（电路与系统专业论文）人工神经网络技术在状态监测和漂移预测中的应用.pdf

海大学硕= f ：学位论文摘要 摘要 人工神经网络自开创以来一直深受各国专家学者的重视。已有研究表明 人工神经网络可以逼近任意非线性系统，并且有着很高的精度。由于其独特 性能，人工神经网络技术日渐成为一种重要的、处理非线性问题的工具，被 广泛应用于各种领域，并取得了很大的成功。其中预测和状态监测及故障诊 断是人工神经网络的两个重要应用领域。 本文就人工神经网络在传感器漂移信号预测和发电机组状态监测及故障 诊断中的应用做了以下工作： 首先，本文介绍了发电机组定子和转子的状态监测及故障诊断的现状和 发展，探讨了其含义、内容和任务。由于人工神经网络的特点，将其运用于 发电机组定子和转子状态监测及故障诊断的有着很大的优势。结合发电机组 定子和转子故障的特点，本文设计了一种新颖结构人工神经网络：径向基- 一 信息神经网络( r b w ) 。该网络融合了径向基神经网络和信息神经网络的优 点，弥补了各自的不足。在详细地探讨其结构和算法的基础上，利用该神经 网络对发电机组状态、故障进行了监测及诊断研究。仿真结果表明：r b i n n 可以根据所提供的测试样本，正确监测和诊断发电机组状态和故障。此外， 基于r b i n n 的状态监测及故障诊断方法具有结构和设计步骤简便的特点。 其次，本文还讨论了基于循环神经网络( r n n ) 的动态预测。时间序列 预测是动态数据分析处理的一个重要方面。在科学、经济、工程等许多应用 中都存在着在历史数据的基础上预测未来的问题。面对自然和社会经济现象 中大量存在的非线性、非平稳的复杂时间序列，传统的统计分析方法效果欠 佳。自从1 9 8 7 年l a p e d e s 和f a r b e r 首先应用人工神经网络进行预测以来， 人工神经网络预测时间序列方法受到广泛重视。研究结果表明，人工神经网 络为高度非线性动态关系的时间序列预测提供了一条有效途径。 本文采用的循环神经网络是一种带有反馈节点的前馈人工神经网络。反 馈节点中包含有“历史信息”，这使得循环神经网络具备优良的时序信号处理 能力。这种特性己经在某些领域中得到应用。本文将这种特性应用于两种不 同类型的传感器漂移信号的预测。出于实践中传感器漂移数据难于取得，为 了弥补训练数据的不足完成，本文将历史数据、同类数据用于网络训练。取 得较好的预测效果。 关键词：人工神经网络，发电机组状态峨测与故障珍断，传感器漂移，时间 序列预测，神经网络算法 海人学顾i 学位论文 摘要 a b s t r a c t a r t i f i c i a ln e u r a l n e t w o r k s ( a n n ) h a sb e e nc a t c h i n gt h ew o r l d s a t t e n t i o ns i n c ei tc a m ei n t ob e i n gi nt h ef o r t i e so ft h et w e n t i e t hc e n t u r y s t u d i e ss h o wt h a tn e u r a fn e t w o r k sa r et h em o s tp o w e r f u lt o o l st o a p p r o x i m a t ea l m o s te v e r yn o n l i n e a rs y s t e ma n dh a v er e l i a b l ea c c u r a c y n o wi th a s b e e nd e v e l o p e dt ob eau s e f u ln o n l i n e a rp r o c e s s i n gt o o l ，a n di s u s e dw i t hg r e a ts u c c e s si n m a n yf i e l d s d y n a m i cp r e d i c t i o na n ds t a t u s m o n i t o r i n g f a u l td i a g n o s e s i st w oo fi m p o r t a n ta p p l i c a t i o nf i e l d so fa n n t h ef o i l o w i n ga r ew h a tt h i s p a p e rh a s d o n ei n t h ef i e l d so fd r i f t p r e d i c t i o na n ds t a t u sm o n i t o r i n g f a u l td i a g n o s e s t ob e g i nw i t h t h es t a t u sm o n i t o r i n g f a u l td i a g n o s e su s i n gn e u r a l n e t w o r k si sd i s c u s s e di nt h i sp a p e r w ei n v e s t i g a t et h ew