【正文】 00000000000000000000000000000000000000000000000001111100000000000000000000000001111111111000000000000000000000000011111111115 總結(jié)與展望社會(huì)在進(jìn)步，科技也伴隨著同時(shí)進(jìn)步，而電日常所用電子設(shè)備及生活電子設(shè)備也更加的先進(jìn)，這就要求我們對(duì)這些電子設(shè)備的維護(hù)更加的用心用力。按照分析的方法提取故障特征的平均值（mean）、最大值（max）、最小值（min）、方差（var）、偏度（skewness）、峭度（kurtosis），同樣我們把得到的數(shù)據(jù)進(jìn)行分組，分別把上述幾個(gè)故障的前10組進(jìn)行訓(xùn)練，后10組進(jìn)行測(cè)試。X = sim(net,xn_test)。 % 最大神經(jīng)元數(shù)(默認(rèn)為訓(xùn)練樣本個(gè)數(shù)) DF = 1。 % 訓(xùn)練誤差的平方和(默認(rèn)為0) spread = 40。 T = dn_train。 % 測(cè)試樣本 dn_test = x2。 % 訓(xùn)練樣本 dn_train = x1。其中net為神經(jīng)網(wǎng)絡(luò)對(duì)象，P為網(wǎng)絡(luò)輸入，Y為網(wǎng)絡(luò)輸出。神經(jīng)網(wǎng)絡(luò)仿真函數(shù)。此函數(shù)是通過(guò)它的網(wǎng)絡(luò)輸入的輕快，從而來(lái)確定神經(jīng)元的輸出。(3)radbas。newrb()能更有效進(jìn)行網(wǎng)絡(luò)設(shè)計(jì)，徑向基函數(shù)網(wǎng)絡(luò)逼近函數(shù)時(shí)，newrb()函數(shù)可以自動(dòng)增加網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)目．直到均方差滿足精度或者神經(jīng)元數(shù)目達(dá)到最大為止。格式為net=newrbe(P，T,SPREAD)，其中P為輸入向量，T為期望輸出向量(目標(biāo)值)，SPREAD為徑向基層的散步常數(shù)，缺省值為l。(1)newrbe()。所以說(shuō)spread的值要經(jīng)過(guò)多次嘗試，獲取最好仿真效果的值。spread并不是越大越好，當(dāng)其值取得較大時(shí)，函數(shù)的擬合會(huì)變得較平滑，然而也會(huì)帶來(lái)漏洞，例如，逼近誤差也會(huì)隨著其值的增大而增大，另外還會(huì)導(dǎo)致神經(jīng)元的個(gè)數(shù)增多，學(xué)習(xí)的速度自然會(huì)下降。（4）擴(kuò)展速度的確定spread，即RBF神經(jīng)網(wǎng)絡(luò)的擴(kuò)展速度。這種網(wǎng)絡(luò)的優(yōu)勢(shì)就是構(gòu)造起來(lái)很簡(jiǎn)潔，樣本訓(xùn)練的速度也比較快。即：概率神經(jīng)網(wǎng)絡(luò)，英文縮寫為PNN。（2）廣義回歸神經(jīng)網(wǎng)絡(luò)GRNNRBF神經(jīng)網(wǎng)絡(luò)不是單一的網(wǎng)絡(luò)，里面包含著多種網(wǎng)絡(luò)形式，例如廣義回歸神經(jīng)網(wǎng)絡(luò),英文縮寫為GRNN,它是通過(guò)徑向基神經(jīng)元以及線性神經(jīng)元的組合搭建而成，在診斷電路上的應(yīng)用在某種程度上精確度比單獨(dú)使用RBF網(wǎng)絡(luò)更高。 