神经网络实例(matlab)

《神经网络实例(matlab)》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、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《ParallelDistributedProcessing》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（ErrorBackProragation，简称BP）算法进行了详尽的分

2、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

3、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；1）调整各层权值；2）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

4、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B

5、P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1）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.

6、500.500.750.500.50B001030.750.400.750.500.500.500.500.500.50C001140.250.600.500.500.250.250.750.500.50D010050.250.600.500.500.000.001.000.500.50E010160.750.400.750.500.250.250.751.000.25F011070.250.600.500.500.500.500.750.750.50G011180.750.400.500.500.750.750.250.001.00H1

7、00090.250.600.500.500.750.250.250.500.50I1001100.250.600.500.500.250.250.751.000.50J1010110.500.500.500.501.000.750.251.000.50K1011120.000.750.750.500.500.750.251.000.50L1100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

8、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