基于神經(jīng)網(wǎng)絡(luò)的柴油機故障診斷的研究

漳州師范學(xué)院畢業(yè)論文（設(shè)計）

文獻綜述

題目：基于神經(jīng)網(wǎng)絡(luò)的柴油機故障診斷的研究姓名：朱勇彬?qū)W號：070505114系別：物理與電子信息工程系專業(yè)：電氣工程及其自動化年級：07級指導(dǎo)教師：閆玉蓮

201*年10月15日

文獻綜述一、前言隨著柴油機技術(shù)的發(fā)展與進步，人類對柴油機的需求也逐漸增加，與之相應(yīng)的對柴油工作的穩(wěn)定性、可靠性的要求也越來越高，所以在柴油機故障診斷的研究領(lǐng)域不斷出現(xiàn)新的理論和新的方法，目前這一研究方向也成為國內(nèi)外研究的熱點。我國是目前世界上擁有和使用柴油機最多的國家之一，因此對柴油機進行狀態(tài)檢驗和故障診斷可以極大的提高其運行的可靠性，具有較高的經(jīng)濟效益。為了保證柴油機各系統(tǒng)能穩(wěn)定而可靠的工作，對其進行實時無損故障診斷和先期預(yù)測非常必要。由于柴油機工作過程復(fù)雜，把人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到故障診斷中來，利用BP和RBF網(wǎng)絡(luò)兩種方法來診斷柴油機故障。二、主體1.1人工神經(jīng)網(wǎng)絡(luò)1.1.1人工神經(jīng)網(wǎng)絡(luò)的概述人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，ANNs），也簡稱為神經(jīng)網(wǎng)絡(luò)（NNs），是模擬生物神經(jīng)網(wǎng)絡(luò)進行信息處理的一種數(shù)學(xué)模型。它以對大腦的生理研究成果為基礎(chǔ)，其目的在于模擬大腦的某些機理與機制，實現(xiàn)一些特定的功能。它不但具有處理數(shù)值數(shù)據(jù)的一般計算能力，而且還具有處理知識的思維、學(xué)習(xí)和記憶能力[1]。1.1.2人工神經(jīng)網(wǎng)絡(luò)的特點和領(lǐng)域神經(jīng)網(wǎng)絡(luò)的基本屬性反映了神經(jīng)網(wǎng)絡(luò)特點，主要表現(xiàn)在：1.并行分布式處理神經(jīng)網(wǎng)絡(luò)具有高度的并行結(jié)構(gòu)和并行實現(xiàn)能力，具有高速尋找優(yōu)化解的方法，能夠發(fā)揮計算機的高速運算能力，可很快找到優(yōu)化解。2.非線性處理人腦的思維是非線性的，故神經(jīng)網(wǎng)絡(luò)模擬人的思維也應(yīng)是非線性的。這一特性有助于處理非線性問題。3.具有自學(xué)習(xí)功能通過對過去的歷史數(shù)據(jù)的，訓(xùn)練出一個具有歸納全部數(shù)據(jù)的特定的神經(jīng)網(wǎng)絡(luò)，自學(xué)習(xí)功能對于預(yù)測有特別重要的意義。4.神經(jīng)網(wǎng)絡(luò)的硬件發(fā)現(xiàn)要使人工神經(jīng)網(wǎng)絡(luò)更快、更有效地解決更大規(guī)模的問題，關(guān)鍵在于其超大規(guī)模集成電路（VLSI）硬件的實現(xiàn)，即把神經(jīng)元和連接制作在一塊芯片上構(gòu)成ANN。神經(jīng)網(wǎng)絡(luò)的VLSI設(shè)計今年來發(fā)展很快，硬件實現(xiàn)已成為ANN的一個重要分支[1]。神經(jīng)網(wǎng)絡(luò)的領(lǐng)域:近些年來神經(jīng)網(wǎng)絡(luò)在眾多領(lǐng)域得到了廣泛的運用。在民用應(yīng)用領(lǐng)域的應(yīng)用，如語言識別、圖像識別與理解、計算機視覺、智能機器人故障檢測、實時語言翻譯、企業(yè)管理、市場分析、決策優(yōu)化、物資調(diào)運、自適應(yīng)控制、專家系統(tǒng)、智能接口、神經(jīng)生理學(xué)、心理學(xué)和認(rèn)知科學(xué)研究等；在軍用應(yīng)用領(lǐng)域的應(yīng)用，如雷達、聲納的多目標(biāo)識別與跟蹤、戰(zhàn)場管理和決策支持系統(tǒng)、軍用機器人控制各種情況、信息的快速錄取、分類與查詢、導(dǎo)彈的智能引導(dǎo)、保密通信、航天器的姿態(tài)控制等[2]。