RBF神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì) 網(wǎng)絡(luò)的設(shè)計(jì)（1）隱藏層神經(jīng)元個(gè)數(shù)網(wǎng)絡(luò)會(huì)從初始值開始訓(xùn)練，神經(jīng)元數(shù)的初始值為0，每一次的輸出結(jié)果與設(shè)定的誤差做對(duì)比，如果不在設(shè)定誤差內(nèi)，將自動(dòng)更改神經(jīng)元數(shù)。（5）學(xué)習(xí)過(guò)程收斂速度快。（3）網(wǎng)絡(luò)連接權(quán)值與輸出呈線性關(guān)系。而要彌補(bǔ)這些缺點(diǎn)，我們就來(lái)了解下RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)（1）它具有唯一最佳逼近的特性，且無(wú)局部極小問(wèn)題存在。最后，網(wǎng)絡(luò)可能完全不能訓(xùn)練，主要表現(xiàn)在網(wǎng)絡(luò)出現(xiàn)的麻痹現(xiàn)象。其次，BP算法極易陷入局部極小值，得不到全局最優(yōu)解，改進(jìn)的BP算法中有附加動(dòng)量法可以避免此類現(xiàn)象的出現(xiàn)[12]。RBF神經(jīng)網(wǎng)絡(luò)具備典型的前向網(wǎng)絡(luò)的特點(diǎn)，精確度高、可靠性強(qiáng)、學(xué)習(xí)速度快、網(wǎng)絡(luò)設(shè)計(jì)簡(jiǎn)潔、逼近能力不俗且不存在局部極小等一系列的優(yōu)勢(shì)。RBF神經(jīng)網(wǎng)絡(luò)是一種典型的局部逼近神經(jīng)網(wǎng)絡(luò)．對(duì)于每個(gè)輸入輸出數(shù)據(jù)對(duì)，只有少量權(quán)值需要調(diào)整，從而使局部逼近網(wǎng)絡(luò)具有學(xué)習(xí)速度快的優(yōu)點(diǎn)。由此可看出這種網(wǎng)絡(luò)具有局部逼近能力。輸入層節(jié)點(diǎn)的功能是將輸入信號(hào)通過(guò)擴(kuò)散的特點(diǎn)傳遞到隱層，然后隱含層節(jié)點(diǎn)中的作用函數(shù)對(duì)輸入信號(hào)在局部產(chǎn)生響應(yīng)。輸出樣本集采用“0—1表示法，期望輸出為x,即為：x=[1，0，0，0，0；0，1，0，0，0；0，0，1，0，0；0，0，0，1，0；0，0，0，0，1]我們經(jīng)過(guò)1000次的訓(xùn)練調(diào)整，分類率在90%。同理，得到其它4種模式的輸入，輸出樣本集。 %最大訓(xùn)練時(shí)間Result = ~sum(abs(Xx2)) %正確分類顯示為1Percent = sum(Result)/length(Result)%正確分類率 SallenKey低通濾波器的故障診斷 由于數(shù)據(jù)龐大,我們選取了其中的SF0,SF1,SF3,SF5,SF8進(jìn)行研究。 %最小梯度 = 200。 %最大訓(xùn)練次數(shù) = 1e8。 %測(cè)試輸入T = dn_test。 %訓(xùn)練輸出Epochs = 1000。 %輸出維數(shù)p1 = xn_train。 %測(cè)試目標(biāo)NodeNum =10。 %訓(xùn)練目標(biāo)xn_test = n2。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的部分代碼如下：xn_train = n1。該函數(shù)的調(diào)用格式為：[net,tr,Y,E,Pf,Af]=train(NET,P,T,Pi,Ai)[net,tr,Y,E,Pf,Af]=train(NET,P,T,Pi,Ai,VV,TV) traingd函數(shù)為梯度下降BP算法函數(shù)。調(diào)用格式為：[dW,ls]=learngd(W,P,Z,N,A,T,E,gW,gA,D,LP,LS)[db,ls]=learngd(b,ones(1,Q),Z,N,A,T,E,gW,gA,D,LP,LS)info=learngd(code)2) learngdm函數(shù)為梯度下降動(dòng)量學(xué)習(xí)函數(shù)，它利用神經(jīng)元的輸入和誤差、權(quán)值或閾值的學(xué)習(xí)速率和動(dòng)量常數(shù)，來(lái)計(jì)算權(quán)值或閾值的變化率。