o r k i n gs t a t u sa n d f a u l to fr o t o ra n ds t a t o ri n g e n e r a t o r r a d i a lb a s i sf u n c t i o n n e u r a l n e t w o r k s ( r b f n n ) a n di n f o r m a t i o nn e u r a ln e t w o r k s ( i n n ) m o d e l sa n d l e a r n i n ga l g o n t h m sa r es h o w e di nd e t a i l t h e nan e u r a ln e t w o r kw i t hn e w s t r u c t u r e ，r b i n n i sd e s i g n e df o rf a u l td i a g n o s i so fg e n e r a t o r t h ek i n do f n e u r a ln e t w o r k si n t e g r a t e st h ec h a r a c t e r i s t i c so fr b f n na n di n n d i a g n o s i n gr e s u l t ss h o wt h a tt h en e u r a ln e t w o r k sw i t hn e ws t r u c t u r ec a n c o r r e c t l yi d e n t i f yt h ef a u l to ft h es t a t u sa n df a u l to fr o t o ra n ds t a t o ri n g e n e r a t o r 。 n e x t ，d y n a m i cp r e d i c t i o ni sa l s od i s c u s s e di nt h ep a p e r t i m es e r i e s p r e d i c t i o ni sa ni m p o r t a n ta s p e c to fd y n a m i cd a t aa n a l y s i sa n dp r o c e s s i n g t h e r ee x i s t st h ed e m a n do fp r e d i c t i n gt h ef u t u r eb a s e du p o nh i s t o r i c a ld a t a i nt h ea p p l i c a t i o n so fs c i e n c e ，e c o n o m i c sa n de n g i n e e r i n gi nt h ef a c eo f t h en o n l i n e a ra n dn o n s t a t i o n a r yt i m es e r i e sl a r g e l ye x i s t e di nn a t u r a la n d s o c i a le c o n o m i c a lp h e n o m e n a ，t h et r a d i t i o n a lm e t h o do fs t a t i s t i c a la n a l y s i s p e r f o r m e db a d l y s i n c e19 8 7 ，l a p e d e sa n df a r b e rf i r s t l ya p p l i e dn e ur a l n e t w o r k st ot i m es e r i e sp r e d i c t i o n t h e ns u c hap r e d i c t i n gm e t h o dw i t h n e u r a ln e t w o r k sh a sw i d e l yb e e n r e c o g n i z e d p r e s e n t l y m a n yd i f f e r e n t t y p e so fn e t w o r k sh a v eb e e np r o p o s e da n da p p l i e dt ot h ef o r e c a s t i n gi n i n d u s t r ya n de c o n o m i c s t h er e s e a r c hr e s u l t ss h o wt h a tn e u r a ln e t w o r k s h a v e g o o dp e r f o r m a n c e s i n p r e d i c t i o n ，w h i c hp r o v i d i n g a ne f f e c t i v e e 海大学硕：b 学位论文摘要 a p p r o a c hf o rh i g h l yn o n l