（控制科学与工程专业论文）基于神经网络专家系统的胎面生产线故障诊断的研究.pdf

武汉理一r 大学硕士学位论文 摘要 本文应用神经网络及相应的数学工具结合专家系统对胎面生产线相关的设 备进行准确的故障诊断，使该故障诊断系统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，它不仅可以减少和防止故障对生产设备造成 的影响，使系统尽快恢复正常运行，减少经济损失，而且对确保轮胎生产的质 量、产量和设备人员安全也有重要的意义。 本文以轮胎胎面复合挤出联动线p l c 控制系统为研究背景，概述了胎面生 产线的工艺流程，根据其控制系统的总体结构和性能特点，分析了轮胎胎面复 合挤出联动线p l c 控制系统故障的类型、范围及产生的原因，从中选取了三类 故障作为本文的实验对象进行简单分析。 论文对智能故障诊断系统的产生和发展现状作了综述，分析了神经网络与 专家系统的结构和特点，以及在故障诊断中的运用，讨论了神经网络与专家系 统单独应用于故障诊断的不足，并确立了神经网络与专家系统结合的故障诊断 体系。同时对神经网络专家系统的基本结构以及知识库、推理机、解释器以及 人机界面等模块的建立进行的详细论述。 最后对该系统进行了仿真，通过m a t l a b 编程软件对现场采集的螺杆挤出机 的转速，压力，主机电流等数据进行仿真，通过基于m a t l a b 的神经网络故障判 断的仿真实验，证明了本文研究的有效性，基本建立了基于神经网络专家系统 的胎面生产线故障诊断的工作模式。为后续的故障诊断研究提供了一定的理论 基础，为实际丌发、生产提供了一个参考方向。 关键词：胎面生产线；故障诊断；神经网络；专家系统；p l c 控制系统；b p 算 法 a b s t r a c t 1 1 1t h i sp a p e r , n e u r a l n e t w o r ka n dt h ec o r r e s p o n d i n gm a t h e m a t i c a lt o o l sa r eu s e d t oa c c u r a t e l vd i a g n o s et h ef a u l to ft r e a dp r o d u c t i o nl i n ea n dr e l a t e de q u i p m e n t s ，f a u l t d i a 掣l o s i ss y s t e mn o to n l yh a v et h ee x p e r ts y s t e ml o g i ca b i l i t y , b u ta l s o h a st h e e x p e r i e n c eo fn e u r a ln e t w o r k s i tc a nr e d u c ea n dp r e v e n tt h ef a i l u r eo f t h ei m p a c to f p r o d u c t i o ne q u i p m e n t ，a l l o w i n gt h es y s t e mt or e s u m en o r m a lo p e r a t i o n 弱s o o n 鹤 p o s s i b l e ，a n dt or e d u c ee c o n o m i cl o s s e s ，i ti sa l s oi m p o r t a n tt oe n s u r et h eq u a l i t yo f t i r ep r o d u c t i o n ，p r o d u c t i o na n de q u i p m e n ta n dp e r s o n n e ls a f e t y i nt h eb a c k g r o u n do fp l cc o n t r o l l i n gs y s t e mo ft h et i r ee x t r u d i n gl i n e a n d a c c o r d i n gt os y s t e mp o p u l a t i o ns t r u c t u r e a n df u n c t i o nc h a r a c t e r i s t i c ，t h i sp a p e r a n a l y s e st h et y p e s ，r a n g ea n dc a u s e so ft h ef a u l t si n t h el i n e t h i sa r t i c l eo u t l i n e st h e t r e a dp r o d u c t i o nl i n ep r o c e s sa n df a u l td i a g n o s i s ，b a s e do nac o l n m o na p p r o a c ha n d t h ea n a l y s i sp r o c e s s ，t h ec l a s s i f i c a t i