調(diào)用格式為：A=purelin（N）info=purelin（code）其中，N：Q個(gè)S維的輸入列向量；A：函數(shù)返回值，A=N。調(diào)用格式為：A=tansig（N）info=tansig（code）其中，N：Q個(gè)S維的輸入列向量；A：函數(shù)返回值，位于區(qū)間（1，1）之間。常見(jiàn)的BP神經(jīng)網(wǎng)絡(luò)多采用下列函數(shù)： （1) logsig該傳遞函數(shù)為S型的對(duì)數(shù)函數(shù)。2. 神經(jīng)元上的傳遞函數(shù)傳遞函數(shù)是搭建BP神經(jīng)網(wǎng)絡(luò)的橋梁。net為創(chuàng)建的新BP神經(jīng)網(wǎng)絡(luò)；PR為網(wǎng)絡(luò)輸入向量取值范圍的矩陣；[S1 S2…SN1]表示網(wǎng)絡(luò)隱含層和輸出層神經(jīng)元的個(gè)數(shù)；{TF1 TF2…TFN1}表示網(wǎng)絡(luò)隱含層和輸出層的傳輸函數(shù)，默認(rèn)為‘tansig’；BTF表示網(wǎng)絡(luò)的訓(xùn)練函數(shù)，默認(rèn)為‘trainlm’；BLF表示網(wǎng)絡(luò)的權(quán)值學(xué)習(xí)函數(shù)，默認(rèn)為‘learngdm’；PF表示性能數(shù)，默認(rèn)為‘mse’。調(diào)用格式為：net=newffnet=newff(PR,[S1 S2..SN1],{TF1 TF2..TFN1},BTF,BLF,PF)其中，net=newff。以下是日常研究總結(jié)出的確定隱含層神經(jīng)元數(shù)的經(jīng)驗(yàn)公式： （） （） （） （）式中，S為隱含層神經(jīng)元數(shù)，n為輸入層神經(jīng)元數(shù)，m為輸出層神經(jīng)元數(shù)，σ為 1～10 之間的常數(shù)。 （5）網(wǎng)絡(luò)隱含層數(shù)及隱含層神經(jīng)元數(shù)的確定：目前來(lái)說(shuō)沒(méi)有固定的公式或者規(guī)律去確定網(wǎng)絡(luò)隱含層數(shù)及隱含層神經(jīng)元數(shù)，而確定這兩個(gè)參數(shù)又至關(guān)重要，時(shí)刻影響著網(wǎng)絡(luò)的擬合能力。 n0 為輸出節(jié)點(diǎn)數(shù)。常見(jiàn)的經(jīng)驗(yàn)公式有： ()式中: n為隱層節(jié)點(diǎn)數(shù)。（4）隱層節(jié)點(diǎn)數(shù)：隱層節(jié)點(diǎn)數(shù)的確定直接會(huì)導(dǎo)致訓(xùn)練的成敗，節(jié)點(diǎn)太多會(huì)導(dǎo)致學(xué)習(xí)時(shí)間過(guò)長(zhǎng)。（3）輸出層的節(jié)點(diǎn)數(shù)：輸出層節(jié)點(diǎn)數(shù)取決于兩個(gè)方面, 輸出數(shù)據(jù)類型和表示該類型所需要的數(shù)據(jù)大小。(2)輸入層的節(jié)點(diǎn)數(shù)：輸入層起緩沖存儲(chǔ)器的作用, 它的功能是當(dāng)有數(shù)據(jù)進(jìn)行輸入時(shí),其進(jìn)行接收，樣本輸入數(shù)據(jù)的維數(shù)決定著輸入的節(jié)點(diǎn)數(shù)，有幾維就會(huì)有對(duì)應(yīng)的幾個(gè)輸入節(jié)點(diǎn)。