（系统工程专业论文）基于RBF神经网络的矿井提升机故障诊断研究.pdf

哈尔滨工程大学硕士学位论文 摘要 随着生产技术水平的不断提高，现代设备的结构越来越复杂，设备运行 的安全性和可靠性已得到社会的普遍重视，于是故障诊断技术近年来在国内 外获得了飞速的发展。各种智能控制方法在故障诊断得到了应用，自上世纪 8 0 年代末，科学家将人工神经网络应用于故障诊断以来，神经网络技术以其 可实时运行，抗干扰能力强，诊断准确率高等特点，在智能故障诊断领域中 占有着重要的地位。本文针对矿井提升机在煤矿生产中的重要性，对r b f 神 经网络在当前矿井提升机的故障诊断问题中的应用进行了研究。 首先讨论了神经网络理论的概念、特点以及组成神经网络的基本要素， 对神经网络技术进行了简要的介绍。然后对b p 网络和r b f 网络进行介绍， 分析了b p 网络和r b f 网络各自的特点，比较了r b f 网络与b p 网络的性能 优劣。以目前应用广泛的r b f 神经网络为研究对象，深入地对其性能进行探 讨和分析，指出了r b f 网络的优点，并进行了m a t l a b 仿真分析。说明了 本文选择r b f 网络的原因。 其次，在介绍了矿井提升机的组成结构和工作特点的基础上，指出了矿 井提升机的核心工作部件和辅助系统，然后说明了矿井提升机监测系统的组 成，为使系统运行更加完善和可靠，必须对矿井提升机进行在线实时监测。 分析了矿井提升机常见的故障机理。分析了矿井提升机故障诊断系统的总体 构架，然后说明了故障诊断方案的确定，r b f 神经网络应用于故障诊断，诊 断算法的实现，人机接口开发语言，b o r l a n dc + + b u i l d e r 与m a t l a b 的混合 编程的实现。说明了基于r b f 神经网络的矿井提升机故障诊断系统的功能和 特点，故障诊断系统可诊断的故障种类。结合了对故障诊断系统的要求，分 析了以r b f 神经网络算法为核心，以m a t l a b 编制的后台服务程序的故障 诊断系统。通过分析验证了r b f 神经网络在系统故障诊断中分析与设计的实 用性，也实现了预先的设计要求。 最后，分析了本系统应用于矿井提升机液压站模块的故障诊断，分析结 果表明系统性能符合故障诊断的要求。本文最后给出了进一步完善和改进系 统性能的方法与技术路线。 关键词：故障诊断；神经网络；r b f ；矿井提升机；m a t l a b 哈尔滨t 程大学硕士学位论文 a b s t r a c t n es t r u c t u r eo fm o d e me q u i p m e n ti sb e c o m i n gm o r ea n dm o r ec o m p l e xw i t h t h ec o n t i n u o u sd e v e l o p m e n to f p r o d u c t i o nt e c h n o l o g y n es e c u r i t ya n dr e l i a b i l i t y o ft h ee q u i p m e n t s m o v e m e n tg e t st h eu n i v e r s a la t t e n t i o no ft h es o c i e t y t h e r e f o r e t h et e c h n o l o g yo ff a u l td i a g n o s i sh a so b t a i n e dr a p i dd e v e l o p m e n tt h i sy e a ri n h o m ea n da b r o a d v a r i o u si n t e l l i g e n tc o n t r o lm e t h o d si nf a u l td i a g n o s i sh a v eb e e n a p p l i e d i ne n do f8 0 so fl a s tc e n t u r yt h es c i e n t i s ta p p l i e dt h ea r t i f i c i a ln e u r a l n e t w o r k si nt h ef a u l td i a g n o s i s f r o mt h e no nt h en e u r a ln e t w o r kt e c h n o l o g yh a s h e l dt h ei m p o r t a n ts t a t u si nt h ef i e l do fi n t e l l i g e n tf a u l td i a g n o s i sb e c a u s eo fi t s c h a r a c t e r i s t i c sw h i c hi n c l u d et h er e a l - t i m ec h a r a c t e r , e x c e l l e n ta n t i - j a m m i n g a b i l i t ya n dh i g ha c