（电力电子与电力传动专业论文）基于神经网络的电器故障诊断研究.pdf

基于神经网络的电器故障诊断研究 本文针对传统故障诊断的若干弊病，提出了将神经网络用于变压器故障诊 断系统的方法。传统的故障诊断方法大多是以领域专家和操作者的启发性经验 知识为核心，知识获取困难、推理效率低下、自适应能力差，并且常见的诊断方 法通常由于其单一性而存在一定的误差。同时由于故障征兆和故障类型之间常 常存在复杂的非线性关系，使得诊断系统的数学模型很难获取。而人工神经网络 以其分布式并行处理、自适应、自学习、联想记忆以及非线性映射等优点，为解 决这一问题开辟了新途径。鉴于此，在开发变压器故障诊断系统时，将神经网络 作为故障分类器进行设计。 本文首先分析了故障诊断和神经网络的基本理论，并在此基础上提出了神 经网络对于变压器故障诊断系统的适用性：文中将b p 神经网络算法用计算机实 现：并针对其本身存在的一些缺点提出了一系列改进措施，通过在修正权值的时 候增加动量项，并且限制输入值范围来减小误差、提高系统的诊断正确率：在对 输入数据进行归一化处理的时候，采取按类逐项归化的方法，在避免了输入数 据出现0 或者1 而使训i 练进入平坦区。这样可以大大提高系统的诊断效率和诊 断正确率。将变压器诊断中典型的油中气体分析法和神经网络方法相结合，采用 m a t a b 自带的g u i 系统开发出界面友好、使用方便的变压器故障诊断系统：此 外，文中还详细探讨了网络各结构参数的选择方法，并且就变压器这一实际诊断 系统，分析了不同结构参数对系统误差的影响。在文章的最后，总结了神经网络 故障诊断系统的优点以及不足之处，并且探讨了未来神经网络用于故障诊断的 前景和发展方向。 关键词故障诊断神经网络b p 算法变压器油中气体分析 第3 页 西华大学硬士学位论文 s t u d y0 fp o 毽re q u 糟划鼍n tf a u l t d l a g n o s i sb a s e do na r t i f i c l a ln e u r a l n e r w o r k p o w e re l e c t r o na n dp o w e rt r a n s m i s s i o n s t u d e n t ：r e nk a n g a d v i s e r ：y a n gy a n x i a n g s c h o o lo fe l e c t r i c a la n di n f o r m a t i o ne n g i n e e r i n g , x i h u au n i v e r s i t y a b s t r a c t e q u i p m e n tf a u l td i a g n o s i su s i n gn e u r a ln e t w o r ko r i g i n e de n do f 1 9 8 0 s i n1 9 8 9 ， v e n k a tv e n k a t a s u b r a m a n i a na n dk i n gc h a n ，a m e r i c a nb e r d uu n i v e r s i t y , a p p l i e d n e u r a ln e t w o r ki nf a u l td i a g n o s i s ，a n dc o m p a r e di tw i t hp r o f e s s i o n a ls y s t e mb a s e d o nk n o w l e d g e t h e yd e c i d e d1 8k i n d so fs y m p t o m s ( i n p u tn o d e s ) a n d1 3k i n d so f e x c e p t i o nc l a s s e s ( o u t p u tn o d e s ) ，a n d5 2 7n o d e si nh i d d e nl a y e r , w h i c hc o u l d d e c i d e9 4 9 8 o ft h ef a u l tr e a s o n s 。b u tt h ed i s a d v a n t a g ew a st h a tt h et r a i n i n g w o u l dl a s tl o n g ，a n dt h ei n p u td a t aw h e nt r a i n i n gw e r en o tr e a lt i m e ，a n dn e u r a l n e t w o r km a p p i n gc o n t i n u o u sv a r i a b l e sw a sm o r ed i f f i c u l t yt h a nm a p p i n gb o o l e a n v a r i a b l e s e v e nt h o u g h ，t h e yw e r et h ef i r s t 幻a p p l yn e u r a ln