i n e a ra n dd y n a m i ct i m es e r i e sf o r e c a s t i n g r e c u r r e n tn e u r a ln e t w o r k s ( r n n ) i sk i n do ff o r w a r dn e u r a in e t w o r k s w i t hf e e d b a c kn o d et h a tc o n t a i n s “h i s t o r yi n f o r m a t i o n ”t h i sb r i n g si t e x c e l l e n ta b i l i t yo fp r o c e s s i n gt i m es e r i e s r n nh a sb e e na p p l i e dt om a n y p r o b l e m s ，s u c ha st h ep r o b a b i l i t yp r e d i c t i o ni ns p e e c hr e c o g n i t i o n d y n a m i c m o d e l i n go fs e n s o r s r n ni su s e df o rf o f r e c a s td d f fo fs e n s o r sa n da c h i e v e s g o o dp r e d i c t i o np e r f o r m a n c e k e y w o r d ：a r t i f i c i a ln e u r a ln e t w o r k s ，s t a t u sm o n i t o r i n g f a u l td i a g n o s e s g e n e r a t o r , s e n s o rd r i f t ，a l g o d t h mo fa r t i f i c i a ln e u r a ln e t w o r k s 原创性声明 本人声明：所呈交的论文是本人在导师指导下进行的研究工作。 除了文中特另u 加以标注和致谢的地方外，论文中不包含其他人已发表 或撰写过的研究成果。参与同一工作的其他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。 签名：壹坠叠日期兰竺：! ：2 本论文使用授权说明 本人完全了解上海大学有关保留、使用学位论文的规定：即：学 校有权保留论文及送交论文复印件，允许论文被查阅和借阅；学校可 以公布论文的全部或部分内容。 ( 保密的论文在解密后应遵守此规定) 签名：塑坠盛导师签名邈日期：竺! ：! ：2 上海大学顾：i ：学位论文人t 神经网络技术扑：状态监测和漂移预测中的应用 日u 吾 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 ) 具有很强的非线性映射 能力。个三层的前馈人工神经网络具有映射任意函数关系的能力。并且对 时间序列信号进行分析和处理时不需要对目标序列作任何假设。人工神经网 络的独特特性为以非线性系统为背景的各种应用提供了广阔的前景，并成为 解决非线性系统复杂问题的有力工具。大量的理论研究和实际应用表明：对 于非线性系统，人工神经网络具有许多优于传统方法的效果和特性。随着计 算、控制技术的飞速发展和人工神经网络研究的不断深入，人工神经网络在 许多领域已有成功的应用。 针对人工神经网络技术的应用，本文的工作主要分为两个部分。其一： 设计一种基于径向基神经网络的组合神经网络，并将其应用于状态监测及故 障诊断领域；其二：充分分析循环神经网络的特性，利用循环神经网络良好 的时序捕捉能力，将其应用于传感器漂移预测。 本文主要内容安排如下： 第一章：介绍人工神经网络技术的原理、关键技术、应用领域。 第二章：介绍本文采用的几种人工神经网络模型，分析其训练方法、工 作过程，并对各模型的应用和研究现状一一阐述。 第三章：分析发电机组的状态监测及故障诊断的关键环节和技术。结合 本人工作实际，设计了一种结构新颖的组合神经网络应用于发电机状态监测 及故障诊断。 第四章：针对传感器误差漂移中时序信号的非线性特性，利用循环神经 网络对其进行预测。网络方案的选取上综合考虑了网络泛化能力，并对本文 提出方案进行了验证。最后对神经网络泛化能力进行总结和研究。 第五章：对本文做一个总结和展望。 j 一海大学硕士学位论文人工神经网络技术在状态监测和漂移预测中的应用 第一章人工神经网络技术 本章摘要：本章阐述了人工神经网络技术的发展、结构以及原理。由于人 ：神经网 络的特性，使得其在诸多领域的应用中有着广泛的应用。本章就人工神经网络在数据融 台、状态监测及故障诊断、预测中的应用一一阐述。 1 1 引言 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 ) ) 也简称为神经网络 ( n e u r a ln e t w o r k s ：m v ) 或称作连接模型( c o n n e c t i o n i s tm o d e l ) , 是对人脑 或自然神经网络( n a t u r a ln e u r a ln e t w o r k ) 若干基本特性的抽象和模拟。