【文章內(nèi)容簡(jiǎn)介】 （1）可用于系統(tǒng)模型未知或系統(tǒng)模型較為復(fù)雜，以及非線性系統(tǒng)的故障模式識(shí)別。 （2）兼有故障信號(hào)的模式變換和特征提取功能。 （3）對(duì)系統(tǒng)含有不確定因素、噪聲及輸入模式不完備的情況下不太敏感。 （4）可用于復(fù)雜多模式的故障診斷。 （5）可用于離線診斷，也能適應(yīng)實(shí)時(shí)監(jiān)測(cè)的要求。 。預(yù)處理預(yù)處理特征選擇/提取特征選擇/提取診斷神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練數(shù)據(jù)處理診斷原始數(shù)據(jù)訓(xùn)練樣本數(shù)據(jù)診斷結(jié)果 基于神經(jīng)網(wǎng)絡(luò)模式識(shí)別功能的診斷系統(tǒng)結(jié)構(gòu)，基于神經(jīng)網(wǎng)絡(luò)的診斷過(guò)程分為兩步。首先，基于一定數(shù)量的訓(xùn)練樣本集（通常稱為“征兆—故障”數(shù)據(jù)集）對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到期望的診斷網(wǎng)絡(luò)；其次，根據(jù)當(dāng)前診斷輸入對(duì)系統(tǒng)進(jìn)行診斷，診斷的過(guò)程即為利用神經(jīng)網(wǎng)絡(luò)進(jìn)行前向計(jì)算的過(guò)程。在學(xué)習(xí)和診斷之前，通常需要對(duì)診斷原始數(shù)據(jù)和訓(xùn)練樣本數(shù)據(jù)進(jìn)行適當(dāng)?shù)奶幚?，包括預(yù)處理和特征選取/提取等。目的是為診斷網(wǎng)絡(luò)提供合適的診斷輸入和訓(xùn)練樣本。此外，盡管神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的故障診斷是兩種不同的診斷方式，但兩者是緊密聯(lián)系在一起的。如采用小波分析等數(shù)據(jù)處理方法，可以為神經(jīng)網(wǎng)絡(luò)診斷提供可以利用的特征向量。前向BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)的學(xué)習(xí)算法屬于有教師型的。這種算法模型具有很好的推廣能力，用于故障模式識(shí)別的效果比較好。訓(xùn)練好的BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)計(jì)算速度快、內(nèi)存消耗低，可用于實(shí)時(shí)監(jiān)測(cè)和診斷。但是這兩種模型要求學(xué)習(xí)樣本具有一定的致密性、遍歷性和相容性，在實(shí)際工程中，有時(shí)候獲得這樣的樣本比較困難。利用BP網(wǎng)絡(luò)進(jìn)行故障診斷的一般步驟和注意事項(xiàng)如下： （1）確定合理的網(wǎng)絡(luò)結(jié)構(gòu)和規(guī)模，有氣是網(wǎng)絡(luò)中間層神經(jīng)元個(gè)數(shù)的選擇是網(wǎng)絡(luò)結(jié)構(gòu)確定和網(wǎng)絡(luò)性能的關(guān)鍵。 （2）確定訓(xùn)練樣本集和測(cè)試集。訓(xùn)練樣本集用于對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，而測(cè)試集用于檢測(cè)網(wǎng)絡(luò)訓(xùn)練的效果和推廣能力。一般來(lái)說(shuō)，訓(xùn)練樣本集不僅應(yīng)全面涵蓋所有故障模式類的數(shù)據(jù)，還應(yīng)具有一定的代表性，同時(shí)還必須保證學(xué)習(xí)的有效性。