人工神经网络在故障诊断系统中的应用
总第 145期
2005年 第 1期
脱 船 电 子 工 程
Ship Electronic Engineering
V 01．25 No 1
91
人 工 神 经 网络在 故 障诊 断 系统 中的应 用
朱 博 ) 胡 燕 ) 赵 永标 )
(武汉 数字 工程 研究 所 ’’ 武 汉 430074) (武汉理 工大 学 ’ 武 汉 430070)
摘 要 ：人 工神经 网络 以其独 到 的联想 、记 忆 、储存 和 学习功 能 ，在故 障诊 断 领域 受 到 了广 泛关 注 。其 中 ，BP网络 是最
成熟 、应用最广泛的一种网络。但 BP网络在实际应用 中也存在诸多不足 ，如学习率的取值需要凭借经验或试算选取 ．网络
学习收敛速度慢以及易陷入局部最小点等。针对 BP网络的这些不足，采用了 Rumelhart附加惯性冲量和动态调整学习率
相结合的改进 的 BP网络方法 ，并尝试用该改进算法来对凝汽器进行故障诊断。事实证明，在平均情况下 ，本系统收敛速度
远 远快 于基本 的 BP算 法 。
关键 词 ：人 工神经 网络 ；改进 的 I 算 法 ；故 障诊断 ；凝 汽器
中图分类号 ：TP274
Application of Artificial Neural Networks in Fault Diagnose System
Zhu Bo” Hu Vad’ Zhao Yongbiao2’
(Wuhan Digital Engineering Institute”，Wuhan 430074)(Wuhan University of Technology2’，W uhan 430070)
Abstract：Artificial Neural Networks(ANN)has broadly attracted the attention of the scientists that are in fielCIs of fauh diag—
no6签，for its particular functions of association，memory．storage and learning．Back Propagation(BP)networks are the most ITla—
ture and the most broadly used network of ANN．But BP networks stiil ha ve nurflerous flaws in practice．Such as learni~ rates
ha ve to be valued by experiences or expe rimen tal calculations；its’rate of learning convergen ce is too slow；it frequen tly falls into
local minimum points while learning ，etc．In this paper，aiming at dealing the flaws above，it synthesizes metlxxts of Rum elhart’
S add—in momentum item and dynan：ically adjusting learning rates to ameliorate BP networks．And it attempts to use the im—
proved BP methods to diagnose vapo r m ngeal{ng device．On the average situation．it’S b。en proved that the convergen t rate of this
system is much faster than the basic BP algorithm．
Key words：artificial neural networks，improved BP algorithm ，fault diagnw,e，vapo r cong ealing device
Class nmnber：TP274
1 引言
长期 以来 ，人们努力 了解人脑结构及其工作机
理 ，用物理 可实现 系统 去模仿 人脑 ，完 成类 似人脑
的 工 作 。人 工 神 经 网 络 (Artificial Neural Net—