c u r a c yo ff a u l td i a g n o s i s a i m i n ga tt h ei m p o r t a n c eo fm i n e h o i s ti nm i n ep r o d u c t i o na p p l i c a t i o no fr b fn e u r a ln e t w o r ki ss t u d i e di nt h e c u r r e n tm i n eh o i s tf a u l td i a g n o s i sp r o b l e m a tf i r s t , t h i sa r t i c l ed i s c u s s e dt h ec o n c e p t c h a r a c t e r i s t i ca n db a s i cf a c t o r so f t h en nt h e o r y ab r i e fi n t r o d u c t i o ni sd o n eo nn e u r a ln e t w o r kt e c h n o l o g y a n d t h e nt h eb pn e t w o r ka n dr b fn e t w o r ka r ei n t r o d u c e d t h e i ro w nc h a r a c t e r i s t i c s o ft h eb pn e t w o r ka n dr b fn e t w o r ka r ea n a l y z e d p e r f o r m a n c eo fa d v a n t a g e sa n d d i s a d v a n t a g e so ft h er b fn e t w o r ka n db pn e t w o r ki sc o m p a r e d 耽ec u r r e n t w i d e l yu s e dr b fn e u r a ln e t w o r ki ss t u d i e df o rt h eo b j e c t n e i rp e r f o r m a n c ei s d i s c u s s e da n da n a l y z e di nd e p t h i tp o i n t e do u tt h ea d v a n t a g e so fr b fn e t w o r k s n em a t l a bs i m u l a t i o na n a l y s i si sd o n e t h i sa r t i c l ee x p l a i n e dt h er e a s o n sf o r c h o i c eo fr b fn e t w o r k a f t e r w a r d s ，t h ec o m p o s i t i o no ft h es t r u c t u r ea n dw o r k i n gc h a r a c t e r i s t i c so f t h em i n eh o i s ta r ei n t r o d u c e d i tp o i n t e do u tt h ec o r ew o r kp a r t sa n ds u p p o r t s y s t e mo ft h em i n eh o i s t a n dt h e ni td e s c r i b e dt h ec o m p o s i t i o no ft h em i n eh o i s t m o n i t o r i n gs y s t e m t om a k et h es y s t e mm o r ec o m p l e t ea n dr e l i a b l e ，t h em i n e h o i s to n l i n er e a l t i m em o n i t o r i n gi sn e e d e d n ec o m m o nf a i l u r em e c h a n i s mo f t h em i n eh o i s ti sa n a l y z e d n eo v e r a l lf r a m e w o r ko ft h em i n eh o i s ts y s t e mi s a n a l y z e d a n dt h e ni td e s c r i b e dd e t e r m i n a t i o no ft h ef a u l td i a g n o s i sp r o j e c t n e 哈尔滨t 程大学硕十学位论文 r b fn e u r a ln e t w o r ki sa p p l i e dt of a u l td i a g n o s i s n ed i a g n o s i sa l g o r i t h mi s r e a l i z e d 