1.2BP網(wǎng)絡(luò)的設(shè)計1.2.1BP網(wǎng)絡(luò)層數(shù)的選取(1)輸入、輸出層的設(shè)計輸入的神經(jīng)元可以根據(jù)需要求解的問題和數(shù)據(jù)表示方式確定。在故障診斷中，輸入層神經(jīng)元個數(shù)一般等于每個樣本中包含的特征值的個數(shù)。輸出層的維數(shù)可根據(jù)設(shè)計者的要求確定，在故障診斷中，如果將BP網(wǎng)絡(luò)用作分類器，類別模式一共有m個，則輸出層神經(jīng)元的個數(shù)為m或log2m。(2)隱層的設(shè)計對于BP網(wǎng)絡(luò)，有一個非常重要的定理：即對于任何在閉區(qū)間內(nèi)的一個連續(xù)函數(shù)都可以用單層的BP網(wǎng)絡(luò)逼近，因而一個三層的BP網(wǎng)絡(luò)就可以完成任意的n維到m維的映射。隱層的神經(jīng)元個數(shù)選擇是一個較為復(fù)雜的問題，往往需要設(shè)計者的經(jīng)驗和多次試驗來確定，因而不存在一個理想的解析式來表示。隱層單元的數(shù)目與問題的要求、輸入/輸出單元的數(shù)目都有著直接關(guān)系。隱層單元個數(shù)太多會導(dǎo)致學(xué)習(xí)時間過長、誤差不一定最佳，也會導(dǎo)致容錯性差、因此一定存在一個最佳的隱層單元數(shù)。以下三個公式可作為選擇最佳隱層單元數(shù)時的參考公式：1）n2=2n1+1，其中n1是輸入層神經(jīng)元數(shù)，n2是隱層神經(jīng)元數(shù)。2）n1nma，其中，m是輸出神經(jīng)元數(shù)，n是輸入神經(jīng)元數(shù)，a是[1,10]之間的常數(shù)。3）n1=log2n，其中n是輸入神經(jīng)元數(shù)。其他確定隱層單元數(shù)的方法為：首先是隱層單元的數(shù)目可變，或者放入足夠多的隱層單元，通過學(xué)習(xí)將那些不起作用的隱層單元剔除，直到不可收縮為止[3]。1.2.2初始值的選取由于系統(tǒng)是非線性的，初始值對于學(xué)習(xí)能否達到局部最小和是否能夠收斂的結(jié)果關(guān)系很大。一個重要的要求是：初始權(quán)值在輸入累加時使每一個神經(jīng)元的狀態(tài)值接近于零，權(quán)值一般取隨機數(shù)，要比較小。輸入樣本也同樣希望進行歸一化處理，使那些比較大的輸入仍然落在傳遞函數(shù)梯度大的地方。1.2.3BP網(wǎng)絡(luò)的不足BP網(wǎng)絡(luò)模型雖然在各方面都具有重要意義，而且應(yīng)用也很廣泛，但它也存在一些不足。從數(shù)學(xué)上看，它是一個非線性優(yōu)化問題，不可避免的存在局部極小點；學(xué)習(xí)算法的收斂速度慢；網(wǎng)絡(luò)隱層單元數(shù)選取帶有很大的盲目性和經(jīng)驗性，尚無理論上的指導(dǎo)；新加入的樣本要影響已學(xué)完的樣本等。具體來說：BP算法對樣本進行逐個學(xué)習(xí)時，常會發(fā)生“學(xué)了新的，忘了舊的”的遺忘現(xiàn)象。故此值得對樣本不斷循環(huán)重復(fù)，這樣一來其學(xué)習(xí)時間必然延長。為了克服這個缺點，將逐個學(xué)習(xí)改為批量學(xué)習(xí)，即對所有樣本都進行學(xué)習(xí)后將其誤差相加，然后用這個誤差之和來對網(wǎng)絡(luò)的權(quán)系數(shù)進行調(diào)整。但是這樣一來，在誤差求和時，這些誤差有可能互相抵消，這就降低了算法的調(diào)整能力，也就是延長了學(xué)習(xí)的時間。所以，按批量學(xué)習(xí)其收斂速度也會很慢。同時，批量學(xué)習(xí)方法還有可能產(chǎn)生新的局部極小點。比如各誤差不為零。，但其總和為零，這種情況發(fā)生后算法就穩(wěn)定在這個狀態(tài)上，這就是新的局部極小點[4]。