o no f t h ec o m m o nf a u l t s i nt h i sp a p e r , t h r e et y p e s o ff - a i l u r ea r es e l e c t e da st h es u b j e c t s d i s c u s s e st h e n e u r a ln e t w o r ka n de x p e r ts y s t e m f a u l td i a 翟皿o s i sa p p l i e dt ot h es h o r t c o m i n g sa n de s t a b l i s h e dt h ec o m b i n a t i o n o fn e u r a l n e t w o r ka n de x p e r ts y s t e mf a u l td i a g n o s i ss y s t e ma n db a s e d o nn e u r a ln e t w o r ke x p e r t s v s t e m sb a s i cs t m c t u r ea n de s t a b l i s ht h em o d u l e so fak n o w l e d g eb a s e ，i n f e r e n c e e n g i n ea n de x p l a i n f i n a l l yt h es y s t e mi ss i m u l a t e d ，b a s e do nm a t l a b ，a n dd oa ne x p e r i m e n to f n e u r a ln e t w o d ( t od i a g n o s et h ef a u l t ，i ti sp r o v e dt h a tt h es i m u l a t i o ne x p e r i m e n t st h i s s t u d yi st h ev a l i d i t yt od i a g n o s et h ef a u l t b a s e do nn e u r a ln e t w o r ke x p e r ts y s t e m ， e s t a b l i s h e df a u l td i a g n o s i so ft r e a dp r o d u c t i o nl i n eo p e r a t i n g m o d e f o rt h ef o l l o w _ u p s t u d v f a u l td i a g n o s i sp r o v i d e s at h e o r e t i c a lb a s i sf o r t h ea c t u a ld e v e l o p m e n t ， p r o d u c t i o na n dp r o v i d e sa r e f e r e n c ed i r e c t i o n k e y w o r d s ：t r e a dp r o d u c t i o nl i n e ；d i a g n o s et h ef a u l t ；n e u r a ln e t w o r k ；e x p e r ts y s t 锄； t h ep l cc o n t r o ls y s t e m ；b pa l g o r i t h m 独创性声明 本人声明，所呈交的论文是我个人在导师指导下进行的研究工作及取得的 研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含 其他人已经发表或撰写过的研究成果，也不包含为获得武汉理工大学或其它教 育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任 何贡献均已在论文中作了明确的说明并表示了谢意。 研究生签名：歇筵趁日期碰。5 ，7 关于论文使用授权的说明 本人完全了解武汉理工大学有关保留、使用学位论文的规定，即：学校有 权保留送交论文的复印件，允许论文被查阅和借阅：学校可以公布论文的全部 内容，可以采用影印、缩印或其他复制手段保存论文。 ( 保密的论文在解密后应遵守此规定) 研究生签名： 导师签名： 虺丝丝 学 日期：坐：茎：2 2 日期：丝，! ! 璺多! 武汉理工大学硕士学位论文 1 1 本文题目及来源 第1 章引言 题目：基于神经网络的胎面生产线的专家故障诊断系统的研究 来源：科研项目 1 2 本论文研究的目的和意义 我国汽车工业持续快速增长，汽车工业从2 0 0 2 年进入高速发展期n 1 ，预计 2 0 0 4 年汽车总产量可达到5 2 0 万辆，增长1 7 ，今后还会继续保持较高的发展速 度。预计2 0 1 0 年，汽车总产量会超过1 0 0 0 万辆，年均增长速度保持在1 0 以上。 