（车辆工程专业论文）基于虚拟仪器和神经网络的电喷发动机故障诊断系统研究.pdf

中文摘要 摘要 发动机是汽车的心脏，4 0 的汽车故障来源于此。其结构复杂，工作条件恶劣， 在长期使用过程中，发动机技术参数将以不同的规律和不同的强度发生变化，最 终导致故障，从而严重威胁行车安全。因此对汽车发动机展开故障诊断的研究有 着非常重要而又现实的意义。然而，我国目前的发动机故障诊断系统尚缺乏一种 集数据采集、分析处理和诊断推理于一体的通用化平台，同时在分析故障现象和 故障原因的非线性对应关系时，也存在一定的局限性。 因此，本文在研究和比较了各种故障诊断技术的基础上，把神经网络理论和 虚拟仪器技术融合应用到电喷发动机故障诊断中，显著提高了发动机运行的可靠 性，并从保证发动机性能、缩短维修时间、减少备件等方面获得了显著的经济效 益。 本文首先对b p 神经网络的基本原理、模型结构、算法设计和应用情况进行了 分析，并对b p 神经网络的一些改进算法及其训练效果进行了研究。通过系统仿真 验证了b p 神经网络用于故障诊断的可行性。同时，为解决网络训练过程中因样本 数目过大而无法收敛的情况，结合数据融合技术创建了基于集成神经网络的电喷 发动机性能评估预测模型，并以起动困难故障和怠速不稳故障为例对该模型进行 了验证。 然后在分析虚拟仪器技术的基本概念、组成和l a b v i e w 编程技术的基础上， 结合对表征发动机工作性能特征参数的研究，提出并设计了基于虚拟仪器技术的 电喷发动机智能化故障诊断测试系统的通用化平台，该平台集成了信号采集技术、 信号处理技术和数据库技术以及包含本文建立的故障诊断模型在内的各项智能化 故障诊断技术。 最后在该通用化平台上，以废气排放测试项目为例，设计了基于神经网络和 虚拟仪器技术的发动机废气排放故障诊断子系统，有效解决了故障征兆信号的数 据采集和存储、信号处理分析以及神经网络诊断推理等设计难点，实现了系统的 在线诊断分析功能，提高了系统的诊断精度，加快了系统的开发进度。 关键词：电喷发动机；故障诊断：神经网络；虚拟仪器 英文摘要 i i a b s t r a c t e n g i n ei st h eh e a r to f a na u t o m o b i l e ，a n d4 0p e r c e n to ft h ec a rt r o u b l e sc o m ef r o m t h i sa s s e m b l y d u n n gt h el o n g - t i m eu t i l i z a t i o n ，f o ri t sc o m p l e xs t r u c t u r e sa n dp o o r w o r k i n gc o n d i t i o n s ，t h et e c h n i c a lp a r a m e t e r so ft h ee n g i n ew i l lb ec h a n g e db yd i f f e r e n t l a w sa n dd i f f e r e n ti n t e n s i t y ，w h i c he v e n t u a l l yl e dt of a i l u r e ，a n db r i n gas e r i o u st h r e a tt o t r a f f i cs a f e t y s od o i n gt h er e s e a r c ho nf a u l td i a g n o s i so fe n g i n eh a v eav e r yi m p o r t a n t a n dr e a l i s t i cs i g n i f i c a n c e h o w e v e r , t h ec u r r e n te n g i n ef a u l td i a g n o s i ss y s t e m ss t i l ll a c k o fac o m m o np l a t f o r m ，w h i c hi n t e g r a t e sw i t hd a t aa c q u i s i t i o n ，d a t ap r o c e s s i n ga n d d i a g n o s i sr e a s o n i n g a tt h es a m et i m e ，t h e r ea r ea l s os o m el i m i t a t i o n sw h e na n a l y z i n g t h en o n l i n e a rr e l a t i o n s h i pb e t w e e nf a u l tp h e n o m e n aa n df a u l tc a u s e s t h e r e f o r e ，b a s e do ns t u d ya n dc o m p a r i n gw i t ht h ev a r i o u sd i a g n o s i st e c h n o l o g i e s ， t h en