北航神经网络作业-神经网络在采煤机故障诊断中的应用

1、.智能控制及运用作业二 ：.；第页目录 TOC o 1-3 h z u HYPERLINK l _Toc308337201 1.标题分析 PAGEREF _Toc308337201 h 1 HYPERLINK l _Toc308337202 2.学习算法 PAGEREF _Toc308337202 h 1 HYPERLINK l _Toc308337203 3.单层感知器的VC+程序实现 PAGEREF _Toc308337203 h 44. HYPERLINK l _Toc308337204 神经网络在采煤机缺点诊断中的运用 PAGEREF _Toc308337204 h 7 HYPERLI

2、NK l _Toc308337205 参考文献： PAGEREF _Toc308337205 h 9标题分析本章主要讲诉的是主要是神经网络控制及其运用的相关内容，作业标题共有两题，标题要求如下：1、设计一个实现逻辑“与的单计算层感知器，并写出其学习算法和程序。2、严密结合本人的专业背景、科研方向或处理问题的阅历，谈谈学习人工神经网络或神经网络控制的必要性。要求阐明本人的科研或专业背景，拟关注的问题或研讨方向，与人工神经网络有什么关联。单层感知器即三层输入层、隐层和输出层，结点数分别为4、3和2网络，其学习算法根据教材相关内容采用BP学习算法。学习算法根据教材中的相关引见，神经网络算法主要步骤如

3、下：初始化，分别对输入层到隐层和隐层到输出层的权值矩阵W, V赋随机数，将样本计数器p和训练次数计数器q置为1，误差E置为0，学习率 QUOTE 设为0-1间的小数，网格训练精度Emin设为一正的小数。输入训练样本，计算各层输出。用当前样本、对向量数组X、d赋值，根据以下公式计算Y和O中各分量：= f() , k= 1,2,3l= f(), j= 1,2,3m计算各节点的实践输出。；调整各层权值，按下式计算和：检查能否对一切样本完成一次轮训。假设完成，那么进展下一步进展均方根误差计算；否那么，前往步骤2。计算网络总误差，检查能否到达精度要求。假设到达计算要求，训练终了；否那么，E置0，p置1，

4、并前往步骤2，继续计算，直到到达精度要求为止。详细的流程图如下：单层感知器的VC+程序实现按照3.1章节的学习算法，即可对其进展计算机编程实现，编程环境采用Microsoft Visual Studio 2021，程序清单如下：#include stdafx.h#include #include #include int i=0;int X14 = 0, 0,1, 1，X24 = 0, 1,0, 1;int d4 = 0,0,0, 1; /样本X的期望输出值 float w2，y,e4;float ec=0.0001;/指定输出偏向值float step = 0.5; /学习步长float b

5、=0.6; /阈值/定义激活函数float f(float x)if (x0)return 1;else return 0;/定义学习训练函数void xx (int i)y=w0*X1i+w1*X2i;y=f(y-b);eci=di-y;/权值调整函数void repower(int i)w0=w0+step*eci*X1i;w1=w1+step*eci*X2i;int _tmain(int argc, _TCHAR* argv)int count=0;/记录感知器训练次数/初始化W矩阵int j;for(j=0;j100)printf( 单层感知器学习训练次数过多，请重新调整初始权值n);

6、break;if(i=4)i=0;if(i4)xx(i);repower(i);i+;while(ec0EC&ec1EC&ec2EC&ec3EC);if(count100)printf( 权值矩阵w0=%fn, w0 );printf( 权值矩阵w1=%fn, w1 );printf( n经过学习训练%d 次到达要交n, count );printf( n单层感知器学习完成n);return 0;作业二：神经网络在采煤机缺点诊断中的运用本人本科阶段就读于中国矿业大学机电工程学院，毕业设计时做的标题为采煤机截割部的相关设计。采煤机是煤矿消费中非常关键的设备，是一个集机械、电子、电气、液压传动于一

7、体的复杂系统。因其任务环境非常恶劣，运转中经常出现缺点影响消费，甚至呵斥整个煤矿消费系统的瘫痪。因此、对采煤机的在线监测和缺点诊断是非常必要的。经过智能控制课程中关于神经网络控制部分的相关学习，我了解到人工神经网络是自创于生物神经网络而开展起来的新型智能信息处置系统，神经网络具有大规模并行，分布式存储和处置、联想记忆、自组织、自顺应和自学习才干，特别适用于处置需求同时思索许多要素和条件的、不准确的和模糊的信息问题。目前最广泛运用的采煤机由截割部、牵引部、电动机和附属安装四大部分组成。截割部采用齿轮传动，牵引部采用液压传动，采煤机的大多数缺点出如今这两部分。思索到采煤机构造复杂、缺点景象多等特点

8、，假设输入层神经元数目太大，会影响到整个网络的学习速度和训练质量，运用模块分解技术将采煤机缺点分为假设干个学习模块，如电机模块、轴承模块、液压系统模块等，各模块独立进展训练和诊断，本文主要讨论采煤机截割部的缺点诊断问题。截割部的传动部运动简图如图1：图1 采煤机截割部传动简图由于截割部采用齿轮传动，因此截割部的主要缺点发生在齿轮和轴承处。查阅相关文献发现可采用压电加速度传感器拾取各测点振动信号，如以下图2所示，经数据采集系统，数据处置系统对采煤机截割头部的振动形状进展监测，就其齿轮、轴承振幅大小作为截割部传动系统缺点与否的判据，共选取8个测试点作为检测对象。如图3所示，采用BP网络构造，详细构

9、造为：输入节点8个，输出节点4个，隐层数为一层，隐层节点数为9点，这种模型能较好地反映采煤机截割头部的缺点程度。图2 采煤机截割部缺点诊断BP网络传感器在线监测电机电流信号，轴承的温度信号、振动信号、油温信号等，这些信号经数字滤波、特征值提取等预处置获得各种特征量。提取振动信号的时域特征：均值、方差、偏斜度、峭度为特征量，将这些特征量作为输入加载到神经网络用于缺点分析。根据八个测试点的输入量诊断出确切部位的缺点程度并提出缺点处置的方案。查阅相关文献神经网络在采煤机缺点诊断方面确实可行，但是还存在着以下的一些问题，主要有：网络学习算法是一个非线性优化问题，不可防止地存在部分极小值问题。虽然有许多

10、改良 算法，然而其学习收敛速度依然很慢。网络的隐含层数、隐含神经元的个数选取尚无实际上的根据，完全凭阅历决策。网络必需经过比较费时的离线训练，而且训练样本对数要全面而丰富。人工神经网络已胜利的运用于一些行业的缺点诊断，例如：航天飞机主发动机的实时诊断，汽轮机的诊断等。虽然人工神经网络真正非常胜利的运用于各个领域还有许多问题亟待进一步处理，但人工神经网络为人们处理实践问题提供了一个崭新的手段，置信人工神经网络在采煤机缺点诊断方面会有令人鼓舞的成果。参考文献：1 韩立群. 智能控制实际及运用.北京：机械工业.20072 张寒松，贾瑞清等. 采煤机的缺点分析与诊断及其开展趋势.矿冶.北京:中国矿业大学.