概率神经网络在发动机故障诊断中的应用.pdf

《概率神经网络在发动机故障诊断中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、概率神经网络在发动机故障诊断中的应用石磊．等概率神经网络在发动机故障诊断中的应用ApplicationofProbabilisticNeuralNetworkinEngineFaultDiagnosis石磊1,2互并威1(大连海事大学信息科学技术学院1，辽宁大连116026；渤海大学信息科学与工程学院2，辽宁锦州121000)摘要：由于发动机运行系统结构的复杂性，传统方法很难及时找出故障发生的原因，因此，提出采用概率神经网络PNN来实现对发动机运行系统的故障诊断。PNN是一种训练速度快、结构简单和应用广泛的人工

2、神经网络，它采用贝叶斯分类决策理论建立系统的数学模型；以高斯函数作为激励函数，具有非线性处理和抗干扰能力强等特点。Matlab仿真结果表明，该诊断方法快速准确且易于工程实现。关键词：概率神经网络发动机故障诊断Maflab非线性中图分类号：TPl83文献标志码：AAbstract：Inviewofthecomplexityofstructureinengineoperationsystem：andthecausesoffaultmdifficulttobediscoveredbytraditionalmethod

3、s。thusthePNN-basedimplementationoffaultdiagnosisforengineoperationsystemisproposed．ProbabilisticneuralnetworklPNN)isakindofwidelyusedartificialneuralnetworkofferingfasttrainingspeedwithsimplestructure，itusesBayesclassificationanddecisionmakingtheorytoestabli

4、shthemathematicalmodel；withGaussfunction蹦theenergizingfunction．thisnetworkfeaturespowerfulnonlinearprocessingandanti-interferencecapabilities．TheresultofMaflabsimulationshowsthatthisdiagnosismethodisrapid。preciseandeaseforengineeringim-plementation．Keywords：

5、Probabilisticneuralnetwork(PNN)EngineFaultdiagnosisMatlabNonlinearO引言随着发动机在我国经济领域的广泛应用，进行发动机运行系统故障诊断的研究对早期发现故障原因和部位、提高系统的运行可靠性，以及指定科学的维修制度具有现实意义。近年来，故障检测诊断方面的研究成果大量涌现，其大体可以分为基于解析模型的方法、基于定性模型和搜索策略的方法以及基于历史过程数据的方法共三类。本文衡量和比较了各种方法，并兼顾故障诊断的快速性、准确性和鲁棒性等指标，提出了一种基于

6、概率神经网络PNN(probabilisticneuralnetwork)的发动机运行系统的故障诊断方法。经Matlab仿真结果表明，该诊断方法快速准确且易于工程实现。l概率神经网络方法1．1PNN的优越性PNN是一种可用于模式分类的人工神经网络，其实质是基于贝叶斯最小风险准则发展而来的一种并行修改稿收到日期：2010—07—22。第一作者石磊．女，1981年生，现为大连海事大学控制理论与控制工程专业在读博士研究生；主要从事非线性控制和神经网络方面的研究。《自动化仪表》第32卷第3期2011年3月算法。相比BP

7、网络，PNN主要具有如下优点⋯。①过程简单，收敛速度快。BP网络的学习算法收敛速度慢且易陷入局部极小值，PNN的训练过程一步到位，训练时间仅略大于数据读取的时间，且不存在局部极小值；BP网络隐层单元的选取没有确定性法则，需要根据经验反复运算得到，PNN需调节的参数少，不需要确定隐层数和隐层中的神经元等网络结构。②网络总收敛于贝叶斯优化解，稳定性高。BP网络各层的连接权值的训练对初始值敏感，会随初始权值的不同而不同，从而导致分类结果的不同，造成分类结果的不确定；PNN基于贝叶斯最小风险准则对对象进行分类，可以最大

8、程度地利用故障先验知识，在足够多的训练样本的基础上保证获得贝叶斯准则下的最优解。③样本追加能力强，可以容忍个别错误的样本。BP网络修改训练样本后需要重新进行训练，网络的连接权值全部需要重新赋值，相当于重新建立整个网络；PNN网络只需增加或减少相应的模式层单元，新增加的输入层至模式层的连接权值只需将新样本归一化后直接赋值。④抗干扰能力强，有较强的诊断鲁棒性。基于PNN的故障诊断具有良好的