珏em a n m a c h i n ei n t e r f a c ed e v e l o p m e n tl a n g u a g ei sr e a l i z e d 珏em i x e d p r o g r a m m i n go fb o d a n dc + + b u i l d e ra n dm 棚a b i sr e a l i z e d 1 1 l ef u n c t i o n s a n df e a t u r e so ff a u l td i a g n o s i so fm i n eh o i s ts y s t e mb a s e do nr b fn e u r a ln e t w o r k a l ei n t r o d u c e d n ef a u l tt y p e st h a tf a u l td i a g n o s i ss y s t e mc a nd i a g n o s ea l e i n t r o d u c e d n ef a u l td i a g n o s i ss y s t e mt h a tar b fn e u r a ln e t w o r ka l g o r i t h mi sa s t h ec o r ei sa n a l y z e du n i f i e dt h er e q u e s to ft h ef a u l td i a g n o s i ss y s t e m 1 1 l es y s t e m t h a tm a t l a bi sf o rt h eb a c k g r o u n ds e r v i c ep r o g r a mi sa n a l y z e d t h r o u g ht h e a n a l y s i st h i sa l t i d ev e r i f i e dp r a c t i c a b i l i t yo ft h er b fn e u r a ln e t w o r ki nf a u l t d i a g n o s i ss y s t e ma n a l y s i s a n dd e s i g n i t sr e s u l t sr e a l i z e dt h e p r e d e s i g n r e q u i r e m e n t s f i n a l l y , t h i sa r t i c l ea n a l y z e dt h a ts y s t e m sc o u l db eu s e dt ot h ef a u l td i a g n o s i s o ft h em i n eh o i s th y d r a u l i cs t a t i o n n er e s u l t ss h o w e dt h a tt h es y s t e m p e r f o r m a n c ea n a l y s i sa c c o r d sw i t ht h er e q u i r e m e n t so f f a u l td i a g n o s i s 1 1 h i sa r t i c l e g a v et h e m e t h o da n dt h et e c h n i c a lr o u t eo ff u r t h e rc o n s u m m a t e da n dt h e i m p r o v e m e n ts y s t e mp e r f o r m a n c ei nt h ee n do ft h ea r t i c l e k e y w o r d s ：f a u l td i a g n o s i s ；n e u t r a ln e t w o r k ；r b f ；m i n eh o i s t ；m a t l a b 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、数据和文献的引用已在 文中指出，并与参考文献相对应。除文中己注明引用的内容外， 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) ：阉威星 日期：o 护少年占月j 日 哈尔滨工程大学 学位论文授权使用声明 本人完全了解学校保护知识产权的有关规定，即研究生在校 攻读学位期间论文工作的知识产权属于哈尔滨工程大学。哈尔滨 工程大学有权保留并向国家有关部门或机构送交论文的复印件。 本人允许哈尔滨工程大学将论文的部分或全部内容编入有关数据 库进行检索，可采用影印、缩印或扫描等复制手段保存和汇编本 学位论文，可以公布论文的全部内容。同时本人保证毕业后结合 学位论文研究课题再撰写的论文一律注明作者第一署名单位为哈 尔滨工程大学。涉密学位论文待解密后适用本声明。 本论文( 囱在授予学位后即可口在授予学位1 2 个月后口 解密后) 由哈尔滨工程大学送交有关部门进行保存、汇编等。 