e t w o r ki nm o d em a t c h i n ga n d f a u l td i a g n o s i ss u c c e s s f u l l y 第4 丽 基于神经网络静电器敬障诊断研究 w i t ht h et e c h n i c a ll e v e lo fm o d e mf a c i l i t yi m p r o v i n gc o n t i n u a l l y , t h ef a u l t p r o b a b i l i t yi n c r e a s e sg r e a t l y ，p o w e rt r a n s f o r m e rh a sav e r ys i g n i f i c a n ti n f l u e n c et o p o w e rs y s t e m ，e n t e r p r i s e s p r o d u c t i o n a n dp e o p l e sl i f e h o wt of o r e c a s t t r a n s f o r m e r sf a u l ta h e a do ft i m ea n df i n dt h ef a u l tc a u s e sq u i c k l ya f t e rt h ef a u l t h a p p e n si sag o o dw a yt o i n c r e a s ew o r ke f f i d e n c ya n dt ol i g h t e nt h ee c o n o m y l o s i n g i nt h ep a p e r a n ni s a p p l i e d t of a u l t d i a g n o s i ss y s t e m t oo v e r c o m e s h o r t c o m i n g so ft r a d i t i o n a lf a u l td i a g n o s i sa n dr e d u c ee l l o rb r o u g h tb ys i n g l e m e t h o d f u r t h e r m o r eb e c a u s ef a u l ts y m p t o ms p a c ea n df a u l ts p a c eh a v ec o m p l i c a t e d n o n l i n e a rr e l a t i o n s ，t h em a t h e m a t i c a lm o d e lo fd i a g n o s i ss y s t e mi sd i f f i c u l tt og e t a r t i f i c i a ln e u r a ln e t w o r k sp r o p o s e san e ww a yf o rt h i sp r o b l e mb e c a u s eo fi t s a d v a n t a g e ss u c h a s p a r a l l e lp r o c e s s i n g , s e l f - a d a p t a t i o n ，s e l f - s t u d y , a s s o c i a t i o n m e m o r y , n o n l i n e a rm a p p i n g ，e t c t h e r e b ya n ni s u s e da sf a u l t c l a s s i f y i n g i m p l e m e n ti ne x p l o i t t i n gt h es y s t e m i nt h eb e g i n n i n go ft h ep a p e r , b a s i ct h e o r i e so ff a u l td i a g n o s i sa n da n na r e p r e s e n t e d b pa l g o r i t h mi sp e r f o r m e db yc o m p u t e rp r o g r a m s o m ei m p r o v i n gi s d o n et ot h ea l g o r i t h m a d d i n gm o m e n t u mi t e mw h i l ec o r r e c t i n gw e i g h ta n dl i m i t i n g r a n g eo fi n p u tv a l u er e d u c ee r r o ra n di m p r o v ed i a g n o s i sc o r r e c t n e s sg r e a t l y w h i l e n o r m a l i z i n gt h ei n p u tv a l u e ，an e ww a yi sp u tf o r w a r dt h a tn o r m a l i z a t i o ni s p e r f o r m e di t e mb yi t e ma c c o r d i n gt oi t ss o r t 。