e u r a ln e t w o r kt h e o r ya n dv i r t u a li n s t r u m e n tt e c h n o l o g ya r ea p p l i e dt oe f ie n g i n e f a u l td i a g n o s i s t h er e s u l t ss h o wt h a tt h er e l i a b i l i t yo ft h ee n g i n er u n n i n gi si m p r o v e d a n dt h es i g n i f i c a n te c o n o m i cb e n e f i t sa r er e c e i v e db yg u a r a n t e e i n gt h ee n g i n e p e r f o r m a n c e ，r e d u c i n gs p a r ep a r t sa n ds h o r t e n i n gm a i n t e n a n c e t i m e f i r s t l y , t h eb a s i cp r i n c i p l e ，t h em o d e ls t r u c t u r ea n dt h ea l g o r i t h md e s i g no fb p n e u r a ln e t w o r ka r ei n t r o d u c e di n t h i sp a p e r ；s o m ei m p r o v e da l g o r i t h m st ob pn e u r a l n e t w o r ka n di t s t r a i n i n ge f f e c t a r es t u d i e de i t h e r t h ef e a s i b i l i t yi sc e r t i f i e db y s i m u l a t i o nw h i c ha p p l y i n gb pn e u r a ln e t w o r ki n t of a u l td i a g n o s i s i na d d i t i o n ，a n a s s e s s m e n ta n df o r e c a s t i n gm o d e lo fe f ie n g i n ep e r f o r m a n c ei sc r e a t e dw i t hd a t af u s i o n t e c h n o l o g y , t os o l v et h ep r o b l e mt h a tt r a i n i n gp r o c e d u r ec a n tc o n v e r g e n tw h e nt h e n u m b e ro fs a m p l e si se x c e s s i v e t h em o d e li sv a l i d a t e db ye x a m p l e ss u c ha si d l es p e e d u n s t a b l ef a u l ta n ds t a r t u pd i f f i c u l tf a u l t t h e nt h eb a s i cc o n c e p t ，t h ec o m p o s i t i o na n dt h el a b v i e wp r o g r a m m i n g t e c h n o l o g yo fv i r t u a li n s t r u m e n ta r ei n t r o d u c e d ；au n i v e r s a lp l a t f o r mf o rt h ei n t e l l i g e n t f a u l td i a g n o s i ss y s t e mi sd e s i g n e dw i t ht h er e s e a r c ho np a r a m e t e r sw h i c hc h a r a c t e r i z e e f ie n g i n ep e r f o r m a n c e t h ep l a t f o r mc o m b i n e sw i t hs i g n a la c q u i s i t i o nt e c h n o l o g y , s i g n a lp r o c e s s i n gt e c h n o l o g y , d a t a b a s et e c h n o l o g ya n do t h e ri n t e l l i g e n tf a u l td i a g n o s i s t e c h n o l o g yi n c l u d i n gt h en e w f a u l td i a g n o s i sm o d e li