測(cè)試樣本集的選擇應(yīng)該滿足“交叉檢驗(yàn)（cross validation）”的原則?！　。?）根據(jù)訓(xùn)練樣本集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)過(guò)測(cè)試的訓(xùn)練結(jié)果即為神經(jīng)網(wǎng)絡(luò)故障診斷知識(shí)庫(kù)?！　。?）根據(jù)診斷輸入，利用BP網(wǎng)絡(luò)進(jìn)行診斷?！　RT網(wǎng)絡(luò)和SOM網(wǎng)絡(luò)均屬于無(wú)教師的競(jìng)爭(zhēng)學(xué)習(xí)的自組織網(wǎng)絡(luò)。ART網(wǎng)絡(luò)可以在線學(xué)習(xí)，邊學(xué)習(xí)邊記憶。給網(wǎng)絡(luò)提供一組樣本，它自動(dòng)形成一組分類模式。如果一個(gè)新的輸入不能歸于任何一個(gè)已經(jīng)形成的模式類中，網(wǎng)絡(luò)又自動(dòng)生成一個(gè)新的模式類，同時(shí)如果新的輸入在已經(jīng)形成的模式類中可以找到一個(gè)相似的類，那么這個(gè)輸入歸入該模式類，且網(wǎng)絡(luò)更接近這個(gè)輸入的方向進(jìn)行調(diào)整。SOM網(wǎng)絡(luò)采用離線的方式進(jìn)行學(xué)習(xí)，它能夠很好地進(jìn)行特征提取，適用于用做最鄰近分類器。目前，這兩類網(wǎng)絡(luò)在故障診斷中應(yīng)用還比較少。雖然這類模型的推廣性能沒(méi)有BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)的好，但它們具有的自組織和自適應(yīng)特性為在復(fù)雜系統(tǒng)故障診斷中的應(yīng)用奠定了堅(jiān)實(shí)的基礎(chǔ)。 MATLAB基礎(chǔ)知識(shí)　Matlab簡(jiǎn)介MATLAB是由美國(guó)Math works公司發(fā)布的主要面對(duì)科學(xué)計(jì)算、可視化以及交互式程序設(shè)計(jì)的高科技計(jì)算環(huán)境。它將數(shù)值分析、矩陣計(jì)算、科學(xué)數(shù)據(jù)可視化以及非線性動(dòng)態(tài)系統(tǒng)的建模和仿真等諸多強(qiáng)大功能集成在一個(gè)易于使用的視窗環(huán)境中，為科學(xué)研究、工程設(shè)計(jì)以及必須進(jìn)行有效數(shù)值計(jì)算的眾多科學(xué)領(lǐng)域提供了一種全面的解決方案，并很大程度上擺脫了傳統(tǒng)非交互式程序設(shè)計(jì)語(yǔ)言（如C、Fortran）的編輯模式，代表了當(dāng)今國(guó)際科學(xué)計(jì)算軟件的先進(jìn)水平。MATLAB和Mathematica、Maple并稱為三大數(shù)學(xué)軟件。它在數(shù)學(xué)類科技應(yīng)用軟件中在數(shù)值計(jì)算方面首屈一指。MATLAB可以進(jìn)行矩陣運(yùn)算、繪制函數(shù)和數(shù)據(jù)、實(shí)現(xiàn)算法、創(chuàng)建用戶界面、連接其他編程語(yǔ)言的程序等，主要應(yīng)用于工程計(jì)算、控制設(shè)計(jì)、信號(hào)處理與通訊、圖像處理、信號(hào)檢測(cè)、金融建模設(shè)計(jì)與分析等領(lǐng)域。MATLAB的基本數(shù)據(jù)單位是矩陣，它的指令表達(dá)式與數(shù)學(xué)、工程中常用的形式十分相似，故用MATLAB來(lái)解決問(wèn)題要比用C，F(xiàn)ORTRAN等語(yǔ)言完成相同的事情簡(jiǎn)捷得多，并且MATLAB也吸收了像Maple等軟件的優(yōu)點(diǎn)，使MATLAB成為一個(gè)強(qiáng)大的數(shù)學(xué)軟件。