i n t h i sw a y , e l t o rt r a i n i n gc a na v o i d g o i n g i n t ot h ef l a tf i e l dt h a ti sc a u s e db ye x i s t i n g0o r1o ft h ei n p u tv a l u e t h i sw a y c a ni m p r o v et h ee f f i c i e n c ya n dc o r r e c t n e s sg r e a t l y c o m b i n i n ga n nw i t hd i s s o l v e d g a sa n a l y s i s ( d g a ) ，at y p i c a lm e t h o di nt r a n s f o r m e rd i a g n o s i s ，t r a n s f o r m e rf a u l t d i a g n o s i ss y s t e mw i t hf r i e n d l yi n t e r f a c ea n dc o n v e n i e n tc a p a b i l i t yi sf i n i s h e db y g u is y s t e m ，i n c l u d e di nm a t l a bt o o l b o x 。b e s i d e s ，t h em e t h o do fs e l e c t i n g 第5 页 西华大学硕士学位论文 n e t w o r k sp a r a m e t e ri sd i s c u s s e dd e t a i l e d l y , a n dt h ei n f l u e n c eo fd i f f e r e n tp a r a m e t e r s o od i a g n o s i sr e s u l t si s a n a l y z e d f i n a l l y , t h ep a p e rs u m m a r i z e st h ee x c e l l e n t c a p a b i l i t yo fa n n f a u l td i a g n o s i ss y s t e ma n di t ss h o r t c o m i n g s ，a n dt h e na n a l y s e s t h eo u t l o o ka n dd e v e l o p m e n td i r e c t i o no fa n ni nf a u l td i a g n o s i ss y s t e m si nt h e f u t u r e k e y w 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 ( a n n ) ，b pa l g o r i t h m ，p o w e r t r a n s f o r m e r , d i s s o l v e dg a sa n a l y s i s ( d g a ) 第6 页 西华大学硕士学位论文 第一章概要 1 1 背景及意义 设备故障诊断技术是近4 0 年发展起来的- f l 新学科。它是适应工程实际需 要而形成的各学科交叉的综合学科。 设备诊断的历史和人类对设备的维修方式紧紧相联。在工业革命后的相当 长的时期内，由于当时的生产规模，设备的技术水平和复杂程度都较低，设备的 利用率和维修费用没有引起人们的重视，人类对设备的维修方式基本上是事后 维修，即设备运行出现问题之后进行故障分析和维护。2 0 世纪以后，由于大生产 的发展尤其是流水线生产方式的出现，设备本身技术水平和复杂度都大大提高， 设备故障对生产影响日益显著。这样，出现了定期维修，以便在事故发生之前加 以处理。大约在6 0 年代，美国军方意识到定期维修的一系列弊病，开始变定期维 修为预知维修，即在设备正常运行过程中就开始进行监护，以发现潜在的故障因 素，及早采取措施，防止突发性事故的发生。这种维修方式，不仅大大避免了灾难 性的设备故障，而且避免了失修和过剩维修，经济效益十分显著。这种诊断方式 很快被其他企业所效仿，于是设备诊断技术很快发展起来。 故障诊断技术借助于现代测试、监控和计算机分析等手段，研究设备在运行 中或相对静止条件下的状态信息，分析设备的技术状态，诊断其故障的性质和起 因，并预测故障趋势，进而确定必要的对策。 1 2 国内外研究现状 渗断理论作为状态识别方法的基础，在工程与技术、生物与医学以及经济与 社会领域内都得到了广泛的应用。从诊断技术的各分支技术来看，美国占有领先 地位。