轿车：在2 0 0 1 年以前发展较缓慢，到2 0 0 2 年产量达到1 0 9 0 8 万辆，2 0 0 3 年达到 2 0 1 8 9 ) j - 辆，年均增长分别为5 5 和8 5 ，轿车产量已占到汽车总产量的4 5 以 上。预计2 0 0 4 年达到2 4 0 万辆，增长1 8 9 。家庭轿车的拥有率正在提高，轿车 将成为中国汽车工业的主导产品。轻型客车、微型客车与轿车合计产量2 0 0 3 年 达到3 1 4 0 8 万辆，占当年汽车总产量的7 0 7 ，这些车型的高速发展导致对半钢 子午线轮胎的需求迅速增加。子午线轮胎的发展创造了良好的市场前景，并促进 全钢载重子午线轮胎向公制低断面无内胎轮胎方向发展。总之，汽车的发展对轮 胎的需求量和产品结构将产生很大影响。 2 0 0 5 年，汽车轮胎需求乜1 总量大约1 7 亿条，其中子午线轮胎1 3 亿条， 约占7 5 。这当中，内需量为1 0 6 亿条，其中子午线轮胎7 4 0 0 力条，占7 0 ； 出口量为6 5 0 0 万条，其中子午线轮胎5 5 0 0 万条，占到8 5 。从分类来看，轿车 轮胎内需3 9 8 0 万条，出口3 5 0 0 万条，全部为子午线轮胎；轻卡轮胎内需3 2 7 0 万条，其中子午线轮胎1 6 9 0 万条，占5 2 ，出口2 0 0 0 万条，其中子午线轮胎 1 5 0 0 万条，占7 5 ；载重轮胎内需3 3 7 0 万条，其中子午线轮胎1 7 3 0 万条，占 5 1 ，出口1 0 0 0 万条，其中子午线轮胎5 0 0 万条，占5 0 。还有农业轮胎，仍保 持4 0 0 0 万条左右；工程胎约1 0 0 0 万条( 含少量工程子午胎) 。以上两类轮胎出 武汉理工大学硕士学位论文 口约1 0 0 0 万条，绝大部分为斜交轮胎。全国轮胎子午化率达5 5 8 。 2 0 1 0 年，轮胎需求量是根据2 0 1 0 年汽车产量和保有量，测算了汽车轮胎需 求量。还有农业轮胎和拖拉机轮胎两类合计需求量约4 3 0 0 万条，其中出口3 0 0 万条左右。工程、工业轮胎总需求量按1 3 5 0 万条计，其中工程胎4 3 0 万条，年 均增长1 2 4 。这是轮胎行业发展中不可忽视的产品，要加大工程子午胎的开发 力度和产业化。工业胎仍按9 0 0 万条左右考虑，要进一步提高工业实心胎的生 产水平。所以，2 0 1 0 年全国轮胎需求量：汽车轮胎2 4 亿条，农业轮胎4 3 0 0 万 条，工程、工业胎1 3 5 0 万条，合计3 亿条，其中子午线轮胎2 1 亿条( 含工程 子午线轮胎和农业子午线轮胎2 0 万条左右) ，全国轮胎子午化率达7 0 。 随着国家轮胎工业的迅速发展，轮胎生产设备逐渐大型化、高速化、自动 化和智能化，生产线故障的有效诊断以及排除，对于确保产品质量、提高企业 生产能力、确保安全生产具有十分重要的意义。 本文应用神经网络及相应数学工具的优势对胎面生产线以及与之相关的设 备进行准确的故障定位和诊断，使该故障诊断系统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，它不仅可以减少和防止故障对生产设 备造成的影响，使系统尽快恢复正常运行，减少经济损失，而且对确保轮胎生 产的质量、产量和设备人员安全也有重要的意义。 1 3 国内外研究现状 在现代智能技术中，基于数据的学习是研究的一个重要的也是一个热门的 方面。研究通过观测数据或样本来寻找规律，利用这些规律对未来数据或无法 观测的数据通过各种算法进行预测。 故障诊断技术的发展大体经历了三个阶段h 1 ： 第阶段是故障诊断的初级阶段，诊断结果是建立在领域专家的感官和专 业经验基础上，仅对诊断信息作简单的处理，其诊断水平极大地受到个人生理 条件和经验水平的限制。 第二阶段是以传感器技术和动态测试技术为手段、以信号处理和建模处理 为基础的常规诊断技术。 第三阶段是智能诊断技术阶段。所谓诊断系统的智能就是它可以有效地获 取、传递、处理、再生和利用诊断信息，从而具有对给定环境下的诊断对象进 2 武汉理。r 大学硕十学位论文 行成功状态识别和状态预测的能力。 至8 0 年代中期以后，由于机器设备的大型化、复杂化以及连续高速运行的 需要，加之自动化制造系统( 如c i m s ，f m s 等) 的诞生和发展，单靠信号处理和人 工分析判断难以实现在线的精确诊断；人工智能技术的发展，特别是基于知识 的专家系统和以并行分布处理为特征的人工神经网络等技术在智能故障诊断中 的应用，使得故障诊断技术进入了一个新的智能化发展阶段。 自公元前亚里士多德时代开始，人们就歹r 始从事研究思维机器。1 9 4 6 年诞 生的第一台计算机和1 9 5 6 年出现的人工智能技术标志着人们在这条道路上的不 断l ； 进。 人工神经网络是一门活跃的边缘性交叉科学，它的研究与应用成为人工智 能、认知科学、神经生理学、非线性动力学等相关专业的热点。 神经网络系统是由大量的简单处理单元广泛连接而组成的复杂网络系统。 在一定程度上反应了入脑的工作特性，人们研究神经网络的目的在于探索人脑 处理信息的方式，并进而研制出类似的智能机器。 由于神经网络是高度非线性动力学系统，又是自适应自组织系统h 1 ，可用柬 描述认知、决策及控制等的智能行为，使得智能的认识和模拟成为神经网络理 论研究的一个重要方面。 