作者( 签字) ：闺成t 孟 日期： z 。d 少年6 月玎日 哈尔滨丁程大学硕十学位论文 第1 章绪论 1 1 课题背景 近年来，随着人工智能技术的迅速发展，特别是知识工程、专家系统和 人工神经网络在诊断领域中的进一步应用，基于人工智能的故障诊断方法得 到了更加深入、系统的研究，产生了专家系统故障诊断方法、基于案例的故 障诊断方法、神经网络故障诊断方法、模糊故障诊断方法等。与传统故障诊 断方法相比，故障智能诊断方法能够模拟人脑的逻辑思维过程，利用专家知 识进行推理以解决复杂诊断问题，代表了故障诊断的发展方向。本课题“基 于r b f 神经网络的矿井提升机故障诊断研究 的目的就是在r b f 算法的基 础之上，研究人工神经网络在矿井提升机故障诊断研究中的应用。 随着航空、航天、核电站、机器人等高技术的发展和人们探索自然领域 的扩展，系统的自动化水平日益提高，规模日益扩大，复杂性迅速提高。面 对复杂的系统，可靠性、可维修性和有效性显得越来越重要。特别是航空、 航天、航海、核工业等，由于其特定的工作环境，原则上只许成功，不许失 败，对系统的安全性、可靠性和有效性提出更高的要求。近年来，世界航空、 航天界发生了多起飞行事故，如美国的“德尔塔火箭的星箭俱毁、欧洲“阿 利亚娜火箭的飞行失败，向人们敲响了警钟。而故障检测与诊断则为提高 系统可靠性、可维修性和有效性开辟了途径。 人工神经网络的优点是十分突出的。神经网络获得计算能力，通过它的 大规模并行分布式结构以及它的学习能力和泛化能力，使得神经网络可能解 决目前难以对付的复杂问题。神经网络在应用中已经表现了如下有用的特征 及能力： ( 1 ) 非线性映射能力：一个神经元从根本上来说就是一个非线性元件，自 然的，由这些神经元互相连接组成的神经网络也是非线性的，而且这种非线 性是分布在整个网络中。( 2 ) 泛化能力：使神经网络具有真正的实用性，并使 它能够处理那些有噪声或者不完全的数据。( 3 ) 学习能力：神经网络具有十分 强的学习功能，连接权和连接的结构都可通过学习得到。( 4 ) 自适应能力：在 哈尔滨- t 程大学硕七学位论文 计算机中，知识是静态的存储在编有地址的记忆单元中，新的信息破坏老的 信息。而在神经网络中，知识存储在神经元之间的联接关系中，新的知识用 来调节这种连接关系，而不是破坏这种连接关系。也就是说知识在神经网络 中具有适应性，而在传统计算机中只是严格的替换关系。( 5 ) 容错能力：硬件 实现的神经网络具有固有的容错性能，在不利的条件下，神经网络只是性能 下降，可是仍然可靠，不会造成灾难性的故障。 1 2 课题的来源及意义 课题本身来源于对矿井提升机故障诊断的研究，用r b f 算法提高故障诊 断的速度和效果。矿井提升装置是采矿业的重要设备，随着科学技术进步和 矿井生产现代化要求的不断提高，人们对提升机工作特性的认识进一步深化， 提升设备及拖动控制系统也逐步趋于完善，各种新技术、新工艺逐步应用于 矿井提升设备中。特别是模拟技术、微电子技术、微电脑技术在提升机控制 中的应用已成为必然的发展方向。近年来智能化诊断技术取得了一定进展， 在矿井提升机故障诊断系统也有应用。 矿井提升设备作为一个典型的机械、电气为一体的设备，担负着提升煤 炭的重要任务，素有“矿井咽喉”之称。它是联系井下与地面的重要生产设 备，它在整个综合机械化生产中占有重要位置，提升机是它的重要组成部分， 而且也是矿山重要的大型固定机械设备。一般来说，主井提升设备( 多为箕斗 提升) 只将井下采掘的有用矿物从井底车场提升到地面；副井提升设备要完成 提升岩石、下放材料、升降人员和设备等作业。现代提升设备的提升容器一 次有效提升量已达到3 0 到5 0 吨之巨，其在井筒内运行的速度可达铁路列车 的运行速度一一每秒2 0 到2 5 米( 竖井) ，一台提升机的驱动电机的容量最大 已达1 到1 5 万千瓦。因此使它们安全可靠，而又经济地运转对保证矿井安 全、经济生产就具有重要意义。如果忽视它运转的安全可靠性，不仅使全矿 生产陷于停顿，甚至可能招致不堪设想的后果。 1 3 故障诊断理论发展与研究现状 故障诊断( f d ) 始于( 机械) 设备故障诊断，其全名是状态监测与故障诊断 ( c m f d ) 。它包含两方面的内容：1 2 】一是对机器运行状态进行监测；二是在发 2 哈尔滨工程大学硕十学位论文 现异常情况后对设备的故障进行分析、诊断。设备故障诊断是随设备管理和 设备维修发展起来的，故障诊断理论是在本世纪7 0 年代初期首先从美国发展 起来的。美国麻省理工学院的b e a r d ( 1 9 7 1 年) 首先提出了用解析冗余代替硬 化冗余，并通过系统的自组织使系统闭环稳定，通过比较观测器的输出得到 系统故障信息的新思想，标志着这门技术的诞生。7 0 年代是其发展的初级阶 段，出现了一些简单的故障算法，如检测滤波器、广义似然比、极大似然比， 但是应用实例很少，理论还不成熟。8 0 年代故障诊断理论得到了蓬勃发展， 有巧种新的理论方法提出，理论的实际应用也得到了发展。不过技术应用面 还是比较狭窄，主要集中在航天、船舶、发电厂、核电厂等一些专门领域， 使用的故障诊断方法主要是基于观测器( 滤波器) 方法或是系统辨识和参数估 计方法。