1.3RBF的創(chuàng)建與學(xué)習(xí)過程當(dāng)RBF網(wǎng)絡(luò)的徑向基層采用高斯函數(shù)時，網(wǎng)絡(luò)的訓(xùn)練從理論上應(yīng)可以確定高斯函數(shù)的數(shù)學(xué)期望、方差及隱層和輸出層神經(jīng)元的權(quán)值與閾值。1.newrbe創(chuàng)建徑向基網(wǎng)絡(luò)的過程以newrbe創(chuàng)建徑向基網(wǎng)絡(luò)的步驟：1）徑向基神經(jīng)元數(shù)目等于輸入樣本數(shù)，其權(quán)值等于輸入向量的轉(zhuǎn)置：IWPT所以徑向基神經(jīng)元的閾值為blog(.5)/spread12(1-1)(1-2)式中:spread為徑向基函數(shù)的擴展系數(shù)，默認(rèn)值為1.0。合理選擇spread是很重要的，其值應(yīng)該足夠大，使徑向基神經(jīng)元能夠?qū)�輸入向量所覆蓋的區(qū)間都產(chǎn)生響應(yīng)，但也不要求大到所有的徑向基神經(jīng)元都如此，只要部分徑向基神經(jīng)元能夠?qū)�輸入向量所覆蓋的區(qū)間產(chǎn)生響應(yīng)就足夠了。spread的值越大，其輸出結(jié)果越光滑；若在設(shè)計網(wǎng)絡(luò)時，出現(xiàn)“Rankdeficient”警告時，應(yīng)考慮減少spread的值，重新進行設(shè)計。2）以徑向基神經(jīng)元的輸出作為線性網(wǎng)絡(luò)層神經(jīng)元的輸入，確定線性層神經(jīng)元的權(quán)值和閾值，使之滿足W2,1;b2A1;onesT(1-3)2．newrb創(chuàng)建徑向基網(wǎng)絡(luò)的過程當(dāng)以newrb創(chuàng)建徑向基網(wǎng)絡(luò)時，開始是沒有徑向基神經(jīng)元的，可通過以下步驟，逐漸增加徑向基神經(jīng)元的數(shù)目：1）以所有的輸入樣本對網(wǎng)絡(luò)進行仿真。2）找到誤差最大的一個輸入樣本。3)增加一個徑向基神經(jīng)元，其權(quán)值等于該樣本輸入向量的轉(zhuǎn)置；閾值12blog(.5)/spread,spread的選擇與newrb一樣。4）以徑向基神經(jīng)元輸出的點積作為線性網(wǎng)絡(luò)層神經(jīng)元的輸入，重新設(shè)計線性網(wǎng)絡(luò)層，使其誤差最小。5）當(dāng)均方誤差未達到規(guī)定的誤差性能指標(biāo)，且神經(jīng)元的數(shù)目未達到規(guī)定的上限值時，重復(fù)以上步驟，直至網(wǎng)絡(luò)的均方誤差達到規(guī)定的誤差性能指標(biāo)，或神經(jīng)元的數(shù)目達到規(guī)定的上限值為止�？梢钥闯�，創(chuàng)建徑向基網(wǎng)絡(luò)時，newrb是逐漸增加徑向基神經(jīng)元數(shù)的，所以可以獲得比newrb更小規(guī)模的徑向基網(wǎng)絡(luò)。1.3應(yīng)用BP網(wǎng)絡(luò)和RBF對柴油機燃油系統(tǒng)進行故障診斷1.3.1神經(jīng)網(wǎng)絡(luò)仿真模型的建立下面結(jié)構(gòu)框圖為基于神經(jīng)網(wǎng)絡(luò)模式識別功能的故障診斷系統(tǒng)結(jié)構(gòu)：診斷原始數(shù)據(jù)預(yù)處理特征選取特征選取診斷神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練診斷結(jié)果訓(xùn)練樣本數(shù)據(jù)預(yù)處理圖3-3故障診斷系統(tǒng)結(jié)構(gòu)圖3-3中，基于神經(jīng)網(wǎng)絡(luò)的診斷過程分為兩步。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)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到期望的診斷網(wǎng)絡(luò)；其次，根據(jù)當(dāng)前診斷輸入對系統(tǒng)進行診斷，診斷的過程即為利用神經(jīng)網(wǎng)絡(luò)進行前向計算的過程。