人工神经网络的研究始于2 0 世纪4 0 年代，它的发展经历了很多曲折。 1 9 4 3 年，精神病学家和神经揭破学家m c c u llo c h 与数学家p i t t s 在数学生 物物理学会会刊上发表文章。总结了神经元的一些基本生理特征，提出了相应 的数学表达形式m p 模型。 1 9 4 8 年，w i e n e r 提出了控制、通信和统计信号处理的重要概念。 1 9 5 2 年，a s h b y 提出了自适应行为是由于学习的结果这个基本观点。 1 9 5 4 年，g a b o r 提出了非线性自适应滤波思想。并希望与人合作，研制一 种机器，通过将一个随机过程的样本输入机器，连同目标函数，实现机器自学 习过程。 1 9 5 7 年，r o s e n b l a n t t 提出感知机，并在5 8 年提出解决模式识别问题的新 的监督学习的方法，证明了感知器收敛定理。 1 9 6 7 年，a m a r i 用推测梯度方式进行自适应模式分类。 1 9 6 9 年，m i n s k y 和p a p e r t 所著( p r e c e p t r o n ，从数学角度证明关于单层 感知器的计算具有根本的局限性。 3 武汉理j 1 ：人学硕十学位论文 此后，神经网络的研究进入和萧条时期，直至1 9 8 2 年和1 9 8 4 年，h o p f i e l d 发表了两篇文章。1 9 8 2 年，h o p f i e l d 用能力u 的思想形成了一种新的计算方法， 该计算方法由含有对称突触连接的反馈网络执行，于是形成了h o p f i e l d 网络。 1 9 8 4 年，h o p f i e l d 用运算放大器来实现了神经元，设计出了他提出的 h o p f i e l d 神经网络模型的电路。 1 9 8 6 年，r u m e l h a r t ，h i n t o n 和w i l l i a m s 发展了反向传播算法，即b p 算法。 此后，在2 0 世纪9 0 年代，产生了大量的研究成果，并在很多领域实现了 神经网络的应用。 神经网络在现代社会生产中比如控制领域等具有广阔的发展空间。将神经 网络与控制理论相结合已经成为智能控制的一个重要的发展方向，为控制理论 中解决复杂的非线性、不确定性系统的控制问题提供了新的实现方式。神经网 络在控制领域的发展虽然时间不长，但是已经在很多控制结构中开始运用，并 取得良好效果。 人工神经网络对于非线性映射具有较强的逼近，且具有组织及自学习和联想 记忆能力，在故障诊断领域中显示了极大的应用潜力。它为解决传统诊断系统 中的知识获取、知识学习等问题提供了一条崭新的途径。 1 4 本章小结 本章介绍了课题的来源及背景和研究的意义。概述了国内外对于故障诊断 的方法。为下面的关于本文所设计的基于神经网络的诊断研究做铺挚。 4 武汉理工= 大学硕十学位论文 第2 章胎面生产线的生产工艺 2 1 胎面挤出联动线系统概述 2 1 1 工艺流程介绍 在做故障诊断之前需要对整个生产线进行了解。在生产中整条胎面生产线 中挤出半成品对轮胎的材料分布、轮廓形状有着极大的影响，它基本决定了轮 胎的使用性能，是轮胎生产环节中极为重要的环节。在本生产线中胎面生产线 的主要部分是由喂料机、机头控制系统、二复合挤出主机和辅线等构成，二复 合胎面挤出联动生产线整个生产线的工艺流程如图2 - 1 所示。 5 武汉理r 大学硕士学位论文 图2 - 1 胎面生产线工艺流程图 由图2 - 1 可以看见在整个轮胎生产线工艺中主机由2 台挤出机组成，该部 分用直流电机驱动，可以进行无级调速，以保证挤出螺杆的平稳运行，满足胎 面橡胶塑化性能要求。二复合机头部分主要由机头液压站和机头温控系统来控 制。两台挤出机分别为矽2 5 0 热喂料挤出机、1 5 0 冷喂料挤出机。 复合机头为两复合镶嵌式流道板，由液压装置实现机头全自动开合模和锁 紧，控制上模、中模、下模丌模关模，更换出料口模具。冷喂料给挤出机提供 连续胶片，冷喂料系统使用金属检测仪来检测冷料的金属杂质，一旦发现有金 属杂质将报警，由操作人员将带有金属杂质的料块割除。出料口有安装有温度 控制系统，以保证出料口温度的工艺要求。 联动线辅线由接取子系统、收缩子系统、连续称重子系统、贴合子系统、 压延子系统、喷淋子系统、浸泡子系统、胎面裁断子系统、单条称子系统和拾 6 武汉理工大学硕+ 学 _ i = 论文 取子系统组成。 联动线辅线部分全线可以实现全线的速度匹配，运用交流电机驱动，利用 变频器进行交流调速，以满足各子系统运行的速度匹配，包括胎面的张力控制， 防止出现堆胶和拉胶现象。通过所有的工艺流程就可以生产出子午线轮胎胎面， 若是要生产填充胶就不用经过浸泡环节和9 0 挤出机、纵向供胶、横向供胶、 双辊压延等环节。定长裁断装置主要功能是将连续的胶料定长切割。 2 1 2 复合挤出机简介 挤出是橡胶工业过程中的基本工艺册1 ，利用挤出机借助于设备口型挤出各种 所需形状半成品。胎面挤出生产线的挤出部分一般需要几台挤出机共同组成。 而本文研究的对象胎面生产线就包括复合挤出机机头挤出部分，所涉及的联动 线复合挤出机头的驱动电机选择了两台2 2 0 k w 、4 4 0 v 、5 4 0 a 配备了减速箱和润 滑油泵直流电机。 