nt h i sp a p e r f i n a l l y , t a k i n gt h ee m i s s i o nt e s ta sa ne x a m p l e ，af a u l td i a g n o s i ss u b s y s t e mf o re f i e n g i n ee m i s s i o nb a s e do nn e u r a ln e t w o r kt h e o r ya n dv i r t u a li n s t r u m e n tt e c h n o l o g y 1 s d e s i g n e d t h i ss u b s y s t e mo v e r c o m e sm a n y d i f f i c u l t i e ss u c ha st h ed a t aa c q m s l 乜o na n d s t o r a g e ，t h es i 萨a la n a l y z i n ga n dd i a g n o s t i c le a s o n i n g 。fn e u r a ln e t w o r k b e s i d e s , m e s u b s y s t 锄a l s 。a c h i e v e sa n a l y s i sf u n c t i 。n s 。n l i n e ，i m p r o v e s t h ed i a g n o s t i ca c 唧y a n ds p e e du pt h ed e v e l o p m e n tp r o g r e s so f t h es y s t e m 。 k e y w o r d s ：e f ie n g i n e ；f a u l td i a g n o s i s ；n e u r a ln e t w o r k ；v i r t u a li i l s 锄t 重庆交通大学学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究 工作所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人 或集体己经发表或撰写过的作品成果。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。 学位论文作者签名：- g 瓦恕 日期：t 埘年月 7 日 重庆交通大学学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保 留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。 本人授权重庆交通大学可以将本学位论文的全部内容编入有关数据库进行检索， 可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 学位论文作者签名：玺足b 指导教师签名 r ，l 日期：卅年 月2 胪日期彦嘶年4 月1 日 u 第一章绪论 第一章绪论 1 1课题的来源与背景 发动机是汽车的心脏，4 0 的汽车故障来源于此。其结构复杂，工作条件恶劣， 在长期使用过程中处于各种环境，承受着各种应力，如外部的环境应力、内部的 功能应力和运动应力以及由于结构和使用条件，如道路、气候、使用强度、行驶 工况等的不同，发动机技术参数将以不同的规律和不同的强度发生变化，最终导 致故障，从而严重威胁行车安全。从经济上看，发动机的直接使用费用在整车寿 命成本中占很大比例。由此可见，发动机安全可靠运行和故障预防是保证交通安 全的关键，也是政府、制造商、和有关科研机构共同关心的重要问题。经验证明： 发动机状态监测和故障诊断系统能显著提高发动机运行的可靠性，并可从保证发 动机性能、缩短维修时间、减少备件等方面获得显著经济效益。 通常的诊断方法是根据故障征兆和故障原因之间的因果关系推理得到的，但 对于具有复杂结构的发动机来说，这种因果关系不一定是确定的一一对应的映射 关系，而是表现为随机性和不确定性。导致这种不确定性的原因有多种，主要因 素是诊断对象的复杂性、测试手段的局限性和知识表达的不精确性。当发动机表 现出某一具体故障时，有可能是从一种故障状态向另一故障状态的过渡或者是多 种故障交替存在的结果，很难确切地判断出真j 下故障发生的部位。目前国内很多 汽车维修企业的维修人员对于电喷发动机因电控系统而引起的故障只能靠经验、 万用表检测、元器件替换来进行简单的诊断和维修，而对故障产生的原因还不能 深刻地了解。 为了改变和突破发动机故障诊断以经验为主的传统观点，以现代故障诊断理 论和技术为基础，建立科学、系统、合理、完善的发动机故障诊断理论及其体系， 己成为目前发动机故障诊断的必然要求和技术发展的必然趋势。同时，通过对电 喷发动机进行状态参数检测方法和故障诊断理论技术的研究，也可以丰富机械故 障诊断技术理论方法，促进机械故障诊断技术的发展及在实践中的应用。 1 2国内外研究现状及发展趋势 1 2 1 国内外研究现状乜1 发动机是一个复杂并且被广泛使用的机械系统。