9 0 年代以后，人们对于故障诊断理论的研究更加深入，各种方法相 互渗透和融合，理论应用的领域也有了很大的扩展。参数估计和观测器( 滤波 器) 方法仍然是使用得最多的故障诊断方法，但使用神经网络、模糊逻辑及组 合的故障诊断方法在明显地增加，对于非线性系统的故障诊断也有了更多的 研究。 最早开展故障诊断技术研究的是美国。美国1 9 6 1 年开始执行阿波罗计划 后出现了一系列设备故障，促使1 9 6 7 年在美国宇航周- j ( n a s a ) 倡导下，由美 国海军研究室( o n r ) 主持美国机械故障预防小组( m f p g ) ，积极从事故障诊断 技术的研究和开发。在航空运输方面，美国在可靠性维修管理的基础上，大 规模地对飞机进行状态监测，发展了应用计算机的飞行器数据综合系统 ( a i d s ) ，利用大量飞行中的信息来分析飞机各部位的故障原因并能发出消除 故障的命令。这些技术已普遍用于波音7 4 7 和d c 9 这一类巨型客机，大大提 高了飞行的安全性。在旋转机械故障诊断方面，首推美国西屋公司，从1 9 7 6 年开始研制，到1 9 9 0 年已发展成网络化的汽轮发电机组智能化故障诊断专家 系统，已对西屋公司所产机组的安全运行发挥了巨大的作用，取得了很大的 经济效益。故障诊断方法分类如图1 1 所示。 3 哈尔滨t 程大学硕七学位论文 故障诊断 f 基于输入输出和信号处理的方法 基于数学模型的方法 基于状态估计的方法 i 基于过程参数估计的方法 基于人工智能的方法 f 基于浅知识的方法 专家系统的方法j 基于深知识的方法 i 基于深浅知识的混合方法 基于案例的方法 基于人工神经网络的方法 基于模糊数学的方法 基于故障树的方法 图1 1 故障诊断方法分类 英国在6 0 年代末7 0 年代初，以r a c o l l o c t t 为首的英国机械保健中心 k m e c h a n i c a lh e a l t hm o n i t o r i n gc e n t e r ) 开始诊断技术的开发研究。在核发 电方面，英国原子能机构m 瓦删下设一个系统可靠性服务站( s r s ) 从事诊 断技术的研究。在钢铁和电力工业方面英国也有相应机构提供诊断技术服务。 设备诊断技术在欧洲其他一些国家也有很大进展，它们在广度上虽不大，但 都在某一方面具有特色或占领先地位，如瑞典的s p m 轴承监测技术，挪威的 船舶诊断技术，丹麦的振动和声发射技术等等。 在日本，某些民用工业，如钢铁、化工、铁路等部门，诊断技术也发展 得很快，占有某种优势。他们密切注视世界性动向，积极引进消化最新技术， 努力发展自己的诊断技术，研制自己的诊断仪器。国立研究机构中机械技术 研究所和船舶技术研究所重点研究机械基础件的诊断技术。其他民办企业， 如三菱重工、川崎重工、日立制作所、东京芝浦电气等以企业内部工作为中 心开展应用水平较高的实用项目。 自1 9 8 5 年以来，由中国设备管理协会设备诊断技术委员会、中国振动工 程学会机械故障诊断分会和中国机械工程学会设备维修分会分别组织的全国 性故障诊断学术会议已经先后召开十余次，极大地推动了我国故障诊断技术 的发展。现在全国己有数十个单位开展设备故障诊断技术的研究工作。全国 4 哈尔滨t 程大学硕七学位论文 各行业都很重视，在关键设备上装备故障诊断系统，特别是智能化的故障诊 断专家系统，其中突出的有电力系统，石化系统，冶金系统，以及高科技产 业中的核动力电站，航空部门和载人航天工程等。一些高等院校已经培养了 一批以设备故障诊断技术为选题的硕士研究生和博士研究生。我国的故障诊 断事业正在蓬勃发展，将在我国经济建设中发挥越来越大的作用。 故障监控和诊断技术是近3 0 余年发展起来的一门新技术，它不仅能找出 消除生产系统中的事故隐患，而且能及时发现机器的故障，并预防恶性事故 的发生，从而避免人员的伤亡、环境的污染和巨大的经济损失。尤为重要的 是，应用故障监控和诊断技术，可以改革目前的设备维修制度定期检修， 实现现代化维修技术预知维修。这样，不仅节约了大量的维修费用，而 且由于减少了许多不必要的维修时间，从而大大增加了机器设备正常运行的 时间，大幅度地提高了生产效率，产生了巨大的经济效益。因此，故障监控 和诊断已是现代工业的重要组成部分，故障监控和诊断技术己经成为自动控 制领域中的一个新的研究课题。而状态监测和故障早期侦破技术也是故障诊 断领域里的一个研究热点。系统状态监测是通过对各种检测、测量得到的信 息进行监视、分析和判别，并结合系统特性及历史数据对系统工作状态给出 评价的过程。对系统异常状态给出报警、提示及发展趋势预报，并尽早发现 故障，从而实现故障的早期侦破。利用故障模式的分类结果，一方面可以查 清产生故障的原因，即故障诊断；另一方面可以通过当前系统运行状态的类 别来确定其运行状态是否正常，也就是进行状态监测。目前状态监测与故障 早期侦破技术已成为国际过程系统工程学术界与工程界的研究热点之一。 v e n k a t 等人提出根据过程趋势的模式识别方法用于过程监视和诊断， a m o c c 0 并以f c c u 过程作为实例证实了该方法的良好功能。d a i g u j i 等人介 绍了采用子波变换理论用于炼油厂故障诊断的研究成果。