挤出机工作示意图旧1 如图2 - 2 所示。在挤出机工作过程中胶料从加料口进入 后，在螺杆挟带和推挤共同作用下向前运动。由图2 2 可以清楚的看出，胶料 在最丌始时没有充满螺槽，如图中a 段处于开始加料状态，经过转动后胶料逐 渐形成团状前进，到达c 段后由于温度升高等各种原因形成流动状念，但是这 个时候仍然有空隙，直到d 段，胶料充分压缩，完全形成流动状态，最后通过 机头、口型得到所需要的胎面形状，挤出部分完成工作。 7 武汉理1 二大学硕十学位论文 a 开始加料状态； b 经过转动后胶料形成团状前进； c 胶料渐成流动状态1 1 f = l 仍有空隙： d 股料完令肜成流动状态 图2 2 胶料在挤出过程中的运动 2 2 数据采集与预处理 本文中的胎面生产线采用的生产监控形式是p l c 和i p c 的结合方式。在该 系统中，p l c 作为下位机监控和采集生产线的数据、以及对生产线进行控制，i p c 的主要是实现与人交流、显示采样数据、存储打印数据以及报警等功能。 本文选择的监测变量共包含6 个，分别是挤出机痧1 2 0 和1 5 0 的转速、电 流、以及机头压力。 在数据预处理环节上，首先需要对生产线监测变量的状态做出研究，包括 取值范围、变量之间相互有无影响以及生产线特征参数等。 可以根据变量的取值范围等特征可以初步排除一部分超过取值范围的采样 值。在进行初步数据提出之后，还可以根据系统些固有的特征再次对数据进 行筛选，比如根据将电机转速与电机机头电流j 下比这一定性规律作为规则，进 行判断。如果在同一时刻挤出机电流突然增大，而相应的机头电流的采样数据 8 武汉理t ：大学硕士学僚论文 并没有明显增加，参看挤出机的转速与机头压力等参数，就可以判断这组数据 因为底层工作环境恶劣，采样时，信号中会包含大量的随机干扰误差，这 些对系统判断故障有很大的干扰作用。在将采样数据作为样本进行判断之前， 必须消除这些环境噪声干扰项。这样增加了提高了系统的运行效率，增加了准 常用的抑制环境噪声的滤波方法有，数据平滑、低通和卡尔曼滤波等方式。 数据平滑是比较简单的一种方式，因为环境噪声多为白噪声，将一段时间 眦) ：矍m 二- ：塑 ( 2 - 1 ) 州力2 苦了2 端 q 。 1 一z 叶a z 其中，胃( z ) 为系统传递函数，以上形式是将系统传递函数实现z 变换之后 y ( 捍) = y ( n 一后) + 6 。x ( n - k ) ( 2 2 ) 由上式可以得出结论，数字滤波器就是将输入与输出序列通过加权得到新 部极点都在z = o 处，它的输出值只取决于当前时刻之前的系统输入，因此属于 y ( ，2 ) = b k x ( n - k ) ( 2 3 ) 低通滤波的系数求取多用窗函数法( 即傅里叶级数法) 来设计。设计般 9 武汉理r 人学硕士学位论文 赴办? 时域一f 进行的，即这样得到的冲击响应定是无限长序列。而f i r 滤波器 ，! ! = 塑求= f - j 限长序列的，故解决的方法就是在无线长的序列吃( ，1 ) 上加一个窗函数 ，t i 门j ，将其截断，得到新的序列h ( n ) ，即h ( n ) = 吃( n ) “，z ) 。 所以通过窗函数法的设计步骤是，首先求出系统传递函数的频率响应函数 ，f ，( p ) ，然后反傅里叶变换，求得吃( 以) 。利用采样频率和截止频率等既定参数， 设砖窗瀚数“露) ，即得到h ( n ) = 力( 刀) “露) ，最后验证设计。 将求得的系数序列与当前时刻之前的m 阶输入加权相加，得到当前时刻的 系统输。式( 2 3 ) 改写为 膨 y ( 刀) = h , x ( n - k ) ( 2 - 4 ) k = o 3 矗尔曼滤波 * 尔曼滤波是从与被提取信号有关的量测中通过算法估计出有关信号。卡 尔世滤波的条件是必须已知量测量与估计量之间的函数关系式( 观测方程) 和 激励源与相应之间的传递方程( 系统方程) 。确切的说，卡尔曼滤波应该被称为 盏：优估计。 在实现上，卡尔曼滤波是通过一组方程递推完成的，非常适合在计算机上 侵川，递推的每个周期中，包含了对被测量、估计量、样本误差等的更新。实 时处理时，根据采样得到的量测值，递推更新估计值。 采用卡尔曼滤波算法对状态变量x ( k ) 的最优估计过程为 状态一步预测：x ( k ，k 1 ) = g x ( k 一1 ) ( 2 5 ) ? i 欠念估 十： x ( 七) = x ( k ，k 一1 ) + k ( 七) y ( j | ) c x ( k ，k 1 ) 】 ( 2 6 ) 滤波增益矩阵：k ( 七) = p ( k ，k d c7 c p ( k ，k 一1 ) c 7 + 贝】- l ( 2 7 ) 一步预测误差方差阵：p ( k ，k 1 ) = g p ( k d g j + d q d r ( 2 8 ) 估计误差方差阵： 尸i ( 七) = 【，一k ( k ) c p ( k ，j | 一1 ) 【，k ( 七) c 】7 + k ( 膏) r k ( 后) 7 ( 2 9 ) i - 尔曼滤波算法流程图如下图( 2 3 ) 所示： l o 武汉理工人学硕士学位论文 一 一一一 ! 