在国外，一些发达国家，早 在四十至五十年代就把以故障诊断和性能测试为主的单项检测技术用于发动机。 进入六十年代后期，单项检测技术有了较大发展，逐步成为既能进行维修保养， 又能进行安全和环保检测的综合检测诊断技术。七十年代，国外出现了监测控制 自动化、数据处理自动化、检测结果直接打印的现代化综合检测诊断技术。近年 第一章绪论 2 来随着故障诊断理论、传感器测试技术、计算机技术和人工智能技术( 特别是神 经网络技术) 的迅猛发展，发动机故障诊断系统的精确性和实时性有了很大提高， 发动机故障诊断技术进入了一个全新的发展阶段智能化阶段。下面从信号采 集、信号处理和故障诊断三方面加以论述。 近二十年来，随着科技生产的发展，信号采集技术无论是在理论上还是在技 术和应用上都发生了令人瞩目的深刻变化。高性能、高灵敏度的诊断测试传感器 的相继问世，直接提高了发动机故障诊断的精度。过去测试难度较大的振动测量， 譬如微振动，极高频和极低频的振动及在恶劣环境中的振动等的测量都得以实现。 还有废气排放含量的测试，也随着测试原理方法的不断进步，测试精度不断提高。 与信号采集技术一样，信号处理技术的发展也影响着发动机故障诊断技术的 发展。传统的信号处理技术有时域分析、频域分析( 主要为功率谱分析) 和时序模型 分析，近期又发展了短时傅立叶变换、小波变换、频谱细化和选带分析、w i g n e r - v i l l e 时频分布分析等技术，这些先进分析技术的出现提高了从随机信号中提取故障特 征因子的能力，使原本无法实现的故障诊断方法得以实现。 故障诊断方法种类众多，常见的有专家系统、模糊逻辑、灰色关联度系统、 神经网络、数据融合和范例推理等多种诊断推理方法，其中专家系统作为常规诊 断的推理方法，通常被视为其它故障诊断推理方法的基础，而神经网络技术在最 近几年的发展非常迅速，出现了b p 神经网络、r b f 神经网络、径向基神经网络、 h o p f i e l d 神经网络和e l m a n 神经网络等多种网络模型。与此同时，为了提高神经网 络样本的训练速度和质量，又相继出现了神经网络训练样本前期处理方法，如主 成分分析法、聚类分析法、遗传算法和粗糙集理论等技术方法。 1 2 2 存在问题的分析口1 目前在发动机故障诊断领域存在的问题主要有以下几方面： ( 1 ) 试验时的条件往往很难与实际工况相一致，诊断的准确性难以保证。 ( 2 ) 测试仪器和诊断分析系统相脱离。一般的发动机特征参数测量仪器的主要 功能只是测试参数，并对参数进行简单的判断处理，缺乏故障诊断分析功能；而 诊断分析仪具有诊断功能，但又缺少测试硬件的支持。为此，在实际中经常将两 者结合在一起使用，这对用户来讲非常不方便。 ( 3 ) 测试仪器多，且功能单一，缺少一个集测试与诊断分析功能于一体的通用 化平台。在现行的故障诊断过程中，通常针对某一固定的测试项目设计一套专用 测试仪器，这使得仪器功能相对固定，且难以升级，影响了仪器的使用寿命。 ( 4 ) 在强干扰、多征兆、多故障条件下，故障与特征参量的映射关系复杂，难 以确定发动机诊断机理。 第一章绪论 3 ( 5 ) 现有的智能化故障诊断理论发展的比较完善，但是在具体的诊断测试中， 则不能简单地套用已有的方法，还需要和故障诊断的实际问题相结合，得到切合 实际的故障诊断推理方法。 因此，需要研究一种集多种发动机故障诊断推理方法于一体的、以虚拟仪器 作为多参数诊断测试通用化平台的智能化故障诊断系统，同时可以进一步丰富发 动机故障诊断技术方法、提高发动机故障诊断的水平。 1 2 3 未来发展趋势眩3 们 电喷发动机故障诊断技术方兴未艾，已取得了明显的进步。随着新技术的不 断涌现，发动机故障诊断技术势必会更上一个新台阶。从目前研究进展和需要解 决的问题看，发动机故障诊断的发展趋势是： ( 1 ) 典型零部件的动力学模型和失效机理的研究。 ( 2 ) 发动机的诊断技术与设计、制造相结合。即在发动机设计、制造时将新型 的传感器预先安装在发动机内部，为以后的诊断、维修提供了极大的方便，避免 了因间接测量误差，也可以省去大量复杂的信号处理过程。 ( 3 ) 充分利用现代信号处理技术，提高信号采集、分析的信噪比，增强模式识 别的能力。以f f t 为核心的经典信号处理技术在许多情况下已经不能胜任，新兴 的时频分析方法将得到充分的发展和应用。其中，小波分析又将扮演一个活跃的 角色。 ( 4 ) 发动机故障诊断的智能化。虽然，目前在人工智能故障诊断专家系统和神 经网络的研究中取得了很大的进展，但在发动机故障诊断领域中仍存在许多急待 解决的问题。如故障与征兆的复杂对应关系尚需进一步研究，大量的知识还不能 自动且快速进行学习，如何寻找有效的学习算法等，这些问题都需要在今后的工 作中投入大量的精力。 ( 5 ) 提高诊断装置及系统的适用性、实用性、可靠性和标准化。这将是国内故 障诊断领域长期面临的问题。 1 3课题研究的主要内容及其创新点 本文以组建基于神经网络和虚拟仪器技术的电喷发动机故障诊断系统为研究 目标，结合信号采集、信号处理、神经网络和虚拟仪器技术对其展丌研究，论文 主要内容如下： 第一章首先介绍了对电喷发动机进行故障诊断研究的目的和意义，然后论述 了故障诊断的基本思想及设计故障诊断系统所涉及的技术理论方法，最后分析了 发动机故障诊断系统的国内外研究现状、存在的问题和未来发展趋势。 