在新的版本中也加入了對(duì)C，F(xiàn)ORTRAN，C++，JAVA的支持?？梢灾苯诱{(diào)用，用戶也可以將自己編寫(xiě)的實(shí)用程序?qū)氲組ATLAB函數(shù)庫(kù)中方便自己以后調(diào)用。此外，許多的MATLAB愛(ài)好者都編寫(xiě)了一些經(jīng)典的程序，用戶可以直接進(jìn)行下載就可以用。在本次課題的最后用MATLAB建立的隨機(jī)地貌的仿真程序，為后期建立二維軌跡與實(shí)際地貌的相匹配做準(zhǔn)備工作。 MATLAB產(chǎn)生的歷史背景 MATLAB名字的產(chǎn)生應(yīng)該追溯到兩個(gè)英文單詞：Matrix和Laboratory，它由這兩個(gè)單詞前3個(gè)字母組合而成。20世紀(jì)70年代后期，為L(zhǎng)inpack和Eispack兩個(gè)矩陣運(yùn)算的軟件包編寫(xiě)了接口程序，從而為學(xué)生編寫(xiě)Fortran程序減輕負(fù)擔(dān)，此即MATLAB的萌芽。經(jīng)過(guò)幾年的校際流傳，在Little的推動(dòng)下，由Little、Moler、Steve Bangert合作，于1984年成立了MathWorks公司，并把MATLAB正式推向市場(chǎng)。從這時(shí)起，MATLAB的內(nèi)核采用C語(yǔ)言編寫(xiě)，而且除原有的數(shù)值計(jì)算能力以外，還增了數(shù)據(jù)圖形可視化功能。MATLAB以商品形式出現(xiàn)后，僅短短幾年，就以其良好的開(kāi)放性和運(yùn)行的可靠性，是原先控制領(lǐng)域里的封閉式軟件包（如英國(guó)的UMIST、瑞典的LUND和SIMNON、德國(guó)的KEDDC）紛紛淘汰，而改以MATLAB為平臺(tái)加以重建。當(dāng)時(shí)間邁入20世紀(jì)90年代時(shí)，MATLAB已經(jīng)成為國(guó)際公認(rèn)的標(biāo)準(zhǔn)計(jì)算軟件。 MATLAB的語(yǔ)言特點(diǎn)經(jīng)過(guò)20多年應(yīng)用實(shí)踐，人們已經(jīng)認(rèn)識(shí)到：MATLAB作為一種計(jì)算工具和科技資源，可以擴(kuò)大科學(xué)研究的范圍、提高工程生產(chǎn)的效率、縮短開(kāi)發(fā)周期、加快探索步伐、激發(fā)創(chuàng)作靈感。MATLAB語(yǔ)言有許多特點(diǎn)：（1） 語(yǔ)言簡(jiǎn)潔，代碼靈活，極其豐富的庫(kù)函數(shù)資源。（2） 豐富靈活的運(yùn)算符。（3） 面向?qū)ο缶幊毯徒Y(jié)構(gòu)化的控制功能。（4） 程序設(shè)計(jì)自由度較大。（5） 程序可移植性好，基本上不做修改就可以在各種型號(hào)的計(jì)算機(jī)和操作系統(tǒng)上運(yùn)行。（6） 功能強(qiáng)大的圖形功能。（7） 分門(mén)別類的工具箱是該軟件的另一大特點(diǎn)。（8） 開(kāi)放性的共享源代碼。3 網(wǎng)絡(luò)故障診斷及BP算法 幾種常見(jiàn)的網(wǎng)絡(luò)故障診斷方法 所謂故障診斷，就是識(shí)別機(jī)器、設(shè)備的技術(shù)狀態(tài)是否正常，包括確定故障的性質(zhì)、發(fā)現(xiàn)故障的部位、尋找故障的起因以及提出排除故障的相應(yīng)措施。目前常用的故障診斷方法有： （1）基于解析模型的方法。如故障樹(shù)的方法、參數(shù)估計(jì)方法、狀態(tài)估計(jì)方法和等價(jià)空間方法等； （2）基于信號(hào)處理的方法。如相關(guān)分析、頻譜分析、小波分析等； （3）基于知識(shí)的智能診斷方法。