在學(xué)習(xí)和診斷之前，通常需要對診斷原始數(shù)據(jù)和訓(xùn)練樣本數(shù)據(jù)進行適當(dāng)?shù)靥幚�，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法，但兩者是緊密聯(lián)系在一起的[6]。1.3.2利用BP和RBF神經(jīng)網(wǎng)絡(luò)模型進行柴油機燃油系統(tǒng)故障的診斷利用MATLAB仿真訓(xùn)練所設(shè)計的BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)，柴油機的供油量不足、燃油系統(tǒng)常見的幾種故障（針閥卡死至油孔堵塞、針閥泄露和出油閥失效）分別通過BP和RBF網(wǎng)絡(luò)的故障診斷把它反映出來[9]。利用傳感器測出燃油壓力信號，并且提取出特征參數(shù)，再將這些特征參數(shù)當(dāng)作BP和RBF神經(jīng)網(wǎng)絡(luò)的輸入樣本，然后利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進行柴油機故障診斷，得出診斷結(jié)果[10]。三、總結(jié)本論文通過對故障檢測技術(shù)的發(fā)展做了一個初步的分析，重點分析了神經(jīng)網(wǎng)絡(luò)技術(shù)與故障診斷的結(jié)合，通過對柴油機故障仿真得到：基于神經(jīng)網(wǎng)絡(luò)的故障診斷結(jié)果與實測值具有良好的一致性，而且誤差很小，表明了BP和RBF神經(jīng)網(wǎng)絡(luò)是兩種有效的診斷方法。由于利用神經(jīng)網(wǎng)絡(luò)進行柴油機狀態(tài)監(jiān)測和故障診斷是一個新的課題，涉及到很多門的內(nèi)容，再加上時間較緊、水平有限，本論文還存在很多問題和不足，通過對本課題的學(xué)習(xí)和研究，作者對神經(jīng)網(wǎng)絡(luò)的一些基本理論及BP和RBF網(wǎng)絡(luò)的算法有了較深刻地認(rèn)識和了解，并熟練的掌握了BP和RBF神經(jīng)網(wǎng)絡(luò)的建立和訓(xùn)練技巧，以及Matlab7.0軟件的編程使用，鍛煉和提高了獨立科研能力，為今后的工作打下了更為堅實的基礎(chǔ)。四、參考文獻[1]張良均，曹晶，蔣世忠.神經(jīng)網(wǎng)絡(luò)實用教程[M].北京：機械工業(yè)出版社，201*：31-34.[2]侯媛彬，杜京義，汪梅.神經(jīng)網(wǎng)絡(luò)[M].西安：西安電子科技大學(xué)出版社，201*[3]周開利，康耀紅，神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計[M].北京：清華大學(xué)出版社，201*:89-92.[4]董長虹，Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].北京：國防工業(yè)出版社，201*.9:89-90.[5]飛思科技產(chǎn)品研發(fā)中心，神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實現(xiàn)[M].北京：電子工業(yè)出版社，201*.3：246-250.[6]劉建敏，駱清國，鄭曉江，尹勝波．柴油機燃油噴射系統(tǒng)技術(shù)狀況不解體檢測儀的研制．內(nèi)燃機工程，201*,1.[7]田有為，沈沉，張西振．柴油機故障診斷系統(tǒng)．遼寧省交通高等�？茖W(xué)校學(xué)報，201*,9：48-49.[8]龔金科，劉孟祥，劉湘玲．柴油機工作過程數(shù)學(xué)模擬．移動電源與車輛，201*,2:11-13.[9]王俊生,柴油發(fā)動機燃油系統(tǒng)的故障分析研究．山西建筑，201*，4：250[10]吳波，吳功平．柴油機噴油系統(tǒng)壓力波形的特征抽取及描述方法．震動工程學(xué)報，1992，3：34～