人 工神经网络以对大脑的生理研究成果为基础的，其目的在于模拟大脑的某些 机理与机制，实现某个方面的功能。人工神经网络是由简单的处理单元组成 的强大的并行分布式处理器。它能智能地对信息进行表示、存储和处理并具 有一定的学习、推理功能。 人工神经网络具有存储经验知识，并将其用于实践的内在属性。它在很 多方面与人脑相类似，主要体现在以下两点： 通过训练，网络从网络周围的环境中获得知识。 v ，网络获得的知识后，其存储形式是神经元之间的连接强度，即神经元 连接权值。 人工神经网络自从2 0 世纪4 0 年代出现以来，经历了一个曲折的发展过 程。近年来由于一些突破性的进展，使人们对人工神经网络的研究再度兴起， 也更引起了广大科学工作者的热切关注。其原因是人工神经网络对以非线性 为基础的应用具有多种有吸引力的特点口】，主要有： 1 神经元可以是线性的，也可以是非线性的。人工神经网络由神经元通 过某种方式连接而成，因此，人工神经网络具有非线性的特点，可以描述复 杂的非线性问题。本质上，人工神经网络是非线性系统，具有非线性映射能 力。目前研究最多的一种人工神经网络是多层前向网络。理论分析表明它具 备逼近任意函数甚至各阶导数的能力，可以说，人工神经网络给非线性系统 描述带来了统一的数学模型。 2 人工神经网络具有内在的适应环境的能力，当环境变化时，人工神 经网络通过重新训练调整权值，很容易适应新的环境。当处理非稳定的情况 时，人工神经网络甚至可以被设定成实时调整权值的模式。山于对复杂不确 定问题具有自适应和自学习能力，网络对训i 练时没有出现的输入信号有较好 j 二海大学硕士学位论文 人t 神经州络技术确谳态临测和漂移预测中的应用 的预报能力。另外网络也能在线训练。这使得基于人工神经网络的控制器具 有克服对象不确定性和时变性的能力。 3 人工神经网络是并行分布式的系统，其信息处理的并行机制可以解决 大规模实时计算问题。而且当出现错误时，人工神经网络将表现为功能减弱 或衰退而不是系统崩溃。 4 人工神经网络中的神经元的工作是相互影响的，因此人工神经网络具 有很强的信息关联能力和信息综合能力，能同时处理定量和定性的信息，能 很好地协调多种输入信息的关系，适用于多信息的融合和多媒体技术。 5 输入一输出映射。人工神经网络的训练过程是通过将训练样本代入模 型，比较输入的误差，然后调整模型内部连接权值的方法进行的，因此这是 一个无参数的模型。建模过程非常简单。 人工神经网络在其虽短暂但曲折的发展过程中愈来愈引起人们的广泛兴 趣。尤其近年来，人们对人工神经网络的研究更是进入了一个深入发展的时 期。人工神经网络已经在信号处理、模式识别、目标跟踪、机器人控制、专 家系统、组合优化等众多领域的应用中获得了引人注目的成果。 1 2 人工神经网络技术简介 1 2 1 人工神经网络技术的发展 人工神经网络模型发展到今日已有百余神模型，建造的方法也是多种多 样，有出自于热力学的数学方法的，模糊以及混沌方法。对人工神经网络 进行训练是神经网络e 常工作的前提。由于训练的重要性，人工神经网络结 构模型不断发展的同时，不断有新的训练方法提出。如对于前馈拓扑结构的 人工神经网络，可使用感知器算法、误差反传递算法、竞争训练算法等。总 的来说，人工神经网络技术的发展可以分为以下几个时期： 2 0 世纪5 0 年代来到6 0 年代初是人工神经网络理论研究的第一个热潮。 1 9 5 8 年，fr o s e n b l a t t 提出了感知器( p e r c e p t r o n ) 模型，试图模拟人脑感知能力 和学习能力，这是第一个完整的人工神经网络，初步具备了诸如并行处理、 分布存储和学习等人工神经网络的一些基本特征。从而确立了从系统的角度 研究人工神经网络的基础。 1 9 6 9 年m i n s k y 和p a p e r t 合作发表了颇有影响的p e l c e p t r o n - - 书，得出了消 极悲观的论点，即从数学上证明了简单的线性感知器不能实现复杂的逻辑功 能，并且指出多层感知器还不能找到有效的计算方法，人工神经网络的研究 丌始处于低潮。但仍有很多学者坚持他们的研究并取得了许多有意义的成果。 1 9 7 6 年，g r o s s b e r g 根据对生物学和心理学的研究，提出了儿个非线性动 l 薄太学砸= = 学位论文 人t 神经网络技术柏：状态临测和漂移预删中的应用 的预报能力。另外网络也能在线训练。这使得基于人工神经网络的控制器具 有克服对象不确定性和时变性的能力。 3 人工神经网络是并行分布式的系统，其信息处理的并行机制可以解决 大规模实时计算问题。而且当出现错误时，人工神经网络将表现为功能减弱 或衰退而不是系统崩溃。 4 人工神经网络中的神经元的工作是相互影响的，因此人工神经网络具 有很强的信息关联能力和信息综合能力，能同时处理定量和定性的信息，能 很好地协调多种输入信息的关系，适用于多信息的融合和多媒体技术。 5 输入一输出映射。人工神经网络的训练过程是通过将训练样本代入模 型，比较输入的误差，然后调整模型内部连接权值的方法进行的，因此这是 一个无参数的模型。