美国许多权威机构，如美国宇航局( n a s a ) ，美国机械工程师协会( a s m e ) 等 都参与了这一领域的研究，投入了大量的资金。不少的高校和企业也都设立了诊 第1 0 页 基于神经网络的电器故障诊断研究 断技术研究中心。美国的一些公司研制的监测产品，不仅具有完善的监测功能， 而且具有较强的诊断功能，在宇航、军事、化工等方面具有广泛的应用。其他的 一些国家，诊断技术的发展也各有特色，如英国在摩擦诊断方面，丹麦在振声诊 断方面，日本在诊断技术应用方面都各自具有优势。 我国的诊断技术始于7 0 年代末，虽起步较晚，但是经过追赶，特别是近几年 的努力，己基本赶上了国外在此方面的步伐，在某些理论研究方面已和国外不相 上下。目前，我国在一些特定设备的诊断研究方面很有特色，形成了一批自己的 检测诊断产品，如西安交通大学的“大型旋转机械计算机状态监测与故障诊断 系统”，哈尔滨工业大学的“机组振动微机监测和故障诊断系统”等。纵观我国 的设备诊断技术现状，其应用范围集中在化工、电力、冶金等行业，科研则主要 集中在高校进行，许多高校都成立了颇具实力的诊断工程中心。目前，全国性的 设备诊断会议仅中国振动工程学会故障诊断学会已举办过多次，各国国际会议 也举办过数次。这对我国诊断技术的发展起到巨大的推动作用。 1 3 本文主要工作 虽然传统的故障诊断技术有很多有点，产生了巨大的经济效益，但同时它也 仍旧存在某些局限性，如专家的经验知识难以获得或精确描述：知识数据量大， 难以维护管理：推理速度慢、效率低、能力弱：单一诊断方法误差较大：难以处理 故障诊断中的不确定问题等。 人工神经网络是新近兴起的由大量简单计算单元广泛相连而组成的具有高 度并行处理能力的一个非线性动力学系统，它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。本课题在此背景下，以充油变压器为例，对它的故障诊断系统进行了研究， 重点将神经网络理论运用于其中，没有在建立故障征兆和故障类型之间的数学 第1 l 页 西华大学硕士学位论文 模型上深入探讨。同时与充油变压器内部产生气体的气体分析法相结合，取得了 较好的试验效果。具体内容包括： ( 1 ) 选择神经网络算法一b p 算法，并进行改进，使之收敛速度和误差精度进 一步提高： ( 2 ) 收集故障样本，对故障征兆和故障类型进行分析，确定网络的输入和输出 向量： ( 3 ) 用油中溶解气体分析法的数据作为输入训练神经网络，调整权值和阈值 建立网络模型，实现对各项网络参数的比较确定，最终使误差满足要求 ( 4 ) 利用m a t l a b 自带的工具箱，设计人机界面，使用户能够直观方便地进行 操作。 1 4 本文组织结构 本文共分六章。第一章是序论，介绍了诊断技术的发展以及国内外发展现 状。第二章是故障诊断和神经网络基本理论。第三章是基于神经网络的变压器 故障诊断系统分析。第四章是系统设计。第五章是系统实现。第六章是总结和 展望。 1 5 本章小结 本章详细叙述了设备诊断技术产生的背景和意义，国内外的研究现状，本文 的主要工作，以及本文的组织结构。 第1 2 页 基于神经网络的电器故障诊断研究 第二章故障诊断和神经网络基本理论 本文的一大特点是将神经网络用于充油变压器故障诊断系统。因此，故障诊 断技术和神经网络理论是基础也是重点。只有对相关理论有了深刻的理解，才能 更好地进行系统设计和系统开发。 2 1 故障诊断技术 2 1 1 诊断工程概述 设备诊断技术是近4 0 年来发展起来的一门学科。它是适应工程实际需要而 形成的各学科交叉的综合学科。 从科学发展的大环境来看，设备诊断技术的产生也是各学科交叉发展的必 然。4 0 年代以来，人类的生产方式日益向大工业方向发展。在这种宏伟的社会 大背景下，系统论、混沌学等纷纷诞生，尤其是控制理论出现了重大突破，产生了 一系列现代控制方法。生产系统的庞大化和复杂化同时也暴露出一些问题，即如 何避免运行中故障的发生，这就要求由一门响应的诊断技术。同一时期，电子技 术，尤其是计算机技术的发展，为设备诊断技术提供了必要的技术基础。近年来， 传感器技术的发展，信号处理的系列技术，如各种滤波技术，各种谱分析技术，人 工智能的系列技术，如专家系统、神经网络等，以及其他技术在诊断中的应用， 使设备诊断技术逐渐完善。 2 1 2 故障诊断运作机理研究 故障诊断是研究设备运行状态信息的变化，进而识别设备运行状态的科学。 其运作机理如图所示。 第1 3 页 西华大学硕士学位论文 c h a r t l f a u l td i a g n o s i sp r o c e s s i n gf l o w 醋1 故障诊断运作流程 从本质上讲，设备诊断技术是个模式分类问题，即把机器的运行状态分为正 零鼗器豢鼹炎。遴一步谫，舅霉戆售譬样本突竞孱于彝类数障，这又耩予一个模 式识别问题。从图l 开展设备诊断的流程来看，设备诊断过程主要分为信号采 集、信号楚溪、敲簿诊粝3 令除段。鬣绕这一溺蘧，设备诊甄渡本在下述方甏震 开了理论研究。 ( 1 ) 信号采集技术的研究。设备诊断技术航设备的瘫获入学进行分析研究。设 备症状指机器运季亍时产生的代袭其状态的各种信号。因此，信号采集技术是 设备诊断技术的前提。