大。但是，当b p 网络的权值分布m 己 接近稳定的权值分布时，过大的将使对权值国的修改过程发生振荡，难 以收敛于稳定的权值分布。若较小，则每次迭代计算对权值的修改较小， 修改过程将缓慢地收敛于稳定的权值分布，一般在不引起振荡的情况下， 可以大一些。 4 网络的输入。s 型非线性激励函数发触) 随着川的增大，梯度下降， 并趋于0 ，不利于权值的调整。因此，希望酬工作在较小区域，故网络的 输入要予以考虑。一般对网络的输入数据要进行归一化，即采用适当的映 射使输入在( o ，1 ) 范围内。 2 3 2 改进b p 算法 传统的b p 网络采用梯度下降算法，虽然具有很强的非线性映射能力， 且网络的中间层数、各层的处理单元数及网络的学习系数等参数可以根据 具体情况任意设定，灵活性较大。但是它也有一些缺点：学习收敛速度太 慢，不能保证收敛到全局最小点，误差较大。针对上述缺点，本文介绍附 加动量项算法、动量自适应学习速率法对学习算法进行改进，以加快算法 的收敛速度，提高算法的学习精度。 1 附加动量项算法 基于b p 算法的神经网络在学习过程中，权值的改变与权值的误差成 正比。但真正的梯度下降方向要求所取得空间无限小，这就导致其收敛速 度慢。附加动量项就是使网络在修正其权值时，在每一权值的变化上加上 哈尔滨工程大学硕十学位论文 一项正比于上次权值修正量的值。它的实质是将最后一次权值变化的影响 通过一个动量因子来传递。它使权值的调节向着底部的平均方向变化，不 会产生大的摆动，即动量起到缓冲平滑的作用，带有附加动量因子的权