建模过程非常简单。 人工神经网络在其虽短暂但曲折的发展过程中愈来愈引起人们的广泛兴 趣。尤其近年来，人们对人工神经网络的研究更是进入了一个深入发展的时 期。人工神经网络已经在信号处理、模式识别、目标跟踪、机器人控制、专 家系统、组合优化等众多领域的应用中获得了引人注目的成果。 t 2 人工神经网络技术简介 1 2 1 人工神经网络技术的发展 人工神经网络模型发展到今日已有百余种模型，建造的方法电是多种多 样，有出自于热力学的数学方法的，模糊以及混沌方法。对人工神经网络 进行训f 练是神经网络正常工作的前提。由于训练的重要性，人工神经网络结 构模型不断发展的同时，不断有新的训练方法提出。如对于前馈拓扑结构的 人工神经网络，可使用感知器算法、误差反传递算法、竞争训练算法等。总 的来说，人工神经网络技术的发展可以分为咀下几个时期： 2 0 世纪5 0 年代术n 6 0 年代初是人工神经网络理论研究的第一个热湖。 1 9 5 8 年，fr o s e n b l a t t 提出了感知器俨e r c e p t r o n ) 模型，试图模拟人脑感知能力 和学习能力，这是第一个完整的人工神经网络，初步具备了诸如并行处理、 分布存储和学习等人工神经网络的一些基本特征。从而确立了从系统的角度 研究人工神经网络的基础。 1 9 6 9 年m i n s h 1 p a p e r t 合作发表了颇有影响的n ，聊护o h 一书，得出了消 极悲观的论点，即从数学上证明了简单的线性感知1 器不能实现复杂的逻辑功 能，并且指山多层感知器还不能找到有效的计算方法，人丁二神经网络的研究 丌始处于低潮。但仍有很多学者坚持f 也i f 的研究并取得了许多有意义的成果。 1 9 7 6 年g r o s s b e r g 根摒对乍物学和心理学的研究，提出了几个非线性动 1 9 7 6 年，g r o s s b e r g 根据列生物学和心理学的研究，提出了几个非线性动 卜海大学硕士学位论文 人_ l ：= 神鲐嘲络技术n ：状态监测和漂移预测中的应用 力系统结构，对人工神经网络的研究起到了重要推动作用。 进入2 0 世纪8 0 年代，人工神经网络的研究开始复兴。1 9 8 2 年，物理学家 h o p f i e 积寸全互联神经网络的动态特性进行了研究，引入了能量函数的概念， 给出了网络的稳定性判掘，提出了用于联想记忆和优化计算的新途径，这项 研究成果为人工神经网络的研究注入了新的活力。 1 9 8 6 年，r u m e l h a r t 等人在人工神经网络领域取得了突破性进展，重新 提出了多层网络的误差反向传播算法( 即b j d 算法) ，并已经证明，隐层神 经元采用s i g m o i d 型神经元的肼，网络，具有任意非线性特性【3 】。人工神经网 络的热潮再次掀起。曰，网络已成为广泛使用的网络，并以此为基础作了许多 改进，发展了快速有效的算法。 1 2 2 人工神经网络的基本原理和结构 人工神经网络的基本组成单元是神经元，在数学上的神经元模型是和在 生物学上的神经细胞对应的。或者说，人工神经网络理论是用神经元这种抽 象的数学模型来描述客观世界的生物细胞的。 生物的神经细胞是人工神经网络理论诞生和形成的物质基础和源泉。神 经元的数学描述就是以生物神经细胞的客观行为特性为依据。人工神经网络 的拓朴结构也是以生物学解剖中神经细胞互连的方式为依据的。 神经元的生物学解剖可以用图1 1 所示的结构表示。从图中可以看出： 神经元是由细胞体，树突( 输入端) 和轴突( 输出端) 三部分组成口 - 1 。神经 元有两种工作状态：兴奋和抑制。每个神经元到另一个神经元的连接权( 后 者对前者输出的反应程度) 是可以接受外界刺激而改变的，这构成了学习机 能的基础。 图1 1 ：神经元的生物学解剖 1 2 3 神经元的数学模型 从神经元的特性和功能可以知道，神经元是一个多输入、单输出的信息 处理单元。而且它对信息的处理是非线性的。根据神经元晌特性和功能，可 以把神经元抽象为一个简单的数学模型。简单的神经元模型如图1 2 所示。 l 海大学硕士学位论文 人t 神鲐网络技术托状态髓测和漂移预测中的应用 神经元的数学模型：，局一，咒是神经元的输入，即是来自前级一 个神经元的轴突的信息。谚是阈值；孵，彤一，分别是i 神经元对， ，咒的权系数，也即突触的传递效率：竹是f 神经元的输出。 口，= w i x i - 0 y i = f ( c r 。) y = ，( w i x i 一8 1 ) i ；o 图1 - 2 ：神经元数学模型 ( 1 23 1 ) 神经元的非线性特性有多种形式，其中最常见的有阈值型、线性型和s 型三种形式2 9 1 ，这三种形式如图1 3 ： 1 、阈值型( 硬限制型) 叫r 卯圳= 化翟蒜 2 、线性型 a = 厂r 胛+ = 胛+ b ( 1 2 3 - 3 ) 3 、s 型函数( s i g m o i d ) ：对数正切y = ，作“+ 口一 、 + l ， 月 l 一 、 4 1 、 ， 月 一l a = h a r d t i m ( 吣a = p u r e l i n1 1 q ( 1 2 3 - 2 ) l a = l o g s i g n ) 幽1 3 ：神经元的传递函数：闽值型、线性型、s 刑函数 1 2 4 人工神经网络的训练规则 ：海大学硕【学位论文人丁神经网络技术在状态i i 乜测和漂移预测中的应用 人工神经网络完成结构设计后，并不能立刻工作。