一 l 计算预报误差方阵只忙- 。； l 。、，一 计算预报值t 。 预报误差增f i “r lk k 是 ， 计算估计状态，；l i 。，一+ 一j r 一一一- i l 竺兰耋兰竺! 一 否 k o ；如果是抑制状 态，w j , 0 ) ，n 为输入信号数目。只表示神经元输出，t 表示时间，( ) 为传递 函数( 或称为激发或激励函数) ，通常采用0 、1 二值函数和s 型函数。 常用的神经元非线性函数【1 9 1 列举如下： 阈值函数 当y ，取0 或者l 时，f ( x ) 为阶跃函数： f l 工0 厂( x ) = ( 4 3 ) 【0 x 0 ) ( 4 4 ) 或者厂( x ) = t a n h ( x ) 当趋于无穷时，s 状曲线趋近于阶跃函数，通常情况下取值为1 ，有时在网 络中还采用如下非线性函数： f t x 卜南 巧 在r b f 构成的神经网络中，神经元的结构可用高斯函数描述如下： 胪e x p 卜壶莩( 号一】 ( 4 6 ) 这罩砰为标准化参数。把一q 也看着是对应于恒等于l 的输入量而的权值， 这时式中的和式可记为： = w j , x j ( 4 7 ) 1 7 武汉理r = 大学硕士学位论文 其中 w o f = - o , ，x o = l 神经网络根据连接方式【2 0 】的不同可分为两大类：前向网络和结合型网络。 前向网络由输入层、中间层( 或称为隐层) 和输出层组成，中间层可能有若干 层，前一层神经元的输出作为后一层的神经元的输入。 在结合型网络中，神经元之间的连接时随意的，就是说任何睡个都有可能 连接，因此输入信号要在整个神经网络之间反复传递，在输入层输入初始状态 后，经过层层神经元的计算( 包括反馈计算等) ，而趋于稳定或周期震荡状态。 目前，神经网络可分成三大类，即前向网络( f e e d f o r w a r d n n s ) 、反馈网络 ( f e e d b a c kn n s ) 和自组织网络。 4 1 2 人工神经网络特性 人工神经网络具有如下特性【2 l 】： ( 1 ) 并行分布处理：神经网络具有高度的并行结构和并行实现能力，这特 别适用于实时控制和动态控制。 ( 2 ) 非线性映射：神经网络天生具有非线性特征，输入到输出是非线性映 射关系。 ( 3 ) 训练和学习t 神经网络通过系统过去已知的样本数据进行训练，经过 适当训练的神经网络具有很强的判断归纳数据的能力。 ( 4 ) 集成：神经网络能够在线运行，可以同时输入大量不同类型的控制信 号，实现信息集成和融合处理，这使得神经网络特别适用于大规模多变量系统 的控制任务。 ( 5 ) 硬件实现：近年来，一些超大规模集成电路实现硬件已经问世，这使 得神经网络不仅能够通过软件而且还可以借助硬件实现并行处理。 4 1 3 人工神经网络的发展前景 针对神经网络存在的问题和社会需求，今后发展的主要方向可分为理论 研究和应用研究两个方面。 首先，在理论研究方面，人工神经网络提供了一种揭示智能和了解人脑工 武汉理t 大学硕士学位论文 作方式的合理途径，但由于人类起初对神经系统了解非常有限，人们将不断探 讨大脑的思维模式，利用神经生理与认识科学的知识，研究智能的处理机理和 并行的计算理论等一系列问题。 毫无疑问，人工神经网络的发展和神经科学的研究合发展紧密相连。利用 神经学和认知科学的研究成果，探讨大脑的思维模式和智能行为，将会很大程 度的推动神经网络的发展。 利用生物神经科学基础理论的研究成果，深入研究网络的学习算法和性能 提升，进而开发些新的网络数理理论。特别是对于非线性问题的研究将会成 为神经网络理论的一个重要方面。 其次，在各个领域之中，利用软件和硬件结合的方式，探索人工神经网络 的应用。目前，实现神经网络的途径不外乎两种，计算机模拟或者是使用大规 模的集成电路芯片的硬件来实现，因此以上两种方式的结合会带来巨大潜力。 另外，使神经网络计算机向智能化发展，研制与入脑功能相似的智能计算 机将会有十分广阔的前景。 4 2b p 网络 4 2 1b p 网络结构 b p 网络【2 3 1 具有三个层次：输入层，隐层和输出层。隐层可以是单层，也可 以是多层。由于按照b p 算法要求，b p 网络神经元所用的激活函数必须处处可 导。所以，一般神经元均为s 型激活函数，输出层的网络输出被限制在一个很 小的范围内。 具有一个隐层的b p 网络简化图如下： 1 9 武汉理工大学硕十学位论文 疋 j x 2 o 图舢l 一个隐层的b p 网络简化图 双隐层和一个输出层的b p 网络如下图所示。 五 恐 x n 0 乃 y 2 y m 元) g o j l z o 图4 - 2 双隐层的b p 网络简化图 设输入向量为n + l 维，其中而为第一隐层中激活函数的阈值，将其增广到 输入量中，作为一个分i x o ，即z r ”，x = ( x o ，五，j r 。) 7 ，输出量五可以是离 散量 0 ，l 或者 1 ，1 ) ，也可以是连续量；设第一隐层有n 1 个神经元，于是该 层的输出向量g r 州”，g = ( g o ，g t ，苫。) 7 ，第二隐层有n 2 个神经元，其输出向 量h r 们”，h = ( ，j i l l ，j i l 。