b a k s h i 等最近提出 了一种多尺度主组元分析法( m u t i s c a l ep r i n c i p a lc o m p o n e n ta n a l y s i s ， m s p c a ) ，展示了m s p c a 方法在过程监视和故障早期侦破中良好的应用前 景。d a v i s 等人采用自适应谐振理论( a d a p t i v er e s o n a n c et h e o r y ，删对过 程数据进行解释，利用a r t 的无教师学习及聚类特性完成了过程趋势的提取 与分类，他们进一步的研究工作将致力于小波变换与a r t 的结合。 当前故障检测和诊断技术一个重要的研究特征，就是与具体工程技术领 s 哈尔滨t 程大学硕士学位论文 域的结合比以往更加紧密，更注重解决实际应用问题，从而切实为保证工程 系统的安全性与可靠性服务。对于实际的工程系统，故障诊断技术基本上有 两大用途。 其一是用于构成离线式的“计算机辅助决策支持系统，即利用故障诊断 系统来帮助快速发现系统的故障，制定更加合理有效的系统维修方案，找出 系统的薄弱环节，最终提高系统的可靠性和效率。这类系统的应用近年来发 展很快，如己有报道开发出了汽车发动机的故障诊断系统，辅助维修很有成 效，可大大缩短维修时间，提高效率。 其二是用于构成实时状态监视系统，或者进而实现高性能的自动控制系 统。在这类应用中，故障诊断系统通常以在线方式运行，它连续得实时监视 整个系统的测量参数，基于适当的在线故障检测与诊断算法给出系统的故障 信息，包括故障报警信息、故障位置信息和故障程度信息等等。采用先进的 控制系统设计方法可以使控制系统具有自动利用这些故障信息、根据系统运 行的不同故障工况自动调整控制方案的能力，其目标是保证系统运行在安全 状态。 随着人工智能技术的迅速发展，特别是知识工程、专家系统、模糊系统 和人工神经网络在诊断领域中的进一步应用，迫使人们对智能诊断问题进行 更加深入与系统的研究。智能诊断技术是当今世界发达国家的研究热点之一。 智能诊断方法现阶段包含模糊诊断方法、专家系统诊断方法、神经网络诊断 方法、混合智能的诊断方法。 1 4 论文的研究内容和组织结构 本论文采用研究对象与新方法相结合，理论分析结果与仿真结果相结合 的研究方法。从分析故障诊断的基本方法和现有故障诊断的技术入手，结合 神经网络理论和方法，围绕r b f 神经网络在矿井提升机故障诊断中的应用这 个范畴展开理论和实际的研究工作。本论文的研究内容和具体组织结构如下： 第1 章为绪论，简单介绍了本课题研究的背景、目的和意义，简要阐述 和分析了国内外故障诊断的基本方法和技术的发展状况，同时给出了本文的 主要研究工作。 第2 章介绍了神经网络的一些基本知识，包括生物神经元和神经元模型， 6 哈尔滨t 程大学硕士学位论文 然后对b p 网络和r b f 网络进行介绍，分析了b p 网络和r b f 网络各自的特 点，进行了比较，指出了b p 算法的局限性，说明了r b f 网络的优点，并进 行了m a t l a b 仿真分析。说明了本文选择r b f 网络的原因，为后续工作打好 理论基础。 第3 章介绍矿井提升机系统的组成和常见故障机理。首先介绍了矿井提 升设备的组成，指出了矿井提升机的核心工作部件和辅助系统，然后说明了 矿井提升机监测系统的组成，为使系统运行更加完善和可靠，必须对矿井提 升机进行在线实时监测。最后分析了矿井提升机常见的故障机理。 第4 章分析基于r b f 神经网络的矿井提升机故障诊断系统的总体构架。 首先分析了矿井提升机故障诊断系统的总体构架，然后说明了故障诊断方案 的确定，包括：r b f 神经网络应用于故障诊断，诊断算法的实现，人机接口 开发语言，b o r l a n dc + + b u i l d e r 与m a t l a b 的混合编程的实现。最后说明了基 于r b f 神经网络的矿井提升机故障诊断系统的功能和特点，故障诊断系统可 诊断的故障种类。 第5 章分析提升机故障诊断系统中液压站模块的设计。研究了液压站模 块中r b f 神经网络的设计，具体分析了输入层、隐层与输出层的设计，样本 数据的选取、分析与处理等，进行了r b f 神经网络的设计与训练，人机交互 界面的开发，故障诊断算法的编程实现，人机交互界面的功能设计等。通过 液压站系统故障诊断的应用实例进行了测试，并进行了展望。 7 哈尔滨丁程大学硕七学位论文 第2 章神经网络理论 神经网络是一种新型的控制方法。本章对神经网络理论进行简要介绍， 并对b p 网络和r b f 网络进行分析、比较。 2 1 生物神经元 人脑由大量高度互连的单元组成，这些单元被称为神经元，是脑组织的 基本单元。就研究的目的来看，这些神经元由三部分组成：细胞体、树突和 轴突。每一部分虽具有各自的功能，但相互之间是互补的。树突是细胞的输 入端，通过细胞体间连接的节点“突触”接收四周细胞传出的神经冲动；轴 突相当于细胞的输出端，其端部的众多神经末梢为信号的输出端子，用于传 出神经冲动。一个神经细胞的轴突和另一个神经细胞的树突的结合点称为突 触。神经元的排列和突触的强度( 由复杂的化学过程决定) 确立了神经网络的 功能。图2 1 是生物神经元的简化图示。 