(1) 網(wǎng)絡(luò)層數(shù)：顧名思義，網(wǎng)絡(luò)層數(shù)指的是一個(gè)神經(jīng)網(wǎng)絡(luò)包含的分層數(shù)，而大部分的神經(jīng)網(wǎng)絡(luò)都有著固定的網(wǎng)絡(luò)層數(shù)，但這里研究的BP神經(jīng)網(wǎng)絡(luò)的層數(shù)卻是不固定的，相同，其隱含層是可以進(jìn)行設(shè)置更改的。：輸出樣本集采用“0—1表示法，期望輸出為x,即為：x=[1，0，0，0，0；0，1，0，0，0；0，0，1，0，0；0，0，0，1，0；0，0，0，0，1]，在下面的實(shí)例中共用這一輸出模式。所以樣本數(shù)據(jù)的獲取顯得十分重要，另外訓(xùn)練樣本模擬的越多，測(cè)試出的結(jié)果越準(zhǔn)確，越可避免其它無(wú)關(guān)因素的干擾。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本并測(cè)試樣本后，會(huì)輸出相應(yīng)的期望值和實(shí)際的輸出值，并能給出分類模擬的正確百分比，表示出BP神經(jīng)網(wǎng)絡(luò)故障診斷的準(zhǔn)確率 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)（1）訓(xùn)練樣本的獲取訓(xùn)練樣本的獲取直接決定了BP網(wǎng)絡(luò)的應(yīng)用的成敗，不當(dāng)?shù)挠?xùn)練樣本很可能會(huì)出現(xiàn)網(wǎng)絡(luò)訓(xùn)練的不收斂。特征值提取后對(duì)這樣特征值進(jìn)行分組，每個(gè)故障的特征值分為20組，前10組用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，后10組用于神經(jīng)網(wǎng)絡(luò)的測(cè)試。傳遞函數(shù)的名稱函數(shù)表達(dá)式函數(shù)曲線MATLAB函數(shù)a=hardlim(n)0a1+1+1n閾值函數(shù)Bardim線性函數(shù)a=purelin（（)0a1+1+1nPurelin對(duì)數(shù)sigmoid函數(shù)a=logsig(n)0a1+1+1nLogsig正切sigmoid函數(shù)a=tansig(n)0a1+1+1ntansig BP網(wǎng)絡(luò)用于故障診斷的基本思想BP神經(jīng)網(wǎng)絡(luò)應(yīng)用在故障診斷上提高了以往傳統(tǒng)方法難以達(dá)到的準(zhǔn)確性，其研究的思路主要是：首先確定電路的故障，對(duì)于故障值的確定是根據(jù)正常值及故障值的波形對(duì)比，從而獲得較典型的故障參數(shù)，把電路中容易出故障的器件都找出來(lái)作出故障集。求和單元完成對(duì)輸入信號(hào)的加權(quán)求和，即： （）這是神經(jīng)元對(duì)輸入信號(hào)處理的第一個(gè)過(guò)程。 (）閾值為的標(biāo)量。在MATLAB中，輸入可以用一個(gè)維的列矢量來(lái)表示（其中T表示取轉(zhuǎn)置） （）（2）網(wǎng)絡(luò)權(quán)值和閾值：代表網(wǎng)絡(luò)權(quán)值，表示輸入與神經(jīng)元之間的連接強(qiáng)度，為神經(jīng)元閾值，可以看作是一個(gè)輸入恒為1的網(wǎng)絡(luò)權(quán)值。[8]。構(gòu)造神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本集確定確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 定義電路故障集訓(xùn)練神經(jīng)網(wǎng)絡(luò)測(cè)試信號(hào)神經(jīng)網(wǎng)絡(luò)診斷電路電路響應(yīng)信號(hào)電路故障特征提 取故障分類 基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷原理圖神經(jīng)網(wǎng)