只有采集到反映设备实际状态的耩号，诊断的后续工 作才鸯懑义。 ( 2 ) 信号分析和处理方法的研究是设备诊断技术的关键，也是理论研究的热点 之一，这实际上藏是渗载技术中瓣跨薤爨子( 敏戆因子) 撵取技零。薅感嚣聚 集的信号，称为原始信号，一部分可以直接利用，如温度、位移等，但大部分 很难壹缓稠胡，鲡菝动信号，虽然经过簸大，但国于含有嗓声，一般从时域波 形上很难反映问题，必须利用信号分析与处理技术取出噪声并搬信号转化 在不同的域内进行分析，才能得到更能敏感反映机器状态的特征因子。滤波 技术、频谱分援技术是佟绞熬信号处理方法。近年来出现鲍数字滤波技零、 自适应滤波技术、小波分析技术等，大大丰富了信号处理的内容。 第1 4 页 基予神经鲻络静电嚣蔽藩诊新研究 ( 3 ) 诊錾方法数磷究是设器诊繇接术瓣核心。谈剐设鍪豹状态必正豢或努豢， 判断为异常詹再进行原因分扼这是诊断的实质。目前，诊断技术根据不同 静信号类型，分必振露诊瑟、瀑菠诊繇、滚滚分拆、必谱分拆簿。受鼓零条 件的限制，在诊断技术发展初期，人的因素占绝对主导地位。仪器处理后的 信号麓本上靠入去分析。近年来，随着人工智能( a i ) 的发展，诊断自动化、 智2 他的要求逐渐变为现实，其中，基于知识的专家系统( 简称专家系统) 的 研究起步最翠，目前在诊断中已有成功的运用。模糊理论由于熙有处理不确 定售惑款能力，因姥遴露露专寒系统鞠结合，馋为裁缝理靼蜃处理。耪经网 络技术在诊断中的应用起步较晚，但由于它强大的并行计算能力和自学习 功能阻及联怒记忆臻裁，穰遥会擞放簿分类帮模式识弱，霞嚣在诊瑟孛簿到 很广泛的应用。 由于本文的研究重心在核心部分即诊断方法，因此本文重点对诊断技术的 核心部分即诊断方法进行研究。前面的两个环节信号采集和储号处理暂不 傲详细讨论。系统中用到款襻本数据和傍囊数据楚已经缀过处理霹以直接终为 诊断系统输入的数据。 2 。2 神经网络 2 2 1 神经网络概述 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 n n ) ，亦称为神经网络( n e u r a l n e t w o r k s ，n n ) ，是由大量处理单元( 神经元n e u r o n s ) 广泛飘连而戚的网络，是对 人脑的抽象、簿化和模拟，反映人脑的基本特性。人工毒申经网络的研究是从人脑 的生理结构出发米研究人的智能行为，模拟人脑倍息处理的功能。宅是根植于神 经科学、数学、绞诗学、物理学、诗算莰辩学缢教工程等学科夔一耱技零。 神经网络是人们在模仿人脑处理问题的过程中发展起来的一种新型智能信 西华大学硕士学位论文 息处理理论，它通过大量称为神经元的简单处理单元构成非线性动力学系统，对 人脑的形象思维、联想记忆等进行模拟和抽象，实现与人脑相似的学习、识别、 记忆等信息处理能力。它与人脑的相似之处概括为两个方面：一是通过学习过程 利用神经网络从外部环境中获取知识：二是内部神经元( 突触权值) 用来存储获 取的知识信息。神经网络也经常被称为神经计算机( n e u r o c o m p u t e r ) ，但它与现 代数字计算机的不同之处主要表现在以下方面： 1 )神经网络的信息存储与处理( 计算) 是合二为一的，即信息的存储体现 在神经元互连的分布上：传统计算机的存储与计算机是独立的，因而 在存储与计算之间存在着瓶颈。 2 )神经网络以大规模模拟计算为主：数字计算机是以串行离散符号处理 为主。 3 )神经网络具有很强的鲁棒性和容错性，善于联想、概括、类比和推广 任何局部的损伤不会影响整体结果。 4 )神经网络具有很强的自学习能力，能为新的输入产生合理的输出，可 在学习过程之中不断完善自己，具有创新特点。 5 )神经网络是一个大规模自适应非线性动力系统，具有集体运算的能 力。这与本质上是线性系统的现代数字计算机迥然不同。 神经网络在经历了几十年的曲折发展以后，在信息科学领域等许多应用方 面已经显示出了巨大潜力和广阔的应用前景。 神经网络的高速并行处理、分布存储信息等特性符合人类视觉系统的基本 工作原则，具有很强的自学习性、自组织性、容错性、高度非线性、高度鲁棒性、 联想记忆功能和推理意识功能强等特点。人工神经网络是在现代神经科学研究 成果的基础上提出来的，其特点在于信息的分布处理和并行协同处理，十分适用 于如故障诊断等这类多变量非线性问题。 人们对神经网络的研究从2 0 世纪4 0 年代初就开始了，它的发展经历了由兴 第1 6 页 基于神经网络的电器故障诊断研究 起、萧条和兴盛三个时期。第一次研究高潮是在5 0 年代至6 0 年代，主要以1 9 4 3 年心理学家m m c c u l l o c h 和数学家w h p i t t s 提出m p 模型为代表，它迈出了人 类研究神经网络的第一步。m c c u ll o c h 和w h p i t t s 表明：原则上，拥有了数 量众多的简单单元和适当的神经元连接且运行同步的情况下，所构建的网络能 计算任何可计算的函数。m p 的提出兴起了n n 研究，同时产生了人工智能 ( a r t i f i c i a li n t e l l i g e n c e ，a i ) 。