第二章分析了神经网络操作的基本信息单位一神经元、神经网络的特点、分 第一章绪论 4 类及常用的拓补结构。此外，还介绍了神经网络的学习规则及训练方法，探讨了 利用神经网络进行故障诊断的原理。 第三章重点对反向传播网络( b p 网络) 的基本原理、模型结构、算法设计和 应用情况进行了分析，并对b p 网络的一些改进算法进行了研究，对这些改进算法 的网络训练效果进行了对比分析，由此提出了合理选择算法的指导思想。最后通 过系统仿真来验证b p 网络用于故障诊断的可行性。 第四章为解决发动机故障诊断中因样本数目过大而无法训练或难以收敛的 情况，对集成神经网络技术的基本思想、实现策略、分类组建方法和决策融合技 术方法进行了研究。在此基础上结合神经网络一些前处理方法，创建了基于集成 神经网络的电喷发动机性能评估预测模型，并以起动困难故障和怠速不稳故障为 例对该模型进行了验证。 第五章对虚拟仪器的概念、组成、l a b v i e w 编程技术等进行了介绍，然后分 析了表征发动机工作性能的主要特征参数，并构建了基于集成神经网络技术和虚 拟仪器技术的发动机故障诊断通用化平台，针对不同的测试项目，该系统只需更 换不同的传感器，即可实现信号的采集、处理、状态监测及故障诊断。在此基础 上以废气排放诊断项目为例，分析了基于神经网络和虚拟仪器技术的发动机废气 分析故障诊断测试子系统的设计过程。 第六章为论文的结束部分，包括论文的主要结论以及对电喷发动机故障诊断 系统未来工作的展望。 在课题研究过程中主要进行了以下几个方面的大胆尝试与创新： ( 1 ) 建立了基于集成神经网络技术的发动机性能评估预测分析模型，该模型将 动态聚类分析方法和神经网络二者有机地结合起来，通过系统仿真的分析结果表 明，该模型能有效地提高网络训练速度和精度； ( 2 ) 设计了基于虚拟仪器技术的发动机故障智能化诊断系统通用化平台，该通 用化平台集成了信号采集技术、信号处理技术、智能化诊断技术和数据库技术等 新技术； ( 3 ) 设计了发动机废气排放分析故障诊断子系统，该系统综合运用在通用化平 台上集成的信号采集技术、信号处理技术、数据库技术和神经网络技术，实现了 l a b v i e w 和s q l 数据库及具有强大信号分析处理功能的m a t l a b 语言的连接，从 而解决了故障征兆信号的数据采集和存储、信号处理分析以及神经网络诊断系统 等方面的设计难点，提高了系统的诊断精度以及系统的开发进度。 第二章神经网络理论基础5 第二章神经网络理论基础 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 ) 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。它由大量简单的神经元经广泛互联构 成自适应非线性动态系统，在某种程度上可以模拟人脑生物神经系统的工作过程。 神经网络通过模拟人脑结构来实现对人脑信息处理功能的模拟，并通过这种模拟 来解决工程实际问题。 2 1 人工神经元模型n 2 1 神经元是神经网络操作的基本信息处理单位。图2 1 给出了作为a n n 基本单 元的神经元模型，它由三个基本要素组成。 r ：一x 1 信l ； 号lx m 偏置 b k 突触权值 图2 1 人工神经元模型 f i g 2 1t h em o d e lo fa na r t i f i c i a ln e u r a lu n i t 输出 y k ( 1 ) 突触或连接，每一个都由其权值或者强度作为特征。特别是，在连接到神 经元k 的突触，上的输入信号x j 被乘以k 的突触权重。其中第一个下标指查询 神经元，第二个下标指权值所在突触的输入端。 ( 2 ) 加法器，用于求输入信号被神经元的相应突触加权后的和。 ( 3 ) 激活函数，用来限制神经元输出振幅。通常，一个神经元输出的正常幅度 范围可写成单位闭区间 0 ，1 或者 1 ，+ 1 。常用的激活函数有阈值函数、分段线 性函数、s i g m o i d 函数等。 图2 1 的神经元模型中还包括一个外部偏置，记为b 七。偏置的作用在于根据其 为正或为负，相应的增加或降低激活函数的网络输入。 第二章神经网络理论基础 6 2 2 神经网络的特点及分类 神经网络的主要特点如下怕。： ( 1 ) 并行性传统计算机处理信息的方式为串行处理。所以处理信息的速度受 到了限制，从而限制了计算能力。而神经网络中的神经元之间有着大量的相互连 接，所以信息输入之后可以很快地传到各个神经元同时( 并行) 处理，其运算效率 非常高。 ( 2 ) 自学习性目前基于符号推理的专家系统还不具备自学习能力，不能在运 算中自我完善和发展。而神经网络系统具有很强的自学习能力，系统可以在学习 过程中不断完善自己，具有创造性。 ( 3 ) 联想记忆功能神经网络可以被看成由大量的子系统组成的大系统，系统 的最终行为完全由它的吸引因子决定。网络训练过程中，输入端给出要记忆的模 式，通过学习并合理地调节网络中的权值系数，网络就能“记住”所输入的信息。 在执行时，若在网络的输入端输入被噪声污染的信息或者是不完整、不准确的片 断，经过网络处理后，在输出端即可获得恢复了的完整而准确的信息。 ( 4 ) 鲁棒性和容错性在神经网络中，信息是分布式地存储在整个网络中相互 连接的权值上，这就使得它比传统计算机具有较高的抗毁性。少数几个神经元损 坏或断几根连线，不会破坏整个系统。 ( 5 ) 非线性神经网络可有效地实现输入空间到输出空间的非线性映射。对于 大部分无模型的非线性系统，神经网络都能很好地模拟。 由于网络的连接模型、输入信息的离散性或连续性、有无监督训练、神经元 的动态特性等的不同，相应的学习算法也不相同。因此，网络的分类一般是根据 网络静态输入信息的类型和学习算法中有无监督训练来进行的。这种分类表示如 图2 2 所示。 图2 2 神经网络的分类 f i g 2 2t h ec l a s s i f i c a t i o no fn e u r a ln e t w o r k 第二章神经网络理论基础 7 首先，网络按其不同类型的输入值可分为二进制值输入的网络和连续值输入 的网络，显然输入值为二进制的网络只能用于离散信息的处理，而连续值输入的 网络则可以处理各种信息。其次，神经网络按有无监督分为两类：有监督训练网 络和无监督训练网络。 有监督学习算法要求同时给出输入和正确的输出。网络根据当前输出与所要 求的目标输出之差来进行网络调整，使网络做出正确的反映。无监督学习算法只 需给出一组输入，网络能够逐渐演变对输入的某种模式做出特定的反映。即训练 样本中只有输入矢量，神经网络靠比较各个输入矢量之间的关系来调整权值，从 而将训练样本中输入矢量之间的关系映射到网络的权值上，以实现联想记忆或数 据压缩的功能。由于这类网络没有输出矢量，所以不能用于模拟函数。 神经网络有两种运行方式：一种是前馈式，它利用连接强度即神经元的非线 性输入输出关系，实现从输入状态空间到输出状态空间的非线性映射。另一种运 行方式是演化式，在这种网络中输入相当于初态，网络演化的终态是输出。此种 网络类似于一个耗散的非线性动力学系统。状态空间在演化中不断收缩，最终收 缩到一个小的吸引子集，每个吸引子集都有一定的吸引域，能量函数是此类网络 的一个基本量。 从神经网络的基本连接模式看，主要有以下几种类型：前馈型、反馈型、自 组织型和随即型网络。w 。 ( 1 ) 前馈型网络网络中的神经元是分层排列的，每个神经元只与前一层的神 经元相连。最上一层为输出层，隐含层的层数可以是一层或多层。前向网络在神 经网络中应用很广泛，例如b p 网络及r b f 网络就属于这种类型。 ( 2 ) 反馈型网络即网络从输出到输入有反馈的前向网络，其本身是前向型的， 与前一种不同的是从输出到输入有反馈回路。例如h o p f i e l d 网络就属于这种类型。 ( 3 ) 自组织型网络网络中层内神经元之间的相互连接，可以实现同一层神经 元之间横向抑制或兴奋的机制，从而限制层内能同时动作的神经元个数，或者把 层内神经元分为若干组，让每组作为一个整体来动作。例如a r t 网络就属于这种 类型。 ( 4 ) 随机型网络又分为局部互联和全互联两种。全互联网络中的每个神经元 都与其他神经元相连。局部互联是指互联只是局部的，有些神经元之间没有互联 关系。例如b o l t z m a n n 网络就属于这种类型。 2 3 神经网络的拓补结构陋j 通常所说的神经网络拓补结构，主要是指它的联接方式。根据神经元之间连 接的拓扑结构的不同，可将神经网络结构分为两大类，即分层网络和相互连接型 第二章神经网络理论基础8 网络。 分层网络是将一个神经元网络模型中的所有神经元按功能分为若干层：一般 分为输入层、中间层和输出层。各层之间按图2 3 所示的顺序相互连接。输入层 接受外部的输入信号，并由各输入单元传送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，与外部无直接联系。由于中间层不直接与外部输入输出 打交道，故常称神经元网络的中间层为隐含层。输出层是网络输出运行结果并与 显示或执行结构相连接的部分。分层结构可细分为三种互连形式：简单的前向网 络、具有反馈的前向网络以及层内有相互连接的前向网络。反向传播b p 网络就是 一个典型的多层前向神经网络。 输入层隐含层输出层 图2 3 分层神经网络 f i g 2 3d e l a m i n a t e dn e u r a ln e t w o r k 互连型网络是指网络中任意两个单元之间都是可以相互连接的，如图2 4 所示。 互连型网络有局部互连和全互连两种。在全互连网络中网络的每个神经元都与其 他的神经元相连。局部互连网络指网络中只有局部的神经元是互相连接的，而有 些神经元之间是没有连接关系的。h o 面e l d 网络和b 0 1 t z m 锄网络就属于互连网络 的类型。 图2 4 互联神经网络 f i g 2 4i n t e r l i n k e dn e u r a ln e t w o r k 第二章神经网络理论基础 9 2 4 神经网络的学习和训练 通过向环境学习获取知识并改进自身性能是神经网络的一个重要特点。神经 网络主要由三种因素决定：神经元的特性，网络的连接和学习算法规则。其中，学 习算法对网络学习速度、收敛特性、泛化能力等有很大的影响。