图2 1 生物神经元结构 神经元具有兴奋和抑制的两种工作状态。当传入的神经冲动，使细胞膜 电位升高到阈值时( 约为4 0 0 v ) 时，细胞进入兴奋状态，产生神经冲动，由轴 突输出。相反，若传入的神经冲动使细胞膜电位下降到低于阂值时，细胞进 入抑制状态，没有神经冲动输出。 8 哈尔滨_ t 程大学硕士学位论文 2 2 神经元模型 神经网络的基本单元是神经元，它是由大量的神经元广泛互连而成的网 络，与对应的生物神经网络有密切的关系，生物神经网络对人工神经网络研 究有着重要的启示。 对人脑神经元进行抽象简化后得到一种称为m c c u l l o c h p i t t s 模型人工神 经元，如图2 2 所示： 图2 2 人工神经元模型 该神经元模型的输入输出关系为： 一一善五一够一善薯( 而一嘭，w j 。- 一1 ) ( 2 - 1 ) 少，1 f ( s j ) ( 2 2 ) 其中目，称为阈值，w 一称为连接权系数，厂( ) 称为神经元传递函数，对于不 同的应用，所采用的神经元传递函数也不同。 几种典型的神经元传递函数形式及描述见表2 1 表2 1 几种典型的神经元传递函数形式 传递函数名称函数表达式函数曲线 j1 厂( x ) 一1x 0 阈值函数 f ( x ) ；0 x 0 r 0 9 哈尔滨丁程大学硕+ 学位论文 jl 线性函数( x ) 1 h 一 r 0 j 1 ，一 对数s i g m o i d 函数歹o ) - 1 ( 1 + e 吖) r n j 1 正切s i g m o i d 函数( x ) 一t a n ( x ) 7 y j ， n r = f - 1 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 s ，a n n ) ，简称为“神经网络 q 呻 ，是近年来发展起来的十分热门的交叉学科。它涉及生物、电子、计 算机、数学、物理等学科，有着十分广泛的应用背景和前景。 简单的说，神经网络就是用物理上可以实现的器件、系统或现有的计算 机来模拟人脑的结构和功能的人工系统。它由大量简单神经元广泛互联构成 一种计算结构，在某种程度上可以模拟人脑生物神经系统的工作过程。 2 3 反向传播网络 2 3 1b p 网络简介 1 b p 网络结构 b p 网络不仅有输入层，输出层，而且有一层或多层隐层，其结构如图2 3 所示。 2 传递函数 转移函数f ( x ) 均为s i g m o i d 函数( 一般采用单极性也可以采用双极性 s i g m o i d ) 。 1 0 哈尔滨工程大学硕士学位论文 五 毛 q ( x ) y l 输 入 层 口。( 曲 隐 层 图2 3 三层b p 网络模型结构 输 出 层 3 b p 学习算法 误差反向传播学习算法( b a c k - p r o p a g a t i o nt r a i n i n ga l g o r i t h m ，简称b p 算 法) 是利用实际输出与期望输出之差对网络的各层连接权由后向前校正的一 种计算方法。 2 3 2b p 网络的学习过程 由于b p 网络有处于中间的隐含层，并有相应的学习规则可循，因此可训 练这种网络使其具有对非线性模式识别能力。特别是它的数学意义明确、步 骤分明的学习算法，使其具有更广泛的应用前景。 b p 网络的学习过程主要由四部分组成： 1 、输入模式顺序传播( 输入模式由输入层经中间层向输出层传播计算) 。 2 、输出误差逆传播( 输出的误差由输出层经中间层传向输入层) 。 3 、循环记忆训练( 模式顺传播与误差逆传播的计算过程反复交替循环进 行) 。 4 、学习结果判别( 判定全局误差是否趋向极小值) 。 哈尔滨工程大学硕十学僚论文 2 3 3b p 算法的局限性 b p 神经网络的理论认为：只要不断地给出输入和输出之间的关系，则在 神经网络学习过程中，其内部就一定会形成表示这种关系的内部构造，并且 只要使关系形成的速度达到实用值，那么b p 网络的应用就不存在任何困难， 但实际上问题并非如此简单。b p 网络只是学习方法上改进了的感知机，所以 把b p 网络作为识别系统时，可能存在着中间层神经元的个数太庞大、学习 时间太长、结合系数范围太宽等严重缺点。a p ( 1 ) 由于是非线性优化，就不可避免地会存在局部极小问题。 ( 2 ) 训练次数多使得学习效率低，收敛速度慢，存在震荡现象。 ( 3 ) 网络隐含层的层数及隐含层的隐节点的选取缺乏理论指导，而只能 根据经验确定，因此网络往往有很大的冗余性，无形中也增加了网络学习的 时间。 ( 4 ) 训练时学习新样本有遗忘1 日样本的趋势。 2 4r b f 神经网络 2 0 世纪8 0 年代末由j m o o d y 和c d a r k e n 提出的径向基函数( r a d i a lb a s i s f u n c t i o n 简称r b f ) 神经网络是一种单隐层前馈型网络，它以径向基函数作为 隐节点激活函数，具有收敛速度快、逼近精度高、网络规模小等特点，各领 域工作者对其表现了更多的关注。r b f 网络可以根据问题确定相应的网络拓 扑结构，学习速度快，不存在局部最小问题。