擴展閱讀：神經(jīng)網(wǎng)絡(luò)在系統(tǒng)故障診斷中的應(yīng)用研究 開題報告

青島農(nóng)業(yè)大學(xué)

畢業(yè)論文(設(shè)計)開題報告

題目：神經(jīng)網(wǎng)絡(luò)在系統(tǒng)故障診斷中的應(yīng)用研究姓名：

201*年3月8日

一、選題依據(jù)(擬開展研究項目的研究目的、意義等)隨著現(xiàn)代科學(xué)技術(shù)的飛速發(fā)展，工程設(shè)備日趨復(fù)雜，自動化程度越來越高，設(shè)備運行的安全性和可靠性越來越受到人們的重視，安全保障已經(jīng)成為系統(tǒng)征程運行的重要組成部分。系統(tǒng)中出現(xiàn)的某些微小的故障若不能及時檢測并排除，就有可能造成整個系統(tǒng)的失效、癱瘓，甚至導(dǎo)致巨大的災(zāi)難性后果，所以人們總是期望建立一套檢測、預(yù)警、容錯和維修機制，伴隨系統(tǒng)運行的全壽命周期，防止和杜絕影響系統(tǒng)正常運行的故障的發(fā)生和發(fā)展。在過去幾十年里，傳統(tǒng)的故障診斷技術(shù)得到了飛快的發(fā)展并在工程中發(fā)揮了重要的作用。傳統(tǒng)故障診斷技術(shù)對于比較簡單的設(shè)備或單一故障，能夠發(fā)揮其獨特的作用，但對于大型復(fù)雜設(shè)備多多個故障交互情況，卻無能為力。人工智能智能故障診斷技術(shù)就是為了解決這樣大而復(fù)雜為題而產(chǎn)生的一門新型技術(shù)，其中基于人工神經(jīng)網(wǎng)絡(luò)的故障診斷技術(shù)是目