对各种学习算法 的研究，在人工神经网络理论与实践发展过程中起着相当重要的作用。当前，人 工神经网络研究的许多课题仍然是致力于学习算法规则的改进、更新和应用。 人工神经网络近似函数、处理信息的能力完全取决于网络中各种神经元的耦 合权值。对于较大规模的网络，权值不可能一一设定，因此网络本身必需具备学 习的功能，即能够从示范模式的学习中逐渐调整权值，使网络整体具有近似函数 或处理信息的功能。 神经网络的连接权值的确定通常有两种方式：一种是根据具体要求直接计算 出来，如h o p f i e l d 网络做优化计算时就属于这种情况；另一种是通过学习得到的， 大多数人工神经网络都是采用这种方法。随着网络结构和功能的不同，人工神经 网络的学习方法也是多种多样的。学习方法按照环境提供的信息多少主要分为有 监督学习与无监督学习；从学习过程的推理和决策方式而言有：确定型学习、随 机学习和模糊学习。 构建神经网络模型时，首先应根据实际需要选择和确定神经网络结构，再选 择学习算法和与求解问题有关的样本进行学习。学习的样本可以是知识工程师总 结的以规则形式表示的领域知识，也可以是未经整理的以输入一输出模式对形式 表示的实例集。通过学习调整神经网络系统的连接权值，完成知识的自动获取， 分布式地存储在神经网络中，成为网络模型的知识库。神经网络的推理过程为一 数学计算过程，它按照特定的算法，通过神经网络所含知识之间的关系，不断在 问题求解空间进行并行“搜索( 计算) ，直至得出最终满意的解，此时便相应于 一个稳定的神经网络输出。神经网络内部状态演变的轨迹与推理过程相对应，神 经网络状态演变过程的结束也就相应于推理过程的结束。 当问题求解的输入模式与训练实例集中某个实例的输入模式相同时，神经网 络经过推理得到的结果，就是与该训练实例相对应的输出模式。当问题求解的输 入模式与训练实例集中的所有实例的输入模式都不完全一致时，往往也能得到推 理结果，即得到与其最相近的训练实例的输入模式所对应的输出模式。这个特点 表明了神经网络系统的可扩展性。当问题求解的输入模式与训练实例集所有输入 模式相差较远时，就不能得到推理结果。这时可以把这一实例作为新的训练样本， 经过学习调整系统的权值，使神经网络获取新的知识，并存储在神经网络中，因 而将会增强系统的知识处理能力。 第二章神经网络理论基础 1 0 2 5 利用神经网络进行故障诊断的原理口 6 刀 利用神经网络进行故障诊断，可分为测前工作和测后工作两部分进行。在一 定的激励条件下，测前根据经验将常见的各种故障状态及正常状态所对应的理论 值求出。并以此作为神经网络的训练样本，输入给神经网络。经过学习后，其输 出即为所对应的故障。但是，实际故障总是存在不确定性，且存在测量及观察误 差等因素的影响，其实际测量值与理论值总是存在一定差异。但是，由于神经网 络具有联想推理的能力和强大的鲁棒性， 能通过联想推理，识别未出现过的样本， 络进行电喷发动机故障诊断的步骤为： ( 1 ) 建立故障状态表 它不仅能识别已经训练过的样本，而且 这就是所谓的“泛化”功能。用神经网 测前要完成故障集的选择、激励信号的选择以及测试参数的选择。故障集的 选择比较实际的方案是根据电喷发动机特点和以往的经验及元件故障概率来选择 若干单故障和多个故障作为故障集。测试参数选择的基本准则是：在故障集中的 故障均可隔离的前提下，使可测参数个数最少。实际的做法是根据以往的经验选 择可获得故障信息量最多的参数，先将故障集中的故障予以隔离，然后在保证故 障可隔离的前提下优选出最佳的参数作为实际使用的测试参数。选好后，模拟出 对应发动机的正常状态及各种故障状态所对应各测试参数的理论值，并把它建成 一个故障状态表。 ( 2 ) 训练神经网络 把故障状态表中的数据作为样本输入给神经网络，用前面提出的各种算法对 其进行训练。 ( 3 ) 测试神经网络 添加实验测试激励，将实际状态测出，并提供给神经网络。神经网络经过学 习后，它不仅能识别已经训练过的样本，而且能通过联想推理，识别未出现过的 样本，这正是神经网络鲁棒性的体现。自此，一个用于故障诊断的神经网络就训 练好了。 基于神经网络的电喷发动机故障诊断系统的设计过程，主要包括以下两个步 骤，即学习( 训练) 过程和诊断( 测试) 过程。其中每个过程都包含数据预处理和特 征提取两部分。通常学习过程是在一定的标准模式样本基础上，依据一定规则来 设计神经网络的结构，并用标准模式训练网络；而诊断过程是将未知模式与已训 练好的神经网络进行比较来诊断未知模式的类别。整个故障诊断系统的工作原理 如图2 5 所示。 第二章神经网络理论基础 1 1 待诊断 广 样本集 ： 一 - 诊断结果 !诊断过程 ： 诊断过程 ? 学习过程 一一一一一i - 图2 5 故障诊断过程原理图 f i g 2 5t h es c h e m a t i cr e p r e s e n t a t i o no ff a u l td i a g n o s i sp r o c e d u r e 第三章b p 网络及网络结构设计原则 1 2 第三章b p 神经网络及网络结构设计原则 3 1b p 网络模型结构与算法哺7 9 1 0 1 反向传播网络( b a c k p r o p a g a t i o nn e t w o r k ) 是对非线性可微分函数进行权值训 练的多层前向网络。