如基于事例的推理、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)算法以及信息融合故障診斷方法等?！　」收显\斷方法一般分為三個(gè)步驟：第一步是檢測(cè)系統(tǒng)狀態(tài)的特征信號(hào)；第二步是從所檢測(cè)到的特征信號(hào)中提取征兆；第三步是根據(jù)征兆和其他診斷信息來(lái)識(shí)別檢測(cè)設(shè)備的狀態(tài)，從而完成故障診斷。　　作為故障診斷的一個(gè)分支，網(wǎng)絡(luò)故障診斷所使用的方法也可以分為上述的三種方法。隨著計(jì)算機(jī)網(wǎng)絡(luò)的飛速發(fā)展，網(wǎng)絡(luò)規(guī)模的日益擴(kuò)大，簡(jiǎn)單的網(wǎng)絡(luò)故障診斷方法已不能勝任現(xiàn)代復(fù)雜網(wǎng)絡(luò)的故障診斷任務(wù)，基于知識(shí)的智能診斷方法成為了網(wǎng)絡(luò)故障診斷的主流方法。而在現(xiàn)有的網(wǎng)絡(luò)故障智能診斷系統(tǒng)中，基于人工神經(jīng)網(wǎng)絡(luò)的方法具有很好的容錯(cuò)性，不需要從經(jīng)驗(yàn)知識(shí)中歸納出FITHEN形式的經(jīng)驗(yàn)規(guī)則，從而有利于克服基于符號(hào)推理方法的知識(shí)獲取瓶頸；且不像基于符號(hào)推理的方法對(duì)于規(guī)則或模型中存在的錯(cuò)誤很敏感；另外該方法支持并行計(jì)算，隨著并行技術(shù)和硬件的發(fā)展，必將得到更為廣泛的應(yīng)用。 幾種典型的神經(jīng)網(wǎng)絡(luò)模型 人工神經(jīng)網(wǎng)絡(luò)自誕生以來(lái)，主要產(chǎn)生了下面四個(gè)典型的神經(jīng)網(wǎng)絡(luò)模型： （1）前向多層神經(jīng)網(wǎng)絡(luò)模型（BP模型） 這種模型是目前應(yīng)用最多也是最有效的神經(jīng)網(wǎng)絡(luò)模型，本文將在后續(xù)部分詳細(xì)介紹分析這個(gè)模型。 （2）Hopfield模型 1982年，這個(gè)網(wǎng)絡(luò)稱為Hopfield網(wǎng)絡(luò)模型，也稱Hopfield模型。Hopfield神經(jīng)網(wǎng)絡(luò)模型是一種循環(huán)神經(jīng)網(wǎng)絡(luò)，從輸出到輸入有反饋連接。Hopfield網(wǎng)絡(luò)有離散型和連續(xù)型兩種。 反饋神經(jīng)網(wǎng)絡(luò)由于其輸出端有反饋到其輸入端；所以，Hopfield網(wǎng)絡(luò)在輸入的激勵(lì)下，會(huì)產(chǎn)生不斷的狀態(tài)變化。當(dāng)有輸入之后，可以求取出Hopfield的輸出，這個(gè)輸出反饋到輸入從而產(chǎn)生新的輸出，這個(gè)反饋過(guò)程一直進(jìn)行下去。如果Hopfield網(wǎng)絡(luò)是一個(gè)能收斂的穩(wěn)定網(wǎng)絡(luò)，則這個(gè)反饋與迭代的計(jì)算過(guò)程所產(chǎn)生的變化越來(lái)越小，一旦到達(dá)了穩(wěn)定平衡狀態(tài)；那么Hopfield網(wǎng)絡(luò)就會(huì)輸出一個(gè)穩(wěn)定的恒值。對(duì)于一個(gè)Hopfield網(wǎng)絡(luò)來(lái)說(shuō)，關(guān)鍵是在于確定它在穩(wěn)定條件下的權(quán)系數(shù)。 （3）自適應(yīng)共振理論ART模型 自適應(yīng)共振理論ART（Adaptive Resonance Theory）。 ART是一種自組織神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，是無(wú)教師的學(xué)習(xí)網(wǎng)絡(luò)。