6 0 年代至7 0 年代末，由于受当时神经网络 理论研究水平所限及应用前景不明朗，加之受冯诺依曼计算机大发展的冲击等 影响。使神经网络方面的研究陷入低谷。直到8 0 年代末，神经网络才出现了它的 第二次研究高潮。其标志是1 9 8 2 年美国物理学家h o p f i e l d 神经网络模型。这 一成果使神经网络的研究取得了突破性进展。 几年来，神经网络理论的研究与现实引起了美国、日本、中国及西欧一些国 家的科学家、研究机构和企业界的普遍关注。并且各个学科的研究人员都想利 用神经网络的特殊功能来解决本学科的难题，很多的工程项目都采用和正准备 采用人工神经网络的解决方案。同时不同学科的科学工作者正在积极联合起来 进行各种学术交流。可以说，目前对人工神经网络的研究出现了更高的热潮。 2 2 2 神经网络的结构 神经网络发展几十年来，形成了数十种网络，包括多层感知器，k o h o m e n 自 组织特征映射，h o p f i e l d 网络，自适应共振理论，a r t 结构，r b f 网络，以及近年来 出现的小波神经网络，概率神经网络等。这些网络，由于结构不同，应用范围也不 同。但根据有无反馈。可分为前馈神经网络和反馈神经网络：根据函数逼近类型， 可分为全局逼近神经网络和局部逼近神经网络。 人工神经网络结构和工作机理基本上是以人脑的组织结构( 大脑神经元网 络) 和活动规律为背景的，它反映了人脑的某些基本特征，但并不是要对人脑部 分功能的真实再现，可以说它是某种抽象、简化或模仿。 第1 7 页 蔹华大擎硕士学钕论文 人工裤经元模蘩跫生携季牵经元懿模投与籀象，援谗魏攮象是麸数学轰疫瑟 言，所谓模拟是从神缀元的结构和功能而言的，神经元( 节点) 是神经网络的基本 组成部分，箕生物结梅如图2 所示。莛中，辅突( 鄂神经纤维) 稳当予绸麓豹输穗 电缆，用于传出神经冲动。树突相当于细胞的输入端，它接受外部神缀冲动。突 触楚细胞之间轴突和树突的连接接口。在神经网络理论中，通常将神经元的生物 结构形式化搂述为如图3 赝涿形式。 x 缩 y 擀1 8 页 c h a t t 3a r t i f i c i a ln e u r a lc e l ls t r u c t u r e 图3 人二 神经元模型 基于神经网络的电器敢障诊断研究 久工神经网络籀当于个多输入荜输爨酶菲线穗蠲值器件。x 。，x ， x 。楚害孛经嚣接受到戆售塞靼簸入：冁w ”，w 。隽逐接强度，臻之为蔽：s i 怒终 部输入信号：v ；表示这个神缝元的输出值：0 ；为阈值，如果输入信号的加权和超 过0 。，则人工神经网络被激活( z w 。x l 称为激活值) 。这样人工神经冗的输出可 以捺述为： y i = f ( e w i x ，一0i ) 其中，f 是表示神经元输入一输出关系的函数，称为激励函数。常用激励荫数 磐下嚣4 瑗示： t a n s i g 双曲正切s 型( s i g m o i d ) 传递函数，用于将神经元的输入范围为( 一o 。， + 一) 映射到( 一l ，1 ) 。l 0 9 s i g 对鼗s 型_ ( s i g m o i d ) 传递函数，羽于将椿经元翡输 入范围( 一一，+ o o ) 映射到( 0 ，十1 ) 。这二个都是可微的，因此很遥合利用b p 网络算 法训练神经两络。 j 1 夕 o ll ￥ 1 0 。 一】 ( a ) s i g m o i d 函数 ( b ) 双曲线正切函数 c h a r t 4c o m m o n i n s p i r i n gf m n c t i o n 图4 常用激励函数 由上可以看出，作为神经网络的最基本工作单元，神经元的结构是很简单的 第i 9 甄 西华大学硕士学位论文 它的处理能力也比较单一。然而，由大量这种结构简单、功能单一的神经元所构 成的神经元网络却有许多很优越的特性。神经元网络对信息的处理是由大量的 神经元共同完成的，是种集合的功能：与之相适应的是信息的分布式存储和联 想记忆的存取方式。网络由这些不同层次的节点集合而成，每一层的节点输出送 到下一层节点，这些输出值由于节点间连接权值的不同而被放大、衰减或抑制。 除了输入层外，每一层的输入为前一层所有节点输出值的加权和。在这个网络系 统中，隐层起着决定性的作用。它把输入样本的特征形成更接近于输出模式的概 念。因为如果没有隐层这个中间作用，输入到输出的变换就过于简单，当输入、 输出样本特征相差较大时就无法满足要求。 2 2 3 前向分层神经网络 将神经元通过一定的结构组织起来，就构成神经网络。根据神经元之间连接 的拓扑结构不同，神经元网络可以分为两大类：分层网络和相互连接型网络。 分层网络是将一个神经网络模型中的所有神经元按功能分为若干层，般 有输入层、中间层和输出层，各层顺序连接。而相互连接型网络是指网络中任意 两个单元之间都是可以互相连接的。分层网络中输入层接受外部的输入信号， 并由各输入单元传递给直接相连的中间层各单元。中间层是网络的内部处理单 元层，与外部无直接连接。神经网络所具有的模式变换能力，如模式分类、模式 完善、特征提取等，主要是在中间层进行的。根据处理功能的不同，中间层可以 有多层，也可以没有。