b p 网络是人工神经网络中前向网络的核心内容，体现了人工 神经网络的精华部分。 反向传播网络具有一个输入层，一个输出层，一个或多个隐含层。每一层上 包含了若干个节点，每个节点代表一个神经元。它的左、右各层之间各个神经元 实现全连接，而同一层上的各节点之问无耦合连接关系。而且在激活函数上与感 知器和自适应线性元件不同，反向传播网络的激活函数必须是处处可微的，所以 它就不能是二值型的阈值函数 o ，1 ) 或符号函数 1 ，1 ) ，经常采用s i g m o i d 或双 正切的s 型激活函数。 对于多层网络，这种激活函数所划分的区域不再是线性划分，而是一个由非 线性超平面组成的区域。它是比较柔和、光滑的任意界面，因而它的分类比线性 划分更加精确、合理，容错性更好。另外由于激活函数是连续可微的，它可以严 格利用梯度下降法进行推算。其算法被称为误差反向传播法( b p ) 算法，这种网络 被称为b p 网络。 s 型函数具有非线性放大系数功能，它可以把输入从负无穷大到j 下无穷大的 信号，变换成 一1 ，1 之间的输出，对较大的输入信号，放大系数较小；而对较小的 输入信号，放大系数则较大。所以采用s 型激活函数可以处理和逼近非线性的输 入、输出关系。 b p 算法属于j 算法，是一种监督式的学习算法。其主要思想是：对于m 个 输入学习样本，已知与其对应的输出样本。学习的目的是用网络的实际输出与目 标矢量之间的误差来修改其权值，使实际与期望尽可能的接近，即使网络输出层 的误差平方和达到最小，它是通过连续不断的在相对于误差函数斜率下降的方向 上计算网络权值和偏差的变化而逐渐逼近目标的。每一次权值和偏差的变化都与 网络误差的影响成正比，并以反向传播的方式传递到每一层。 b p 算法由两部分组成：信息的正向传递与误差的反向传播。在正向传播过程 中输入信息从输入层经隐含层逐层计算传向输出层，每一层神经元的输出作用于 下层神经元的输入。如果输出层没有得到期望的输出，则计算输出层的误差变 化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修正 各层的权值直至达到期望目标。下面以图3 1 所示的三层网络模型为例，介绍误 差反向传播学习规则的原理。 这个网络的输入层有疗个神经元，输出层有g 个神经元，隐含层有p 个神 第三章b p 网络及网络结构设计原则 1 3 经元。为了计算方便把网络的变量设置如下： 输入模式向量4 = 【口? ，口：k ，口：】； 期望输出模式向量y i = 【y j ，y ；，y ：】； 隐含层各单元输入激活向量s k = 【s ? ，s ：k ，s ：】； 隐含层各单元输出向量b k = 【矸，嘭，6 ： ； 输出层各单元输入激活向量l k = 【彳，：，e k 】； 输出实际向量c k = 【c ，c ：k ，e 】； 输入层至隐含层的连接权； 隐含层至输出层的连接权吩； 隐含层各单元的阈值易； 输出层各单元的阈值n ； 其中f = 1 , 7 ，刀；j = 1 ，2 ，g ；t = 1 ，2 ，g ； 后= 1 , 2 ，m g 输入层隐含层输出层 图3 1 三层b p 嘲络 f i g 3 1b pn e u r a ln e t w o r k w i t ht h r e el a y e r s 激活函数采用s 型函数 f ( x ) = 专 a ) 输入模式正向传播隐含层各神经元的激活值为 墨= q 一够 隐含层歹单元的输出值 b j = f ( s ) = 1 + e x p ( 一q + g ) i = l ( 3 1 ) ( 3 2 ) j = 1 ，2 ，p( 3 3 ) 第三章b p 网络及网络结构设计原则 1 4 同理输出层第t 个单元的激活值 = 艺屯- t t ( 3 4 ) j = l 输出层第t 个单元的实际输出值 c t = f ( 1 t ) ( 3 5 ) ( 2 ) 输出误差反向传播第k 个学习模式，网络的期望输出与实际输出的偏差 为 影= ( 一c j ) ( 3 6 ) 采用平方和误差进行计算 e k = q ( y ? 一c ? ) 2 t = l 2 q - - e ( 群) 2 f _ l ( 3 7 ) 按梯度下降原则，应使珞的调整量吻与i u e _ 。k 的负值成正比列变化，所以隐含 d y “ 层至输出层连接权的调整量应为 一薏一口嚣。筹 8 ， 由式( 3 7 ) 可得 等= 一一c p 矿 ( 3 9 ) 由式( 3 5 ) 可得 厂( t ) = c ，( 1 一c t )( 3 1 0 ) 因此有 筹= 筹。筹砒州钏_ 州 ( 3 1 1 ) 由式( 3 8 ) 、( 3 9 ) 和( 3 1 1 ) n - - y 得 = 口群c ? ( 1 一c ? ) 矽 ( 3 1 2 ) 为进一步简化，设 d 乒一骞一砑0 e k 蔷= 影( 1 一。) ( 3 1 3 ) 冈i 比右 第三章b p 网络及网络结构设计原则1 5 = 口嘭0 a 1( 3 1 4 ) 同理，由输入层至隐含层连接权的调整，仍按梯度下降法的原则进行。隐含层 各单元的激活值同式( 3 2 ) ，隐含层的输出同式( 3 3 )