當(dāng)在神經(jīng)網(wǎng)絡(luò)和環(huán)境有交互作用時(shí)，對(duì)環(huán)境信息的編碼會(huì)自發(fā)地在神經(jīng)網(wǎng)中產(chǎn)生，則認(rèn)為神經(jīng)網(wǎng)絡(luò)在進(jìn)行自組織活動(dòng)。ART就是這樣一種能自組織地產(chǎn)生對(duì)環(huán)境認(rèn)識(shí)編碼的神經(jīng)網(wǎng)絡(luò)理論模型。 ATR模型是基于下列問(wèn)題的求解而提出的： ，要求它有適應(yīng)性及穩(wěn)定性，適應(yīng)性可以響應(yīng)重要事件，穩(wěn)定性可以存儲(chǔ)重要事件。 ，原有的信息和新信息如何處理，保留有用知識(shí)，接納新知識(shí)的關(guān)系如何及解決的問(wèn)題。 。 （4）Kohonen模型 對(duì)大腦的研究說(shuō)明，大腦是由大量協(xié)同作用的神經(jīng)元群體組成的。大腦的神經(jīng)網(wǎng)絡(luò)是一個(gè)十分復(fù)雜的反饋系統(tǒng)；在這個(gè)系統(tǒng)含有各種反饋?zhàn)饔?，有整體反饋，局部反饋；另外，還有化學(xué)交互作用。在大腦處理信息的過(guò)程中，聚類是其極其重要的功能。大腦通過(guò)聚類過(guò)程從而識(shí)別外界信號(hào)，并產(chǎn)生自組織過(guò)程。 依據(jù)大腦對(duì)信號(hào)處理的特點(diǎn)，在1981年，也就是自組織特征映射模型SOM（Seh—Organizing fenture Map）。 Kohonen認(rèn)為人的大腦有如下特點(diǎn)： ，但是它們的排序不同。排序不是指神經(jīng)元位置的移動(dòng)，而是指神經(jīng)元的有關(guān)參數(shù)在神經(jīng)網(wǎng)絡(luò)受外部輸入刺激而識(shí)別事物的過(guò)程中產(chǎn)生變動(dòng)。 ；具有這種特定參數(shù)組織的神經(jīng)網(wǎng)絡(luò)對(duì)外界的特定事物特別敏感。 ，大腦皮層分成多種不同的局部區(qū)域，各個(gè)區(qū)域分別管理某種專門(mén)的功能，比如聽(tīng)覺(jué)、視覺(jué)、思維等。 ，但會(huì)在外界信息的刺激下，不斷接受傳感信號(hào)，不斷執(zhí)行聚類過(guò)程，形成經(jīng)驗(yàn)信息，對(duì)大腦皮層的功能產(chǎn)生自組織作用，形成新功能。 Kohonen的思想在本質(zhì)上是希望解決有關(guān)外界信息在人腦中自組織地形成概念的問(wèn)題。對(duì)于一個(gè)系統(tǒng)來(lái)說(shuō)，就是要解決一個(gè)系統(tǒng)在受外界信息作用時(shí)在內(nèi)部自組織地形成對(duì)應(yīng)表示形式。這包括神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)調(diào)整?！　∩窠?jīng)網(wǎng)絡(luò)的自調(diào)整過(guò)程和大腦的自組織過(guò)程是相仿的。由于神經(jīng)網(wǎng)絡(luò)是由可以自調(diào)整的神經(jīng)元組成；所以，可以自組織成對(duì)外界信息中某一種特征敏感的形式。　　 BP神經(jīng)網(wǎng)絡(luò)模型在故障診斷領(lǐng)域應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)模型是前向多層神經(jīng)網(wǎng)絡(luò)模型（BP模型）。