神经网络实例(MATLAB).doc

基于BP神经网络的回热系统故障诊断设计摘要：神经网络是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。对于实际中难以建立数学模型的复杂系统，神经网络更显示出其独特的作用。1986年，Rumelhart和McCelland领导的科学家小组在Parallel Distributed Processing一书中，对具有非线性连续转移函数的多层前馈网络的误差反向传播（Error Back Proragation，简称BP）算法进行了详尽的分析，实现了Minsky关于多层网络的设想。由于多层前馈网络的训练经常采用误差反向传播算法，人们也常把将多层前馈网络直接称为BP网络。BP网络具有逼近任意非线性映射的能力，它含有隐层的多层前馈网络能大大提高神经网络的分类能力。神经网络应用的其中一大领域是故障诊断。故障诊断是指在一定工作环境下查明导致系统某种功能失调的原因或者性质，判断劣化状态发生的部分或部件，以及预测状态劣化的发展趋势等。故障诊断的过程分为三个主要步骤：第一步是检测设备状态的特征信号；第二步是从所检测到的特征信号中提取征兆；第三步是根据征兆和其他诊断信息来识别设备的状态，从而完成故障诊断过程的核心。关键词：人工智能，神经网络，BP算法，故障诊断回热系统是电机组的主要辅助系统之一，回热系统长期处于高温高压的运行状态，加之运行中还收到机组负荷突变、给水泵出现故障、旁路切换等因素的影响，所以回热系统会频繁出现故障。我们利用BP神经网络对故障进行诊断。BP算法实现一般步骤：1） 初始化；2） 输入训练样本对，计算各层输出；3） 计算网络输出误差；4） 计算各层误差信号；5） 调整各层权值；6） 检查网络总误差是否达到精度要求，满足，则训练结束；不满足，则返回步骤2。BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传人，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出(教师信号)不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。BP算法的网络结构示意图如下：人们在对BP网络的学习算法进行广泛研究后，提出了不少改进的算法，典型的几种：1） 引入惯性项2） 引入动量项3） 变尺度法4） 变步长法5） 计算输出误差根据回热系统的运行经验及现场条件，利用9个运行参数提取故障征兆，归纳得到12个主要故障的样本特征模式，归一化处理后的数据如下表所示：表1 回热系统主要故障的样本特征模式序号故障征兆（输入样本）目标样本抽气流量抽气压力进口压力进口水温出口水温混合水温出口端差水位高度输水温度故障现象对应描述.10.500.500.500.500.750.750.250.500.50A000120.250.600.500.500.500.500.750.500.50B001030.750.400.750.500.500.500.500.500.50C001140.250.600.500.500.250.250.750.500.50D010050.250.600.500.500.000.001.000.500.50E010160.750.400.750.500.250.250.751.000.25F011070.250.600.500.500.500.500.750.750.50G011180.750.400.500.500.750.750.250.001.00H100090.250.600.500.500.750.250.250.500.50I1001100.250.600.500.500.250.250.751.000.50J1010110.500.500.500.501.000.750.251.000.50K1011120.000.750.750.500.500.750.251.000.50L1100注：A-运行正常 B-排气管不畅 C-排气管过大 D-管束污染 E-水测短路F-管束泄漏 G-疏水不畅 H-疏水阀故障 I-旁路故障 J-加热器满水 K-热气带水 L-自身沸腾表1根据各个参数的不同特点来表示它们的变化范围和程度。考虑到参数测点的波动，将智能变大或变小的参数的正常值设定为0.25和0.75，而将可能双向变化的参数的正长治值设定为0.5。这样，作为神经网络的训练样本，大多数的参数在归一化后其变化范围加大了，极大地改善了训练的收敛性。根据要求，我们采用BP网络进行故障诊断。因为BP网络具有逼近任意非线性映射的能力，所以它在故障诊断中的应用非常成功。1确定训练样本集由于BP网络采用有教师的训练学习方式，所以其训练样本集由输入数据和目标输出组成。这里选取回热系统的9个运行参数所提取的故障征兆，作为网络输入数据向量的9个分量；12种主要故障分别用4位不同的二进制数表示如表1中所示，作为网络目标输出向量的4个分量。由表1可知，训练样本N为12，分别代表12中不同的主要故障。2网络设计和训练在本案例中将网络设计为一个两层BP网络。由于输入向量的维数为9，因此该网络的输入层的神经元数为9个；而输出向量的维数为4，故输出层的神经元数为4个。