，) r ；输出层有m 个神经元，于是网络的输出量y r “， y = ( y o ，y 。虼) r 。第一隐层和第二隐层神经元均采用s 型对数激活函数，输出 层神经元采用线性激活函数。网络中各层神经元的输出为 武汉理丁：入学硕十学位论文 g i = 厂( 薯一9 ) i = 1 h l 噍= 厂( 毋- g ) k = 1 月2 乃- - s ( 丸一1 9 1 ) 歹= 1 ，2 ，。n l k = 1 ，2 ，力2( 4 8 ) ，= l ，2 ，m 将神经元的阈值视为连接权来处理，即令够= 。，皖= 。，岛= w 。， x o = g o = j l o = - 1 ，于是将上式改写为如下形式： 4 2 。2b p 学习算法 g i = ( ) i = 1 i 瓯= ( 毋) k = 1 月2 奶= ( 嘎) ( 牛9 ) 前向神经网络的b p 算法是r u m e l h a r t 等人在1 9 8 6 年在专著p d p 中提出的 学习方法。该算法将神经网络划分为很多层，包括输入层、隐层以及输出层等。 其中某一层( 比如第i 层) 的神经元只接受第( i 1 ) 层神经元的输出信号。各层 中间没有反馈信号。直至最后形成输出信号。 b p 算法在本质上是按梯度法求取网络误差平方和的最小值，为了能够运用 梯度法，网络层间的激励函数均采用可微的s 型函数。 b p 网络学习过程的一个重要特点是，在前向网络中，由于层与层之间属于 单向传播，要调整输出层所产生误差，就必须通过改变隐层与输出层之间的连 接权来实现，而要改变隐层与输出层之间的连接权值，又必须通过调整前一隐 层或输入层与它之间的连接权值来实现，即当前第i 层的输出只受前一层( i 1 ) 层的影响，如果要调整输出层误差，就必须反向推演，改变隐层中前一层的神 经元中的阈值。 b p 网络权值的调整方法如上图( 4 2 ) 所示的多层前馈网络为例，设输入的 学习样本有口个：x 1 ，工口，对应的教师信号( 即输出期望值) 为t i , f 2 ，t 口。 2 l 武汉理【人学硕士学位论文 在此用这口个样本( x p ，t p ) 进行网络训练。当第p 个样本对输入到网络后，由 式( 4 9 ) 可得到正向传播阶段经各层运算后，网络的实际输出值，= l ，2 ，朋。 将与期望值相比，可在第p 个输入模式后输出方差为 q = 寺( 垆- y d 2 ( 4 - 1 0 ) = l 若输出所有口个样本对经正向传递运算后，则网络的总误差为 = 羔p = l t 2 圭茎喜咿p 彬( 4 - 1 1 ) 应用最速下降法，反向调整各层连接权值，使误差达到最小。设睨，为各个 网络任意两个神经元之间的连接权，沿负梯度方向调整连接权的修正量为： r r 。= - r l 象一言7 象 - 2 ， 设n 为迭代次数，应用梯度法可得网络各层连接权的迭代关系为 上式中等号右边第二项，为各层连接权的修j f 值。 下面从输出层开始，讨论逐层反向传播的调整规律【2 5 】。 ( 1 ) 第二隐层至输出层的连接权修正量为 睨叫薏 式中 蓑= 言孑盟瓦o n e t o n e t 尸= 一芝p = l ( 垆一彬例a 智研慨 。刊“、“ 故式( 4 1 4 ) 可写为 既= r l ( 垆- y f ) f 。( 刀吖) 鲜- r l 吖醪 ( 4 1 4 ) ( 4 1 5 ) ( 4 1 6 ) 堡氓堡峨堕哪 移 刁 玎 一 一 一 n 珂 玎 = = = + + + 武汉理 大学硕十学位论文 式中，r 为学习速度，其值通常在( o 0 1 ，0 1 ) 之间，( t f 一片) 为输出神经 元的实际误差；为在第p 个样本对作用下，输出神经元的等效误差，即 = f ( n e t f ) ( t 一) = f ( 玎p 垆) 鲜( 4 - 1 7 ) ( 2 ) 第一隐层至第二隐层的连接权修正量为 卅蔫5 巧言群彰( 4 - 1 8 ) 式中， 其中 群= f q e pj 凸 p ；= 妒 ，= i ( 4 1 9 ) ( 4 2 0 ) ( 3 ) 第一隐层至输入层的连接权值修正量为 ：一，7 等：，7 兰彤g ? ( 4 - 2 1 ) 2 1 赢2 刁荟彤酽 乏d 式中，群为在第p 个样本对作用下，“分摊 给第一层神经元j 的等效误差， 其值为 掣= 群厂( 刀p 哆) = 厂( ，z p 哆) ； ( 4 - 2 2 ) 其中， n 2 a ；= 贸 七= 0 ( 4 2 3 ) 由上述推导，我们可以得出以下结论： ( 1 ) b p 网络连接权的调整，按递推关系式进行，其一般表达式为 毗。( 聍+ 1 ) = w ，( 甩) + 吆 ( 4 - 2 4 ) 式中 = r p 。p ( 4 - 2 5 ) p = l 由上式可知，b p 网络任意连接权的修萨量，取决于该连接权输出端点的等 效误差繇，和输入端点的实际信号咙。 ( 2 ) 等效误差由输出层向输入层逐层反向传播而产生。 b p 网络的学习方式有三种方法：单个样本学习、批量学习以及随机学习。 在进行单个样本学习时，会发生“遗忘”现象，为了克服这种现象只能对 样本反复学习，加长了学习时间。