ＢＰ神經網絡的研究與應用

摘要:人工神經網絡作為一門高度綜合的交叉學科，在實際應用中絕大部分的神經網絡模型是采用BP網絡和它的變化形式，它也是前向網絡的核心部分，體現了人工神經網絡最精華的部分。該文介紹了BP網絡的學習過程以及從模式識別角度應用BP神經網絡作為分類器進行機械故障診斷。

關鍵詞:BP神經網絡;學習過程;模式識別;旋轉機械;故障診斷

中圖分類號:TP311 文獻標識碼:A 文章編號:1009-3044(2009)15-3982-02

The Study and Application of the BP Neural Network

HOU Zhi-bin， WEN Bi-teng， PENG-Hua， LI Chun-hou

(Department for Graduate Students of Artillery Academy， Hefei 230031，China)

Abstract: The manual NN as a highly integrated chiasma subject. Most of models about NN are adopting the BP network and the changed form at the practical appliance， which is also the hard core of forward network， incarnating the essential part of NN. The paper introduces the studying process of the BP network and uses the BP network for the mechanical failure diagnoses as assorted organ in the mode identification.

Key words: BP neural network; studying process; mode identification; revolving machine; failure diagnoses

1 引言

人工神經網絡是一門高度綜合的交叉學科，它的研究和發展涉及神經生理學、數理科學、信息科學和計算機科學等眾多學科領域。

人工神經網絡是模仿生物腦結構和功能的一種信息處理系統，雖然目前的模仿還處于低水平，但已顯示出一些與生物腦類似的特點:1) 大規模并行結構與信息的分布式存儲和并行處理，克服了傳統的智能診斷系統出現的無窮遞歸、組合爆炸及匹配沖突問題，它特別適用于快速處理大量的并行信息。2) 具有良好的自適應性，系統在知識表示和組織、診斷求解策略與實施等方面可根據生存環境自適應、自組織達到自我完善。3) 具有較強的學習、記憶、聯想、識別功能，系統可根據環境提供的大量信息，自動進行聯想、書記及聚類等方面的自組織學習，也可在導師的指導下學習特定的任務，從而達到自我完善。4) 具有很強的容錯性，當外界輸入到神經網絡中的信息存在某些局部錯誤時，不會影響到整個系統的輸出性能。神經網絡已經在信號處理、模式識別、目標跟蹤、機器人控制、專家系統、系統辨識等眾多領域顯示出其極大的應用價值，作為一種新的模式識別技術或一種知識處理方法，神經網絡在機械故障診斷中顯示了其極大應用潛力。

目前，在人工神經網絡的實際應用中，絕大部分的神經網絡模型是采用BP網絡和它的變化形式，它也是前向網絡的核心部分，體現了人工神經網絡最精華的部分。本文介紹BP網絡的學習過程以及從模式識別角度應用BP神經網絡作為分類器進行機械故障診斷。

2 BP神經網絡的學習過程

有多層感知器可知，輸入層中人以神經元的輸出為輸入模式分量的加權和。其余各層中，設某一層中任一神經元j輸入為netj，輸出為yi，與這一層相鄰的低一層中任一神經元i的輸出為yi。則有

如式(5)和式(6)所示，輸出層中神經元的輸出誤差反向傳播到前面各層，以各層之間的權值進行修正。

3 旋轉機械故障的訓練

表1是一組旋轉機械故障的訓練示例，表內的值表示各訓練示例的特征值大小，其取值區間為[0，1]，如在不平衡訓練示例中，0~1/4倍頻的振動幅值的當量值為0;1/4~3/4倍頻的振動幅值的當量值為0;3/4~1倍頻的振動幅值的當量值還為0;1倍頻的振動幅值的當量值為0.9;2倍頻的振動幅值的當量值為0.1;等等，其余類推。

將這些故障訓練示例輸入到一個具有8個輸入節點，8個中間層節點和3個輸出層節點的網絡中，經過1200次迭代，形成了一個網絡，該網絡的記憶效果如表2所示，經過12000次迭代形成網絡的記憶效果如表3所示。

表2中第一行表示，當輸入一組不平衡故障時，得出該故障的置信度為0.94，而其他故障幾乎為0;第二行表示，當輸入一組油膜渦動故障時，得出該故障的置信度為0.96，而其他故障幾乎為0;第三行表示，當輸入一組不對中故障時，得出該故障的置信度為0.90，而其他故障幾乎為0。表3中的結果有所改進，其值已趨于穩定。通過比較表2和表3，可看出訓練中迭代次數越多，所得到的網絡越能夠更好的聯想出訓練示例。但訓練次數不宜過長，只要滿足精度要求，訓練次應盡可能少，以減少訓練時間。

4 結論

人工神經網絡是模仿生物腦結構和功能的一種信息處理系統，并且已經在信號處理、模式識別、目標跟蹤、機器人控制、專家系統、系統辨識等眾多領域顯示出其極大的應用價值。文章介紹了BP神經網絡的學習過程，并給出了BP神經網絡在旋轉機械故障診斷中的應用。作為一種新的模式識別技術或一種知識處理方法，神經網絡在機械故障診斷中顯示了其極大的應用潛力。

參考文獻:

[1] 王江萍.機械設備故障診斷技術及應用[M].西安:西北工業大學出版社，2001.

[2] 盛兆順，尹琦嶺.設備狀態監測與故障診斷技術及應用[M].北京:化學工業出版社，2003.

[3] 溫熙森.模式識別與狀態監控[M].長沙:國防科技大學出版社，1997.

[4] 李孝安.神經網絡與神經計算機導論[M].西安: 西北工業大學出版社，1994.

[5] 程相軍.神經網絡原理及其應用[M].北京:國防工業出版社，1995.

[6] 聞新.MATLAB神經網絡仿真與應用[M].北京:科學出版社，2003.