由于中间层单元不直接与外部输入输出打交道，故常将神 经网络的中间层称为隐含层。输出层是网络输出运行结果并与显示设备或执行 机构相连接的部分。简单的前向网络就是分层网络的一种。此外还有具有反馈 的前向网络以及层内有互相连接的前向网络。图5 所示为简单的前向网络结构 图，输入模式由输入层进入网络，经过中间层的模式变换，由输出层产生输出模 式。所谓前向网络是由分层网络逐层模式变化处理的方向而得名的。著名的b p 第2 0 页 基于神经网络的电器故障诊断研究 网络就是一个典型的前向网络。 c h a r t 5f o r w a r dm u l t i l a y e r sn e u r a ln e t w o r ks t r u c t u r e 图5 前向分层神经元网络模型 多层前向网络是目前应用晟多的神经网络，而其中的b p 网络由于其算法的 优越性，更是得到了广泛的应用。本文用的就是典型的b p 网络模型。基于b p 算法的简单多层前向神经网络具有以下重要能力。 非线性映射能力多层前馈网络能学习和存储大量输入一输出模式 映射关系，而无需事先了解描述这种映射关系的数学方程。主要能提供 足够多的样本模式供b p 网络学习训练，它便能完成由n 维输入空问到m 维输出空间的非线性映射。 这个特点为工程及技术上许多问题都提供了解决办法。如对某输入 一输出系统，已经积累了大量相关的输入一输出数据，但对其内部蕴含的规律 仍未掌握，因此无法用数学方法来描述该规律。这时，多层前向神经网络具 有无可比拟的优势。文中将神经网络用于变压器故障诊断系统也正是基于 它的这个优点。 泛化能力多层前向网络训练后将所提取的样本对中的非线性映射 关系存储在权值矩阵中，在其后的工作阶段，当向网络输入训练时未曾 见过的非样本数据时，网络也能够完成由输入空间向输出空间的正确映 射。这种能力成为网络的泛化能力，它是衡量多层前向网络性能优劣的 嚣华大学疆士学位论文 令黧要撵辍。 容错能力多层前向网络的魅力还在于，允许输入样本中带有较大 瓣误夔甚至今澍疆谟。因为对粳蓬簌簿熬调整避程是秩大量样本孛援敬 出统计特性的过程，殷映正确规律的知识来自全体样本，个别样本的误 差不貔左右对投矩阵的调整。 2 2 4 神经网络的算法 神经网络的具体实现除会理有效的模型之外，还需要有个有效的学习算 法。神经网络的种类搬多，而误差反向传播算法( b a c kp r o p a g a t i o n ，简称b p 网 络) 是应用最广泛、效果最好懿方法，与其她传统模型橡比，有疑好的持久性秘遥 时预报性。 r u m e l h a r t ，m c c l e l l a n d 帮毽翻戆嚣事渊察到神经霹络纛痿惠楚理孛戆黧 要性，于1 9 8 2 年成立了一个p d p 小组，研究并行分布信息处理方法，并于1 9 8 5 年发矮了静阏络学习算法。鹜蓊，在久工神经两络鹃突际应瑙中，绝大多数的褥 经网络模型是采用b p 网络和它的变化形式，它也是前向网络的核心部分，并体 现了入工神经网络最精华的部分。 b p 网络主要作用于： ( 1 ) 函数逼近：用输入矢量和相应的输出矢量训练一个网络逼近一个函数： ( 2 ) 模式谖裂：瘸一个特定的竣窭矢量将它与输入矢量联系起来： ( 3 ) 分类：把输入矢量以所定义的合适方式进行分类： ( ) 数据援络：减步输密矢量维数辍使予佼输蓑移疆。 标准的b p 丽络出3 层神经元组成，如6 矫示。出于3 瑶前向神经网络可以 实现以任意糖度逼近馁意连续函数，所以在此只研究3 层b p 辛串经网络。 第2 2 页 基于神经网络的电器故障诊断研究 y x x ：x 。 c h a r t 63 - l a y e r sb pn e u r a ln e t w o r k 图63 层b p 神经网络 在三层前馈网络中，假设输入向量为x = ( x 。，x ：，x 。) 7 ，如加入x 。= 一l ，可 为隐层神经元引入阈值：隐层输入向量为y = ( y 。，y ：，y m ) 7 ，如加入y0 = 一1 ，可 为输出层神经元引入阈值：输出层向量为o = ( o ，o ：，o i ) t ，期望输出向量为 d 2 ( d ，d ：，d ，) 7 ，输入层到隐层之间的权值矩阵用v 表示，v = ( v 。，v ：， v 。) t ，其中列向量v i 为隐层第j 个神经元对应的权向量：隐层到输出层之间的 权值矩阵用w 表示，w = ( w 。，w ：，w 。) 7 ，其中列向量w 。为输出层第k 个神经元 对应的权向量。下面分析各层信号之间的数学关系： 对于输入层，输入、输出均为x ： 对于隐层，有 输入：n e ，2 磊”t ，j 2 1 ，2 ，m 第2 3 页 西华大学硕士学位论文 输出：y 2 f ( n e t ，) 对于输出层，有 输入n 乱e 2 篆w 席y k _ 1 2 1 输出：0 t = f ( n e t t ) 在上式中，f ( ) 为激励函数，这里采用s 型作用函数( 即s i g m o i d 函数) f ( a ) 2 专 f ( a ) 具有连续、可导的特点，且有f 。( a ) = f ( a ) 卜f ( a ) 。 