网络需要外部提供数 据进行训练。训练的过程也是记忆外部信息的过程，也是不断调整网络结构 和连接强度的过程。因此网络的训练是人工神经网络设计和应用的重要一环。 人工神经网络的训练方式可以粗略分成三种：监督训练( 有导师训练) 、 非监督训练( 无导师训练) 和再励训练( 强化训练) 。这些类别分别如下： 监督训练 监督训练需要有一组给定的样本( 输入输出数据对) ，其中包含了输入数 据和对应的正确输出。人工神经网络就利用样本和自身的输出间的误差不断 调整自身参数，直到人工神经网络的输出和正确的输出接近到某一程度为止， 这样人工神经网络就模拟了输入空间到输出空间的映射关系。 非监督训练 进行非监督训练时，外部数据没有提供正确的输出，只是根据外部数据 的某些统计规律来调整自身参数或结构，其实这是一种自组织的过程。这样 可以表示出外部数据的某些固有特征( 如聚类或统计分布特征) 。 v ，再励训练 处于以上两种训练之间，既不给出正确答案又不是什么参考都没有，而 是对人工神经网络的输出给出评价信息，通过奖惩来完善人工神经网络的权 值，从而改善网络性能的方法称为再励训练。 1 2 5 神经网络信息处理的数学分析 人工神经网络信息处理可分为两个阶段；执行阶段和训练阶段。下面以 前向网络情况说明这两个阶段。 1 2 5 1 训练阶段 训练阶段是指人工神经网络自完善的阶段。这时网络按一定的训练规则 修改突触的权系数，以使给定的测度函数达到最小。一般取： e = r f ，x j ( 12 5 一1 ) 其中，五是教师信号；是神经元的输出。 训练公式可以表示为下面数学表达式： w 乳”= 峭咄晴r 器】 其中：妒是一个非线性函数；目是权重变化率 对于梯度训练算法，则可以采用下而具体公式 ( 1 25 2 ) ，是训练时的迭代次数。 上海大学硕l ：学位论文 人t 神经网络拄术在状态i 忻测和漂移颅删中的应用 哪h w j ( 1 h 器) ( 1 2 5 3 ) 1 2 5 2 执行阶段 执行阶段是指人工神经网络对输入信息进行处理，并产生对应的输出过 程。在执行阶段，网络的连接结构和权系数是已经确定，并且不会变化的。 这时有： u i r h l j = r f + l j x r t j 只r f + 1 j ( 1 2 5 - 4 ) ；l x 。( 1 + 、) ；f u l f t + 、) t1 2 5 - 5 ) 其中：x 是前级神经元的输出；是第i 个神经元和前级_ ，个神经元突 触的权系数；o i 是第i 个神经元的阈值：五为第i 个神经元的非线性激活函数： x 为第i 个神经元的输出。 训练和执行是人工神经网络不可缺少的两个处理环节和功能。人工神经 网络的各种有效的行为和作用，都是通过这两个关键的过程来实现的。通过 训练阶段，可以把人工神经网络训练成对某种信息模式特别敏感，或具有某 种特征的动力学系统。通过执行阶段，可以用人工神经网络识别有关信息模 式或特征。人工神经网络对信息的学习是为了取得对信息的适应特性或信息 的特征；而人工神经网络对信息的执行过程是对特征的检索或者是对信息的 分类过程。 1 3 预测与人工神经网络 “凡事预则立，不预则废”和“人无远虑，必有近忧”等成语都说明预测 的重要意义。人类从事对未来的研究活动由来已久。在人类的生产劳动和社 会生活中充满着各种各样的推断和设想。针对预测方法的研究，引起了众多 学者的注意。经典的预测多以线性预测为主，近代在非线性领域取得了两项 引人瞩目的成果：神经网络理论和模糊理论。它们为非线性系统的建模与预 测的研究，1 ：拓了广阔的视野。 作为一种特殊的信息处理方式，预测是带有主观性的。预测并不存在唯 一的方法。预测方法主要可以分为【】o 】：( 1 ) 以统计学( s t a t i s t i e s ) 为基础，计量为 对象( 如平均值、方差等) 的统计预测；( 2 ) 以信息学( i n f o , 一m a t i o n ) 为基础，信号 为对象的信息预测。随着现代科学的发展，特别是神经网络耻论、模糊理论 【海大学顾j j 学位论文 人t 神经州络技术谯状态峪测和漂移预测中的应用 的发展，又出现了一些用神经网络技术、模糊技术进行复杂非线性系统建模 的方法，被广泛应用于经济预测、入口预测等领域。 预测的统计学方法，是对数据进行预处理通过统计分析决定统计意义 下的最佳时序模型。它主要有两个缺点【2 3 l ：一是模型的选择需要某些假设； 二是以此法建立的模型一般难以有效地处理非线性或多维非线性相关的复杂 时间序列。面对自然和社会经济现象中大量存在的非线性、非平稳的复杂动 力系统问题，传统的统计学预测方法解决这类问题效果欠佳。 以神经网络为代表的智能计算方法中，单个神经元有较简单却又反映非 线性本质特征的非线性单元，通过这些基本的非线性单元自组织复合，使其 能够重建任意的非线性连续函数。通过训练这一归纳过程，使得网络习得序 列的内在规律，并用其较好的泛化能力对未来进行预测。