在批处理学习方式下，各种样本的误差累加， 武汉理l ：大学硕士学位论文 可能柑旺抵消，于是降低了算法的调整能力，延长了学习时间。随机算法在效 率：i j 即个样本学习算法相仿。 以l ：f j ，j 推导中的方式均为批处理方式。在输入学习样本，并计算了网络的 整体误誊之后，才开始对隐层的阈值进行修正，按负梯度方向进行调整，批处 理方式f j j 避免逐个样本对作权值修正时可能引起的振荡。 4 2 3 算法的改进 近 f i 米，许多研究人员为了改善b p 算法【2 8 】的有效性，提高学习速度，避免 群j 入局鄢饭小点和增强泛化能力提出了很多的改进方法，对其做了深入的研究。 1 附i h l 动量项 刚j j u 动量项法，也成为惯性校正法。在计算连接权的修改量时，附加一项 冲量，人小为上一次计算连接权修改量的加权，附加冲量使权值的修改增加， 合式的冲量系数可以加快学习过程的收敛速度。但是冲量系数如果太大，也会 引起系统的振荡，也可在学习过程中动态的调整冲量系数的大小。 2 学习速率的调整 可以采用动态步长来调整，在开始阶段，将学习速率的值取大些，然后逐步 减小该值。动态选择步长，在迭代过程中根据误差的增减情况不断的调整学习 速率。如 阮连续胛1 次a e 0 l0 其他情况 i ：武中，口为学习速率的调整，a e 为误差。当然，也可以根据实际情况 选择其他的血值来调整学习速率。 3 选择激活函数 b p 网络中神经元的激活函数要求是连续可微、单调上升的有界函数。目 j i 已- 彳j 许多不同形式的激活函数，下面介绍2 种。 ( 1 ) 采用双极性s 型函数 基本b p 算法中的神经元的激活函数，通常采用s 形函数，即 武汉理工大学硕士学位论文 ) ，= 似) = 专 为了减少延长了训练时间，可采用双极性s 型函数，即 y = 加) = 一互1 + 专 实验表明，采用双极性s 型函数后， ( 2 ) 在s 型函数中加入可调系数 在基本的s 型函数中加入可调参数， ( 4 2 6 ) ( 4 - 2 7 ) 收敛时间平均可减少3 0 - - 5 0 0 0 。 则激活函数的形式变为 y 2 厂( 口) 2 而1 ( 4 - 2 8 ) 其中，a o ，p o ，r o 为可调参数，调整这些参数的值可改变非线性的特性， 通常在实际应用中，令a o = p o = l ，则上式可改写为如下形式： y = m ) = 未丽( 4 - 2 9 ) 当网络训练进入误差平面的平坦区，厂0 ) 专0 时，可调整，使 1 ，而 使倒数值厂( 口) 增大，尽快的推出乎坦区。待推出平坦区后再恢复= l 。因此， 调节对加快学习速度是比较有效的。 4 3 专家系统 专家系统( e s ) 是人工智能应用研究最活跃和最广泛的领域之一，它是一种模 拟人类专家解决领域问题的计算机程序系统，专家系统内部含有大量专门知识 与经验，能运用人类专家的可用的知识和推理方法进行推理和判断，模拟人类 专家的决策过程，得到与专家相同的结论。这表示专家系统【3 i 】必须具有三个方 面的含义： ( 1 ) 需要解决的问题是复杂的，这样的问题需要该领域专家柬解决； ( 2 ) 专家系统以专家知识为基础，即它必须包含有大量专家水平的领域知 识，并能在运行过程中不断对这些知识进行更新，所以被称为知识基系统； ( 3 ) 它能运用人工智能技术模拟人类专家求解问题的推理过程来解决复杂 问题。 武汉理工大学硕十学位论文 4 3 1 专家系统的结构 专家系统按其功能【3 2 】可分为解释型、诊断型、调试型、维修型、教学型、 预测型、规划型、设计型和监视型等多种类型。 ( 1 ) 解释型：通过对已知信息和数据的分析，解释这些信息和数据的实际 含义。主要有信号理解和化学结构解释器专家系统。 ( 2 ) 调试型：调试型专家系统的任务是给以确认故障的排除方案。主要是 电子设备和机械设备的计算机辅助调试专家系统。 ( 3 ) 维修型：维修型专家系统的任务是制定并实施纠正某类故障的规划。 ( 4 ) 教学型：此专家系统的主要任务是根据学生的学习特点，把需要学习 的知识以适当的教学方法和教案组织起来，用于对学生进行教学和辅导，处理 学生学习过程中的错误。 ( 5 ) 预测型：预测型专家系统的任务是根据处理对象过去和现在的情况分 析及推测未来的演变和发展。典型的应用，例如，天气预报，财政预测等。 ( 6 ) 设计型：根据给定的要求形成所需要的方案和图形描述。 ( 7 ) 监测型：其主要功能为完成实时监测任务，对系统、对象或过程的行 为进行不问断的监控。如发生异常，则发出警报。 ( 8 ) 规划型：其主要任务是寻找能够实现某个目标的动作序列和步骤。 ( 9 ) 诊断型：诊断专家系统的任务是根据输入的信息找出处理对象中存在 的故障。主要是电子、机械和医疗领域的各类故障诊断专家系统。 专家系统的结构是指专家系统各组成部分的构造方法和组织形式，如何选 择专家系统的结构，要根据系统的应用环境和具体对象的特点而定。 专家系统的分类有很多，例如基于规则型、基于框架型以及基于模型或者 w e b 型专家系统。目前，基于规则的专家系统为最常见的构造方式，因为基于 规则专家系统发展了近4 0 年，开发出了相应的专家系统的丌发工具，并产生了 大量的