在网络的实际应用中，网络实际输出与期望输出往往不等，二者之间存在误 差，设为e ，定义如下： e 毛塞- o 将以上误差公式展开至隐层，有 e 2 丢砉【d t 一，( n e “) 】2 2 三塞【d t 一，( 羹w 斗y ，) 】2 进一步展开至输入层，有 e 2 三毫【d t 一，( 薹w 业，( n e r ，) ) 】2 2 三塞 d t 一，【羹w 业，( 砉v n 上i ) 】) 2 由上式可以看出，网络输入误差是各层权值w 社，v 的函数。因此，调节权值 可以改变误差e 。 显然，调整权值的原则是使误差不断减小，因此应使权值的调整量与误差的 第2 4 页 基予害枣经薅终熬电器数障诊断蜞宠 式中符号表示梯度下降。常数r i ( 0 ，1 ) 表示比例系数，在训练中反映了学 习速度，困就也称为学习率。 为了进一步得嫩明确的权值调憋公式，霈做以下推导，且在推导过程中，对 输出层均有j = o ，1 ，m ：k ：l ，2 ，l ：对隐艨均有i = o ，1 ，n ：j = l ，2 ，i l l 。 趣 蛔辟一q 瓦 一n 生d n e t k d n e t kd w i k ：一r l d e 堕d n e t k d o d n e t d w 业 一n ( d i o 女) j f ( n e t l ) 7 j = n ( d 一0 t ) 。 i 一0 t ) + y j 若令6 。= ( d k - - 。；) 0 ；( 1 一。；) ，豫为输蝰层误熬信号， 贝u ”业= n6 y j 一- r l ( d k - - 0 1 ) 。o 。( 1 一0 1 ) y ， 同样可推褥： 勰 a v t i = - 礓瓦 ：一。旦塑生 d n e t id v 0 即堡咄堕峨 嗽 q n e l - 觚 矿 旷 度 梯负 西华夫学硕士学位论文 积痧fd n 薛 r l 一- - - - - - - ：一- - - - - 如id n e t id v q q 噶瓴吨) ，研) w 曲1 呲3 2 n 蒌一唧) ，o 吼) w 业3 = n 一吼h ( 1 - o k ) w 业 yj 。( 卜yj ) x 嬲 。 罄令6j 。薹8k w h ) 。y j ( 1 一y ，称为隐层躲误差德号， 粼矗v 2 毪6 ，x ；2 建荟 容易黉出，输如层的谖蒺信号网网络的期望输出与实际输出之燕有关，袁接 反映了输出误差，而各隐层的误差信号与前面各层的误差信号都有关，是从输出 屡开始逐撩反传邋来憨。 由上推导，可得出各层权值的调整公式： w 肛= w 壮+ n6 yj 以此为依据即可对权值进行调整，完成对神经网络的训练。 静算法的特点是信号的前肉计算和谈差的反商传播。其信号流向觉蕊所 示： 第2 6 甄 基予神经瘸络的电器故障诊鞭研究 卜稚层+ | 卜一输出瑶| c h a r t 7b p a l g o r i t h ms i g n a lf l o w 图7b p 算法的信号流向 2 2 5 b p 算法的程序实现 前面推导出的算法是b p 算法的基础，舆体到神经网络豹实现滋需要通过计 冀帆编程米完成。8 p 算法流程图见图8 所示。具体编程步骤如下： 第2 7 页 西华大学硕士学位论文 c h a f f 8b p a l g o r i t h mf l o w 图8b p 算法流程图 ( 1 ) 初始化对权值w 、v 赋随机数，样本模式计算器p 和训练次数计算器q 置1 ， 误差b 置0 ，学习率n 和网络训练误差精度e 。设为( o ，1 ) 的小数： ( 2 ) 输入训练样本时，计算隐层、输出层的各输出： ( 3 ) 计算网络输出误差设共有p 对训练样本，网络对应不同的样本具有不同的 误差e ，网络的总误差设为网络平均误差e _ z e ，( n p * n o ) ： 第2 8 页 基于神经网络的电器故障诊断研究 ( 4 ) 计算各层误差信号即计算各权值修正公式中的6 ： ( 5 ) 调整各层权值用权值修正公式计算权值各分量： ( 6 ) 检查是否对所有样本完成一次轮询若p p ，计数器p 、q 增l ，返回步骤( 2 ) ， 否则转步骤( 7 ) ： ( 7 ) 检查网络总误差是否达到要求如果是，训练结束：否则e 置0 ，p 置1 ， 返回( 2 ) 。 2 2 6 1 3 p 算法的改进 ( 1 ) 误差公式的改进 由上可知，b p 算法是一个非线性优化问题，是一种利用梯度下降法来寻优的 方法。故不可避免地存在极小值问题，当进入局部最优区域时，网络就收敛很慢， 发生迟钝，甚至失去继续学习的能力。如图9 ，若系统在学习过程中停止在误差 函数的局部最小值或某稳定点，则不管经历多少次迭代，系统误差函数将停留在 某个较大值上。这样，虽然期望得到全局最小值所对应的 。) 。，但系统也可 能停留在某局部最小值所对应的 u ) 。，。 e r a i n ) l o c a l 权值坐 ；! ! ，旧i c h a r t 9ea n d ( 1 ) ) r e l a t i o nc u r v e 图9e 与 u 关系曲线 第2 9 页 西华大学硕士学位论文 通过分析可以看出，在误差反向传播的公式中，当输出层的ok 近似于0 或 近似于l 时，o ，近似于0