isω（1，1） BP網(wǎng)絡(luò)中的神經(jīng)元模型 a BP網(wǎng)絡(luò)中的神經(jīng)元模型 ，它具有R個(gè)輸入，每個(gè)輸入都通過(guò)一個(gè)適當(dāng)?shù)臋?quán)值與神經(jīng)元相連接，神經(jīng)元的輸出可以表示成： （）　　BP網(wǎng)絡(luò)中基本神經(jīng)元的激活函數(shù)必須處處可微，所以經(jīng)常使用S型的對(duì)數(shù)或正切激活函數(shù)，或者是線性函數(shù)。 BP網(wǎng)絡(luò)結(jié)構(gòu)　　BP網(wǎng)絡(luò)通常有一個(gè)輸入層，一個(gè)輸出層和位于輸入層和輸出層之間的隱含層，隱含層可以有一層或者多層。在隱層中的神經(jīng)元也稱隱單元。隱含層雖然不和外界直接連接，但是它們的狀態(tài)會(huì)影響輸入輸出之間的關(guān)系。這也就是說(shuō)，改變隱含層的權(quán)系數(shù)，可以改變整個(gè)多層神經(jīng)網(wǎng)絡(luò)的性能。............輸入層隱含層輸出層　　　　　　　　　　　　　　　　 　　 前向多層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)　　 理論上已經(jīng)證明，在BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)量可以根據(jù)實(shí)際需要進(jìn)行自由設(shè)置的前提下，三層前向神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)以任意精度逼近任意連續(xù)函數(shù)的功能，因此本文中將采用標(biāo)準(zhǔn)的三層網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)形式組成輸入層、隱含層與輸出層三部分。其中，每個(gè)輸入節(jié)點(diǎn)對(duì)應(yīng)一種故障征兆輸入，相鄰層采用互聯(lián)方式連接，同層各神經(jīng)元之間沒(méi)有任何連接，輸出層與輸入層之間也沒(méi)有直接的聯(lián)系?！　? BP神經(jīng)網(wǎng)絡(luò)算法及執(zhí)行步驟 BP神經(jīng)網(wǎng)絡(luò)算法 BP 算法簡(jiǎn)單的來(lái)說(shuō), 是把訓(xùn)練樣本從輸入層輸入, 通過(guò)每個(gè)節(jié)點(diǎn)對(duì)應(yīng)的閾值、函數(shù)以及節(jié)點(diǎn)之間連接權(quán)值的運(yùn)算, 經(jīng)過(guò)輸入層、隱含層, 傳播到輸出層得到計(jì)算輸出, 該輸出和其對(duì)應(yīng)的期望輸出比較, 得出誤差。如果誤差不符合要求, 將誤差沿輸入相反的方向進(jìn)行傳播并沿誤差降低方向調(diào)節(jié)權(quán)值和函數(shù)的閾值。用多個(gè)訓(xùn)練樣本對(duì)網(wǎng)絡(luò)進(jìn)行反復(fù)的訓(xùn)練, 直至誤差符合要求。 BP算法實(shí)質(zhì)是求取誤差函數(shù)的最小值問(wèn)題。這種算法采用非線性規(guī)劃中的最快速下降方法，按誤差函數(shù)的負(fù)梯度方向修改權(quán)系數(shù)。　　BP神經(jīng)網(wǎng)絡(luò)的第k層中第j個(gè)神經(jīng)元具有如下輸入輸出關(guān)系：　　 （）（k=1，2，...，M；j=1，2，...，）　　式（）中，為第kl層的第i個(gè)節(jié)點(diǎn)到該節(jié)點(diǎn)的連接權(quán)值；為該神經(jīng)元的閾值；為第k1層第i個(gè)節(jié)點(diǎn)的輸出；為節(jié)點(diǎn)作用函數(shù)；為第k層節(jié)點(diǎn)數(shù)；M為總層數(shù)?！　∑渲腥镾igmoid函數(shù)，即