本例经过实际训练，通过对误差结果的分析，最后设定隐含层的神经元数为19个。由于网络的输入向量范围为0,1，故隐含层神经元的传递函数采用S型正切函数tansig，输出层神经元的传递函数采用S型对数函数logsig,这正好满足网络输出在0,1之间的要求。训练函数trainlm利用Levenberg-Marpuardt算法对网络进行训练。通过matlab可以方便的实现课题的完成，MATLAB程序如下：%确定训练样本集%x= 0.50,0.50,0.50,0.50,0.75,0.75,0.25,0.50,0.50; 0.25,0.60,0.50,0.50,0.50,0.50,0.75,0.50,0.50; 0.75,0.40,0.75,0.50,0.50,0.50,0.50,0.50,0.50; 0.25,0.60,0.50,0.50,0.25,0.25,0.75,0.50,0.50; 0.25,0.60,0.50,0.50,0.00,0.00,1.00,0.50,0.50; 0.75,0.40,0.75,0.50,0.25,0.25,0.75,1.00,0.25; 0.25,0.60,0.50,0.50,0.50,0.50,0.75,0.75,0.50; 0.75,0.40,0.50,0.50,0.75,0.75,0.25,0.00,1.00; 0.25,0.60,0.50,0.50,0.75,0.25,0.25,0.50,0.50; 0.25,0.60,0.50,0.50,0.25,0.25,0.75,1.00,0.50; 0.50,0.50,0.50,0.50,1.00,0.75,0.25,1.00,0.50; 0.00,0.75,0.75,0.50,0.50,0.75,0.25,1.00,0.50; 0.35,0.65,0.5,0.5,0.55,0.5,0.7,0.5,0.55;t= 0,0,0,1; 0,0,1,0; 0,0,1,1; 0,1,0,0; 0,1,0,1; 0,1,1,0; 0,1,1,1; 1,0,0,0; 1,0,0,1; 1,0,1,0; 1,0,1,1; 1,1,0,0;%网络设计和训练%X=x;T=t;X1=X(:,1:12);%测试第13组T1=T(:,1:12);%测试第13组%建立神经网络，19,4隐层为2*输入+1,4为输出net=newff(minmax(X1),19,4,tansig,logsig,trainlm);net.trainparam.epochs=1000;net.trainparam.goal=0.0001;net=train(net,X1,T1);y1=sim(net,X1);%测试y1=sim(net,X1);X_test=X(:,13);%测试第13组Y_test=sim(net,X_test);运行程序，可以得到结果：图1 误差变化曲线经过网络训练后，根据下表所示的一组测试样本，对网络进行测试。序号故障征兆抽气流量抽气压力进口压力进口水温出口水温混合水温出口端差水位疏水温度10.350.650.500.500.550.500.700.500.55根据上表中的数据，把需测试的数据写到第十三组。运行结果：x = Columns 1 through 12 0.5000 0.2500 0.7500 0.2500 0.2500 0.7500 0.2500 0.7500 0.2500 0.2500 0.5000 0 0.5000 0.6000 0.4000 0.6000 0.6000 0.4000 0.6000 0.4000 0.6000 0.6000 0.5000 0.7500 0.5000 0.5000 0.7500 0.5000 0.5000 0.7500 0.5000 0.5000 0.5000 0.5000 0.5000 0.7500 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.7500 0.5000 0.5000 0.2500 0 0.2500 0.5000 0.7500 0.7500 0.2500 1.0000 0.5000 0.7500 0.5000 0.5000 0.2500 0 0.2500 0.5000 0.7500 0.2500 0.2500 0.7500 0.7500 0.2500 0.7500 0.5000 0.7500 1.0000 0.7500 0.7500 0.2500 0.2500 0.7500 0.2500 0.2500 0.5000 0.5000 0.5000 0.5000 0.5000 1.0000 0.7500 0 0.5000 1.0000 1.0000 1.0000 0.5000 0.5000 0.5000 0.5000 0.5000 0.2500 0.5000 1.0000 0.5000 0.5000 0.5000 0.5000 Column 13 0.3500 0.6500 0.5000 0.5000 0.5500 0.5000 0.7000 0.5000 0.5500Y_test = 0.0068 0.0101 0.9869 0.0001也就是说近似于：0010由此可见，网络的分类结果是正确的。也就是说，网络成功诊断出系统此次发生的故障为B类故障，即排气管不畅。因此B