使用神经网络方法 避免了繁琐的常规建模过程，且神经网络模型有良好的适应和自学习能力、 较强的抗干扰能力m 】。这使得神经网络在时间序列预测中受到重视。 1 4 数据融合与人工神经网络 数据融合是8 0 年代形成和发展起来的一种自动化信息综合处理技术。它 可以对来自多个或多种的信息源的信息和数据进行综合处理。数据融合技术 之所以可以更为精确和全面的分析和处理信息，是因为它充分利用多源数据 的互补性、计算机的高速计算能力和其他各个学科的最新成果。数据融合在 整合诸如数学、计算机科学自动控制理论等传统学科的同时，还应用了诸如： 决策理论、不确定性推理、估计理论、人工智能、人工神经网络等新技术。 借助这些新技术我们可以更好地对这些数据进行分析和处理。数据融合中采 用的数据处理手段包括数据比较，联想，推理，分类，状态估计，态势评估 等。最终我们得到的结果将更为精确和全面。与传统的信号处理技术相比， 数据融合技术有其独有的特点，如：缩短系统的响应时间、提高系统的可靠 性和鲁棒性、有着多个处理层次，可以实现多解决方式的处理。 1 4 1 数据融合的基本原理 其实数据融合本身在我们的生活中无处不在。首先它是我们人类的基本 功能。人自然地运用这一能力把来自人体各个传感器( h 艮、耳、鼻、四肢) 的信息( 声音、气味、触觉) 组合起来，并使用先验知识去估计、理解周围 环境和f 在发生的事件。由于人类感官具有不同的度量特征，因而可测出不 同空问范围的各种物理现象，这一过程是复杂的、自适应的。对各种信息数 据( 图像、声音、气味、物理形状或上下文) 转换需要大量小同的智能处理 及适用于解释组合信息含义的知识库。基本原理如人脑综合处理信息一样， 上海火学顾i 擘位论文 人丁神经网络技术舀：状态临测和漂移预测中的应用 充分利用多源信息，通过数据组合推导出更多的信息。 信息融合一般将其定义为：利用计算机技术对获得的若干传感器的观测 信息在一定准则下加以自动分析、综合以完成所需要的决策和估计任务而进 行的信息处理过程【4 j 。信息融合的硬件基础是传感器系统，加工对象是多源 信息，核心是协调优化和综合处理。 1 4 2 数据融合的层次 数据融合与经典信号处理方法之间存在本质的区别，其关键在于所处理 的信息具有更复杂的形式，而且可以在不同的信息层次上出现。信息的来源 既可能是来自多个传感器，也可能来自同一传感器不同时间的信息。这些信 息抽象层次包括数据层( 像素层) 、特征层和决策层( 即证据层) 。 像素级融合是直接在采集到的原始数据层上进行融合，在各种传感器的 原始数据未经预处理之前就进行数据的综合和分析，是最低层次的融合：特 征级融合属于中间层次，它对来自传感器的原始信息进行特征提取，并对特 征信息进行综合分析和处理；决策级融合是一种高层次融合，结果为指挥控 制决策提供依据，因此要求必须从具体决策问题的需求出发，充分利用特征 级融合所提取的测量对象的各类特征信息，采用适合的融合技术实现。 1 4 3 数据融合的功能模块和关键技术 尽管融合系统的结构有多种多样，但其功能原理和作用大概相似。下面 如图1 4 所示，即一个简单的数据融合系统的功能模块。用以说明通用融合 系统的功能组成及各部分之间的相互联系。该模型假定有个传感器，它们 共同监视一个有着多个不同类型运动目标的区域。 卜4 ：数据融台的层次和功能摸块 为 图 向 海人学坝i 。学位论文 人丁神经网络技术“状态舱测和漂移】丽测中的应用 如图1 - 4 所示，数据融合系统的功能主要有校准、相关、识别、估计。 其中校准和相关是为识别和估计做准备。实际融合在识别和估计中进行。该 模型的融合分两步完成。分别对应不同的信息抽象层次。第一步是底层处理， 对应像素级融合和特征级融合，输出的是状态、特征和属性。第二：步是高层 处理( 行为估计) ，对应的是决策级融合，输出的是抽象结果。如：威胁、企 图、和目的等等。数据融合作为一种数据综合和处理技术，实际上是许多传 统学科和新技术的集成和应用。从以上模型可以看出，数据融合的基本功能 是相关、估计和识别，其中重点是估计和识别。 相关技术：相关处理要求对多传感器或多源信息的相关性进行定量分析， 按照一定的判别规则，将信息分为不同的集合。解决相关问题的技术和算法， 如最近邻法则、最大似然法、最优差别、统计关联和联合统计关联等。 估计技术：2 0 世纪7 0 年代，统计估计器逐步发展为一种实用的递推估 计器卡曼滤波器。之后，由于非线性理论的引入，估计技术正向连续测量 估计的方向发展【6 】。估计理论已经广泛应用于几何定位跟踪和测量 识别技术：识别技术有很多种类，比较成熟的有贝叶斯法，模板法，表 决法等等。识别技术解决的主要问题是：对目标的特征进行提取，比对，分 类等等。 1 4 4 数据融合方法 虽然传感器数据融合的应用研究己经十分广泛，但就数据融合问题本身 至今并未形成基本的，统一的理论框架和有效的广义的融合模型和算法。尽 管如此，数据融合技术仍然在有关领域得到很大发展。研究人员根据各自的 具体应用背景，提出了一些比较成熟的有效融合方法。 信息融合技术涉及到多方面的理论和技术，如信息处理、估计理论、不 确定性理论、模式识别、最优化技术、人工神经网络和人工智能等。由不同 的应用要求形成的各种方法都是融合方法的子集。表2 归纳了一些常用的信 息融合方法。 