神经网络在故障诊断中的应用

人工神经网络是近年来发展迅速，广泛地应用于各个领域，包括航天，自动控制，金融，电子，制造，医药等多个行业，已经有许多成功的先例，并展示了更为广阔的应用前景。基于神经网络的故障诊断不需要建立精确的数学模型，可以处理非线性问题，具有并行计算能力，不需要诊断和推理规则，它通过一组样本的输入与输出之间的映射关系进行按照设定的准则可以自学习。

运用于故障诊断中的一般神经网络

目前，非线性系统的故障诊断与容错的方法的研究，是目前研究的热点和难点。神经网络以分布的方式存储信息，通过神经元之间拓扑结构和权值分布逼近非线性系统，并能做到并行运算，具有一定的泛化和容错能力。近年来，神经网络在故障诊断及容错控制中的应用得到了广泛的关注。其中，应用BP神经网络的研究较多。BP网络是一种多层前向网络，由输入层、隐层和输出层组成，如图所示。
 

图1 3层BP模型神经网络
BP神经网络利用网络误差平方和对网络层输入的导数来调成其权值和阈值，从而降低误差平方和。训练从计算每一层的输出开始，直到得到网络的输出矢量，目标矢量减去网络的输出得到误差矢量，利用梯度下降方法，通过后项传播算法来训练MLP。在设计神经网络进行故障诊断时，根据解决问题的特点和系统特征，选择合适的网络类型，是十分重要的，但并不是所有的问题都是和采用BP神经网络。

基于多层网络的故障诊断

在解决复杂系统的故障诊断，特别对分布式系统，基于神经网络的诊断系统在构造上不免会十分庞大，造成神经网络的学习时间长，可靠性降低。此时可以采用基于多网构造的诊断系统。分层结构方法是目前在复杂系统故障诊断中常用的方法。在分步式的多层神经网络诊断系统中，各个子网可以分配不同的任务，每个子网只接受部分的输入，处理总任务的一部分，各个子网的输出合成总的运算结果，这样就提高了计算速度。也可以同时执行同样的计算，每一个子网都在接受所有输入的模式下工作，但使用不同的算法，以增强系统的可靠度。这两种方法当然也可以结合使用。
以多层神经网络应用于柴油机引擎的故障早期检测与分离为例。采用综合组网的方式，整个系统包括两层4个模块，其中1个主模块，3个从模块。系统的输出通过多数表决法决定。

图2 一种多层神经网络 (MNN)
遗传算法与神经网络相结合进行故障诊断​​​​​​​

​​​​​​​
点击完整阅读原文

神经网络在故障诊断中的应用

相关阅读推荐： 

基于Matlab平台的BP神经网络进行数据拟合

matlab 神经网络 遗传算法工具箱联合使用

机械故障诊断基础研究“何去何从”