前比較流行故障診斷技術(shù)。基于神經(jīng)網(wǎng)絡(luò)的故障診斷技術(shù)具有五大特點，首先，并行結(jié)構(gòu)與并行處理方式。神經(jīng)網(wǎng)絡(luò)采用類似人腦的功能，它不僅在結(jié)構(gòu)上是并行的，而且其處理問題方式也是并行的，診斷信息輸入之后可以很快地傳遞到神經(jīng)元進行處理，提高了計算速度，特備適合處理大量的并行信息。其次，具有高度的自適應(yīng)能性。系統(tǒng)在知識表示和組織、診斷求解策略與實施等方面可根據(jù)生存環(huán)境自適應(yīng)自組織到自完善。再次，具有很強的自學(xué)能力。神經(jīng)網(wǎng)絡(luò)是一種變結(jié)構(gòu)系統(tǒng)，神經(jīng)元連接形式的多樣性和連接強度的可塑性，使其對環(huán)境的適應(yīng)能力和對外界事物的學(xué)習(xí)能力非常強。系統(tǒng)可根據(jù)環(huán)境提供的大量信息，自動進行聯(lián)想、記憶及聚類等方面的自組織學(xué)習(xí)，也可在導(dǎo)師指導(dǎo)下學(xué)習(xí)特定的任務(wù)。其次，具有很強的容錯性。神經(jīng)網(wǎng)絡(luò)的診斷信息分布式的儲存于整個網(wǎng)絡(luò)中相互連接的權(quán)值上，且每個神經(jīng)元儲存信息的部分內(nèi)容，因此即使部分神經(jīng)元丟失或外界輸入到神經(jīng)網(wǎng)絡(luò)中的信息存在某些局部錯誤，也不影響真?zhèn)�系統(tǒng)的輸出性能。最后，實現(xiàn)了將知識表示、存儲、推理三者融為一體。它們都由一個神經(jīng)網(wǎng)絡(luò)來實現(xiàn)。神經(jīng)網(wǎng)絡(luò)技術(shù)發(fā)展迅速，在硬件技術(shù)方面，一些發(fā)達國家，如美國和日本均使用了規(guī)模超過1000個神經(jīng)元的網(wǎng)絡(luò)系統(tǒng)，這樣的系統(tǒng)具有極高的運算速度，而且已經(jīng)在股票數(shù)據(jù)分析中得到了應(yīng)用。另外，為了克服電子元件交叉極限問題，很多國家都在研究電子元件之外的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，如光電子元件、生物元件等。在神經(jīng)網(wǎng)絡(luò)理論研究方面，主要進展有Boltzmann機理論研究、細(xì)胞網(wǎng)絡(luò)的提出及其分析等。20世紀(jì)60年代初，電路的故障診斷作為網(wǎng)絡(luò)的第三大分支在軍事工業(yè)上首先開始研究。它主要任務(wù)是：在已知網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、輸入激勵信號和故障下響應(yīng)時，求解故障元件的物理位置和參數(shù)。電子系統(tǒng)包括數(shù)字和模擬電路兩個部分，數(shù)字電路的故障診斷目前已比較成熟并且投入使用。同數(shù)字電路相比，模擬電路集成度較低，其故障診斷的發(fā)展速度比較慢。模擬電路故障診斷理論和方法自20世紀(jì)70年代以來，取得了不少階段性的成果。依據(jù)電路方針在實際測試中不同階段，分為兩大類：測前模擬診斷（SBT）和測后模擬診斷（SAT），介于這兩種分類之間的還有逼近法及人工智能兩種方法。二、國內(nèi)外同類研究或同類設(shè)計的概況綜述(在充分收集研究主題相關(guān)資料的基礎(chǔ)上，分析國內(nèi)外研究現(xiàn)狀，提出問題，找到研究主題的切入點，附主要參考文獻)神經(jīng)網(wǎng)絡(luò)研究已經(jīng)有40年歷史，早在20世紀(jì)40年代，心理學(xué)家Mcculloch和Pitts就提出了神經(jīng)元的形式模型[1]，Hebb提出了改變神經(jīng)元連接強度的規(guī)則[2]，在他們至今仍