表卜1 信息融合方法 经典方法现代方法 什计方法 统计方法 信息论方法 人i 智能方法 加权平均法经典推理法聚类分析模糊逻辑 极人似然1 古计贝叶斯估计模板法产生式规则 最小二乘法品质冈素法 熵理论 人l 冲p 经网络 1 4 4 1 聚类分析融合方法 ：海人学碗j 学位论文 人t 神经网络技术4 一状态临测和漂移颅测中的应用 聚类分析法是一种启发式的算法。聚类分析主要应用于目标识别以及分 类。这种算法按照某种聚类准则将数据分组，并对各组数据进行解释、计算 等。为了实现聚类首先必须有一个聚类准则，如把各种各样的相似性或距离 度量作为数据样本的聚类准则。如果聚类的复杂性很高，则在聚类过程中可 以加入启发式知识或人机交互选择某些参数，以提高聚类速度和准确性。或 者也可以在聚类过程中使用自适应的聚类算法。这种算法可以根据实际观测 到的聚类结构自动修改所使用的相似性量度。 选择相似性量度是聚类分析算法的前提，令和是两个给定的样本。 他们的分量是x ，- 白， j 靠和竭，j 白，西。常用的相似性量度f 5 l 有 以下几种： 1 点积：置乃= 1 x ，i | x ，i c 。s r ，巧j z 捌舭心纠= 两若为瓢 3 加权的欧几里德距离：d ( x f ，x j j = r 肖* 一x 业j 2 ( 1 4 4 1 3 ) 4 蹴倘相烁觌蜊一，纠2 丽毒斋面( 1 4 4 1 - 4 ) 聚类分析算法的目的就是寻找聚类规则，将满足规则的数据分组，不满 足规则的数据分离。各种聚类算法的一般过程如下： 步骤一：从观测数据中选取一组样本数据。 步骤二：定义特征变量集合以表征样本中的实体。 步骤三：计算数据的相似性，并按照一个相似性准则划分数据集。通常 用一个预先设定的相似性度量与一个或几个闽值相比较的方法，把相似的模 式归类。 步骤四：检验划分的类对实际的应用是否有意义。即检验各模式的子集 是否不同。是否需要合并子集。 步骤五：反复将产生的子集加以划分。并对划分结果使用步骤四检验。 知道再没有进一步细分的结果，或者直到满足某种停止舰则。关于停止规则 可以是建立的聚类数目已满足设定值或已达到限定的计算时i b j ，数据量等。 1 4 4 2 人工神经网络的融合方法 众所周知：虽然计算机具有强大的计算和处理数据的能力，但是其识别 和判断的能力却远远弱于人憾，人- i ：神经网络模拟自然神经网络，是一个可 以完成输入到输出映剞的非线性系统。可以泌：人工神经网络膜拟了人类部 海人学碗 ：学位论文人t 冲经网络技术柚：状态犄测和漂移预测中的应用 分形象思维的能力，是实现数据融合的一条有效途径。 一个人工神经网络由多层处理节点或节点组成。可以用多种方法进行互 连。如下图( a ) 所示，输入的数据向量经人工神经网络的非线性变换，得到一 个输出向量。其中每一个节点的处理如图( b ) 所示。这样一种变换根据网络的 不同，连接形式的不同，可以是数据的分类、关联、融合、识别、运算等等。 簧 ( a ) 神经网络( b ) 单一节点处理 图1 5 ：神经网络的数据融合 基于人工神经网络的数据融合方法已经有许多实际的应用。并且由于人 工神经网络的特点，使得在许多场合中优于其他的融合方法，尤其是当输入 数据中包含有噪声或数据残缺时。 1 5 状态监测及故障诊断与人工神经网络 1 5 1 状态监测及故障诊断技术 状态监测及故障诊断就是鉴别机器设备的技术状态是否正常，确定状态 及故障的性质，发现故障部位、寻找故障原因，提出排除故障的相应措施。 状态帧测及故障诊断技术发展至今已经历三个阶段： ( 1 ) 由于机器设备较简单，诊断主要依靠专家或维修人员的感觉器官、个 人经验及简单仪表就能胜任状态监测及故障诊断与排除工作。 ( 2 ) 年l j 用传感器技术，动念测试技术及信号分析技术进行诊断。 ( 3 ) 2 0 世纪8 0 年代以来，机器设备日趋复杂化、智能化及光机电一体化， 随着计算机技术，人工智能技术发展，进入智能化阶段。 目前，对复杂系统进行智能诊断已成为智能技术研究的前沿课题和热点。 1 9 8 5 年r e g e n i e 等人研制了飞行器控制系统监视器( e e f s m ) 及1 9 8 7 年m a l i n 研制的汽车状态监测及故障诊断系统( f i x e r ) 、美国宇航局l a n g l e y 研究中 心研制的飞行器状态监测及故障渗断专家系统( f a u l t f i m l e t ) 等都已达到实 际应用水平，并投入使用，尤其航空航天领域可靠性： 程、维修工程越来越 受重视，现己研制出一些智能渗断系统，如火箭发动机状态监测及故障诊断 海人学颇 ：学位论文 人。【神蛘络技术z i ：状态监测和漂移颅测中的应用 专家系统( r e f d e s ) 、卫星控制系统地面实时状态监测及故障诊断专家系统 等。 由于系统可能出现的状态和故障各不相同，若要进行分析和处理有必要 了解状态及故障可能的分类。根据不同的划分方式，主要有下列几种【8 1 ： 按故障发生的时间历程分：突发性和渐进性故障； 按故障存在的时间历程分：间歇性和永久性故障： 按故障显现状况分：潜在故障和功能故障； 按故障原因分：内在故障和环境故障。 近年来，人们已经开发研究了一些较成熟