r b f 网络的优良特性使得它正 显现出比b p 网络更强的生命力，正在越来越多的领域内成为替代b p 网络的 一种新型网络。 2 4 1r b f 基函数 径向基函数的一个通用表达式为： h ( 均= 妒( 一c ) 1e 。1 伍c ) )( 2 1 ) 其中爹( 章) 表示径向函数，c 表示函数的中心向量，与x 具有相同的维数， e 是一个变换矩阵，通常为e u c l i d e a n 矩阵。( x c ) t e q ( x c ) 是在矩阵e 定义 的意义之下对输入向量x 与中心c 的距离的一种衡量。如果e 代表的是一个 1 2 哈尔滨，t 程大学硕士学位论文 e u c l i d e a n 矩阵，在这种情况f ，e = 2 i ，则上式简化为： h ( 硼( 呼 ( 2 - 2 ) 口 o 为径向基函数的宽度，也称为半径，决定了该基函数围绕中心点的宽 度。 0 x c | l 是向量x c 的范数，它通常表示x 与c 之间的距离。 径向基函数有很多不同的形式，如g a u s s i a n 函数、m u l t i q u a d r i c 函数、 i n v e r s em u l t i q u a d r i c 函数以及c a u c h y 函数，其中最为常用的是g a u s s i a n 函数： 妒r 2 ) te x p ( - - - i - )( 2 3 ) 即： h ( 均= e x p ( 一瓦i i x - q 厂1 2 ) ( 2 - 4 ) 半径o - 与l l x - q l 以及基函数的输出之间的关系如图2 4 所示 。d 弋 b+ h x 1j 一 1 5 ，一一 c - 色一厶，c “c + b x 图2 4 基函数的输出特性 其中，图2 4 ( a ) 表示中心点c = 0 时的基函数输出图形，在x = b 点，基 函数的输出为0 5 ，在常用的m a t l a b 神经网络工具箱中，可以求出b 与。 之间的关系式设置为b = 2 木0 8 3 2 6 幸口，通过调整w 的值，可使当l i x - c l l s6 时， 基函数的输出大于或等于o 5 。图2 4 0 ) 表示中心在c 点的基函数输出图形。 由此可见，径向基函数仅仅对“中心 附近的输入敏感，随着与“中心 距 离的加大，函数的输出很快减小到很小的值，表现为一种“局部敏感性 ； 而减小的快慢由宽度。决定。即。越大，减小得越慢，反之。越小，则减小 的越快。 1 3 哈尔滨工程大学硕士学位论文 因此，r b f 是一种局部分布的、对中心对称衰减的非负非线性函数。局 部分布是指仅当输入落在输入空间一个很小的指定区域时，隐单元的径向基 函数才做出有意义的非零响应。对中心径向对称衰减是指与基函数中心向量 c 径向距离相同的输入，隐节点中的径向基函数都产生相同的输出，并且输 入与r b f 的中心越近隐节点的响应越大。因此通过调整半径。的值即可调整 基函数曲线的宽度。 2 4 2r b f 网络的结构与工作原理 把r b f 应用于神经网络的隐含层就构成了r b f 网络。径向基函数网络 是一种具有单隐层的三层前向网络，由输入层、隐含层和输出层构成，结构 如图2 5 所示。 图2 5r b f 网络结构 构成径向基函数的基本思想是：用隐单元实现输入空间到隐含层空间的 变换。这样，矢量不通过连接权直接映射到了隐层空间。只要确定了r b f 的 中心，这种关系也就确定了。 r b f 网络输入层到隐含层的变换是非线性的，径向基函数取高斯函数， 则隐层第k 个节点的输出为： h 毹) = e x p ( 一啭 ( 2 - 5 ) 式中，c ，( q ，靠) r 为第k 个隐节点的中心向量：吼为第k 个隐 节点的宽度。为欧几里德范数。 哈尔滨t 程大学硕士学位论文 隐含层到输出层的映射是线性的，即网络的实际输出是各单元响应的线 性和。整个网络的输入输出方程为g 旦 y ( f ) 一w o + 罗w h ( x ，) ( 2 - 6 ) 镯 式中，m 为当前网络中隐节点的个数；w o 为偏移量；m 为输出层与隐层第 k 个节点间的连接权值。由于输出层是线性函数，网络输出是径向基网络输 出的线性组合，从而很容易达到从非线性输入空间向输出空间映射的目的。 r b f 网络理论为多层前传网络的学习提供了一种新颖有效的手段。它不 仅避免了反向传播网络中繁琐的计算，提高了学习速度，而且克服了梯度下 降算法中的局部极小问题。由于它模拟了人脑中局部调整、相互覆盖接收域 ( 或称感受域，r e c e p t i v ef i e l d ) 的神经网络结构，因此，r b f 网络是一种局部 逼近网络，已证明它能以任意精度逼近任意连续函数。r b f 网络适合于多变 量函数的逼近，只要中心选取得当，很少神经元组成的r b f 网络就能获得较 好的逼近效果，并且它还具有唯一最佳逼近点的优点。 2 4 3r b f 网络的学习算法 r b f 神经网络的学习算法由两部分组成：( 1 ) 对所有输入样本进行聚类， 确定各隐层节点的数据中心c 和扩展常数6 ：f ，属于无监督学习。( 2 ) 确定好隐 层节点的参数后，采用合适的算法确定隐层到输出层的连接权值，属于有监 督学习。由于r b f 网络为线性参数网络，两部分采用了不同的