在各種神經(jīng)網(wǎng)模型中起著重要作用。隨后，Rosenblatt，Widrow等人對他們進行了改進并提出了感知器[3](Perceptron)和自適應(yīng)現(xiàn)行元件[4]（AdaptivelinearElement）。后來Hopfield，Rumelhart，Mcclelland，Anderson，F(xiàn)eldman，Grosbberg和Kohonen等人所做的工作又掀起了神經(jīng)網(wǎng)絡(luò)研究的熱潮。由于神經(jīng)網(wǎng)絡(luò)具有并行處理、聯(lián)想記憶、自組織及自學(xué)習(xí)能力和極強的非線性映射特性，能對復(fù)雜的信息進行識別處理并給予準(zhǔn)確處理的分類，因此可以用來對系統(tǒng)設(shè)備有故障引起的狀態(tài)變化進行識別和判斷。人工神經(jīng)網(wǎng)絡(luò)作為一種新的模式識別技術(shù)或新的知識識別處理方法，在設(shè)備故障診斷領(lǐng)域顯示出了極大的應(yīng)用潛力[4-5]。本世紀(jì)以來，小波分析、信息融合技術(shù)及遺傳算法等應(yīng)用于模擬電路故障診斷的研究亦開始起步[6-8]，為形成實用的有效診斷方法開辟了新的途徑。目前，利用神經(jīng)網(wǎng)進行故障診斷，可以將診斷分為模式識別和知識處理兩大類[9],就神經(jīng)網(wǎng)絡(luò)在設(shè)備故障診斷領(lǐng)域的應(yīng)用研究來說主要集中在三個方面[10]：（1）從模式識別的角度，應(yīng)用神經(jīng)網(wǎng)絡(luò)作為分類進行故障診斷；（2）從預(yù)測的角度，應(yīng)用神經(jīng)網(wǎng)絡(luò)作為動態(tài)預(yù)測模型故障診斷；（3）從知識處理的角度，建立神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)。在眾多的神經(jīng)網(wǎng)絡(luò)中，基于BP算法的多層感知器MLP（Multi-levelPerceptron）神經(jīng)網(wǎng)絡(luò)應(yīng)用最為廣泛且成功，例如齒輪箱故障診斷、設(shè)備狀態(tài)分類器設(shè)計、地震預(yù)報、農(nóng)作物蟲情預(yù)測等。RBF(徑向基網(wǎng)絡(luò))是一種具有單隱層的神經(jīng)網(wǎng)絡(luò)，是神經(jīng)元數(shù)目可以在參數(shù)設(shè)置時確定，目前該網(wǎng)絡(luò)應(yīng)用也比較廣泛，如柴油機故障診斷、交通運輸能力測試、河道淺灘漸變預(yù)測等。PNN（概率神經(jīng)網(wǎng)絡(luò)）也是目前應(yīng)用較多的一種網(wǎng)絡(luò)，如發(fā)動機故障診斷、財務(wù)失敗預(yù)測等，它無需訓(xùn)練，分類效果明顯。隨著人工智能和計算機迅速的發(fā)展，特別是知識工程、專家系統(tǒng)進一步應(yīng)用，為神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)的研究提供了新的理論和方法。為了提高神經(jīng)網(wǎng)絡(luò)故障診斷的實用性能，目前主要應(yīng)叢神經(jīng)網(wǎng)絡(luò)模型本身的改進和模塊化神經(jīng)網(wǎng)絡(luò)診斷策略兩個方面研究。神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)具有廣闊的發(fā)展前景[11]。目前，模擬電路故障診斷方法主要有傳統(tǒng)方法和一些新的方法。傳統(tǒng)方法有測前模擬診斷法、測后模擬診斷法、逼近法和人工智能法。新方法有基于神經(jīng)網(wǎng)絡(luò)、基于小波分析、模糊理論、信息融合、遺傳算法、Agent技術(shù)、分形理論、粗糙集理論等[12]。參考文獻：[1]MccullochW,PittsW.ALogicalCalculusoftheIdeasImmanentinNerousActivity.Bull.Math.Biophys,1943,5：115-1

[2]HebbD.TheOrganizatyionofBehaivour.NewYork:Wiley,1949[3]RosenblattF.PrinciplesofNeurodynamics.NewYork:Spartan,1962[4]虞和濟，陳長征，張省，基于神經(jīng)網(wǎng)絡(luò)的智能診斷，振動工程學(xué)報，201*，13：202-209[5]KoivoHN.ArtificialNeuralNetworksinFaultDiagnosisandControl.ControlEng.Practice,1994,29(1):89-101[6]ElGamalMA．Geneticallyevolvedneuralnetworksforfaultclassificationinanalogcircuits．NeuralComputing&Applications，201*，ll(2)：112-12l[7]SwarupB，ArijitR，KaushikR．Defectorientedtestingofanalogcircuitsusingwaveletanalysisofdynamicsupplycurrent．JournalofElectronicTesting：TheoryandApplications，201*，2l(2)：147-159[8]AminianM，AminiamF．Neuralnetworkbasedanalog-circuitfaultdiagnosisusingwavelettransformaspreprocessor．IEEETransactionsonCircuitsandsystemsII：AnalogandDigitalSignalProcessing，201*，47(2)：l51-l56[9]曾昭君，何鋮，史維祥，故障診斷神經(jīng)網(wǎng)絡(luò)的發(fā)展與前景，機械工程學(xué)報，1992,28（1）：1-6[10]吳今培.只能故障診斷技術(shù)的發(fā)展和展望，振動、測試與診斷，1999，19：79-86[11]王仲生.智能故障診斷與容錯控制，神經(jīng)網(wǎng)絡(luò)故障診斷與容錯控制，西北工業(yè)大學(xué)出版社201*，4：217-219[12]歐陽宏志，廖湘柏，劉華.電子科技.模擬電路故障診斷方法綜述.西安電子科技大學(xué)編輯部.201*.12.75-80三、研究方案(研究內(nèi)容、目標(biāo)、研究方法、技術(shù)路線、擬解決的問題、特色或創(chuàng)新點等)本畢業(yè)設(shè)計主要研究基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷技術(shù)。首先在SIMULINK環(huán)境中，建立某二級放大模擬電路作為故障診斷的電路模型，獲得電路在正常與部分元件發(fā)生故障情況下的輸入輸出測量數(shù)據(jù)，例如電壓、電流，構(gòu)成用于故障診斷的原始輸入樣本數(shù)據(jù)。其中，模擬電路輸入的數(shù)據(jù)（電壓或電流）作為神經(jīng)網(wǎng)絡(luò)的輸入，將編制好的代表故障情況的數(shù)據(jù)(-1代表開路，0代表正常，1代表短路)作為輸出。輸入數(shù)據(jù)經(jīng)過輸入層、中間層、輸出層的處理，輸入層到中間層的傳遞函數(shù)以及中間層到輸出層的傳遞函數(shù)，配合使用S型函數(shù)獨有的連續(xù)可微分特性，分別對正常數(shù)據(jù)和故障數(shù)據(jù)進行訓(xùn)練，使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)記憶住這些數(shù)據(jù)的特征。這樣網(wǎng)絡(luò)就有了故障診斷的經(jīng)驗。

當(dāng)進行網(wǎng)絡(luò)測試時，訓(xùn)練好的網(wǎng)絡(luò)將測試數(shù)據(jù)與其訓(xùn)練時記住的數(shù)據(jù)進行比較處理，測試數(shù)據(jù)與故障數(shù)據(jù)一致時，系統(tǒng)會將故障情況輸出，完成測試。本論文詳細(xì)介紹人工神經(jīng)網(wǎng)絡(luò)的概念，說明神經(jīng)網(wǎng)絡(luò)的工作原理及其發(fā)展歷史，然后在了解人工神經(jīng)網(wǎng)絡(luò)這一概念之后，分別從BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、PNN網(wǎng)絡(luò)的原理入手介紹介紹神經(jīng)網(wǎng)絡(luò)如何應(yīng)用到模擬電路故障診斷技術(shù)的，詳細(xì)的介紹這三種網(wǎng)絡(luò)在模擬電路在故障診斷的診斷原理、網(wǎng)絡(luò)設(shè)計并進行了故障診斷實例驗證。四、進程計劃(各研究環(huán)節(jié)的時間安排、實施進度、完成程度等)4月1日-4月7日構(gòu)建模擬電路故障診斷系統(tǒng)模型；4月7日-4月21日學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)技術(shù)原理與實現(xiàn)；4月22日-5月15日完成基于神經(jīng)網(wǎng)絡(luò)的故障診斷模型的建立；5月16日-5月24日整個系統(tǒng)的程序整合，完成整體的調(diào)試；5.月25日-6月1日完成論文初稿；6月2日-6月7日完成論文的第二稿；6月8日-6月14日整理畢業(yè)設(shè)計文檔，完成論文。五、導(dǎo)師評語年月日

友情提示：本文中關(guān)于《基于神經(jīng)網(wǎng)絡(luò)的柴油機故障診斷的研究》給出的范例僅供您參考拓展思維使用，基于神經(jīng)網(wǎng)絡(luò)的柴油機故障診斷的研究：該篇文章建議您自主創(chuàng)作。

來源：網(wǎng)絡(luò)整理 免責(zé)聲明：本文僅限學(xué)習(xí)分享，如產(chǎn)生版權(quán)問題，請聯(lián)系我們及時刪除。

《基于神經(jīng)網(wǎng)絡(luò)的柴油機故障診斷的研究》由互聯(lián)網(wǎng)用戶整理提供,轉(zhuǎn)載分享請保留原作者信息,謝謝!
鏈接地址：http://m.hmlawpc.com/gongwen/672293.html

• 上一篇：柴油機常見故障分析
• 下一篇：WD615型柴油發(fā)動機功率下降的故障分析