works，ANN)就是采 用 物理可 实现 的系统来 模仿
人脑神经 细胞 的结构和功能 的系统 。近一 、二十年
来 ，其发展 和应用 都很迅 速 ，故 障智 能诊 断系统就
是 其应用领域 之一。
随着现代工业 及科学技术 的发展 ，现代设备或
系统 的结构 越来越 复杂 ，自动 化系统 的规模越来越
大 。这就使得影响设 备 或系统 正常运 行 的 因素骤
增 ，使其产生故 障或 失效 的潜在 可 能性越来 越 大 。
一 旦发生故障 ，必 须迅速 、准确地找 到故 障 ，然后加
以排除 ，恢复设备或 系统 的正常运行 。当将人工神
经 网络技术应用于故障智能诊断 系统 中时 ，它通过
自行学 习已知故障样本 ，可达到 自动 、高效 、准确地
分析 、判断故 障的 目的。
BP网络是人工神经 网络 中应用较广 泛并获得
许多成功 的方法之一 。但它还存在一些不 足之处 ，
如收敛速度太慢 ，有 时会遇 到局 部极小 等 问题 ，对
于大样本也难于收敛 。
本文采用三层 BP网络 的人工 神经 网络技 术 ，
收稿 日期：2004年 9月 7日，修回日期 ：2004年 10月 11日
维普资讯 http://www.cqvip.com
朱博等 ：人工神经网络在故障诊断系统中的应用 总第 145期
对其 算法进行改进 ，以克服其 上述 的不足之处。然
后将 这种改进 的算法 用 于实 际的凝 汽器 的故 障诊
断中 ，从 而提高诊 断效率 和准确性 。
2 BP网络及 其算 法
典型 的三层 前 向 BP神经 网络模 型如 图 1所
不 ：
图 1 三层前 向 BP神经 网络 模型 图
设 输入层有 m个 节点 ，输 出层 有 个节点 ，隐
含层 有 “个节 点 。隐含层 中的节点输出 函数为 ：b
= 厂(∑ w +Tr)(r：1，?，“)，输出层中节点
： l
I'
的输出函数为：c =厂(∑ 6r+ )(J=1，?，
)，上式 中 厂(．)中采用 Sigmoid型 函数 (简 称 S
型 函数 )，即 f(x)= (1+e-x)～，w 为输入 口 层
到隐层 b 间的连接权 ， 为 隐含层 b 到输 出层 c
间的连接权 ，Tr为 隐含层 的阈值 ， 为输 出层单元
阈值 。神经 网络在 学习时把输 出层节点 的误差 向输
入层逆 向传 播 以分给各连 接节点 ，从而可算 出各连
接点 的参考 误 差 ，并 根 据 对各 连 接 权进 行 相 应调
整 ，使 网络 达到适 合要求 的输 出 ，实 现模式对 A ’
一 C( )(k = 1，2，? ，P)的 映 射 ，其 中 A( )=
(口i ，口5 ，?，口 )，口5 ∈ R，c( ) = (c{ ，
ci ，c )，c5 ∈R(R为实数域)。
误 差反 向传播 (BP)学习算法步骤如下 ：
(1)给 输 入 层 单 元 到 隐 含 层 单 元 的连 接权
Wi,，隐含层 到输 出层单 元 的连接权 ，隐含层 的
阈值 Tr，输 出层 单元 阈值 随机地赋予一个在 (O，
1)之 间的较 小值 。
(2)对每一模 式对 (A( ，C( ))(k = 1，?，P)
进行 下列操作 ：
① 将 口 的值输 入输入层 节 点 ，输 入层节 点
激活值 口 ，依次正 向计 算 ：
b = 厂( ，口 十 ) (r= 1，? ，“)(1)
= 厂(∑ 6 + ) ( ：1，?，“) (2)
②计算输出层节点输出c 与期望输出值c；
的误差 ：
=q(1一 )(fj 一 ) (3)
③ 向隐含层节点反 向分配误差 e，：
=6 (卜 (∑ ) (4)
④ 调整 隐含层 到输 出层 的连 接权 、输 入层 到
隐含层 的连接权 ：
△
，(t+1)= 6
△ Wi (t+1)=
式 中 、 为学 习率 ，一般取 (0，1)之 间的值
⑤ 调整输 出层和隐含层单 元的阈值 ：
△ (t+1)= Zdj
△ Tr(t+1)=
⑥ 重复步骤 ② ，选取不 同训 练样本模 式 ，不 断
执行上述迭代过程 ，直 至达 到要求 为 止 ，使得 误差
足够小或变为零时停 止学习 。
3 BP网络的数学原 理
设 为给网络提供模 式对 A( )一 C( ’时输
出层上的代价 函数 ，因而整个模 式训 练集 上的全局
代价函数为：E= 1∑ ∑(cj )一ci)2,E ：
∑E女。
对 于第 k个模式对 ，输 出层单 元 的加权输入
(将阈值 归人权系数中)为：Netcj=∑v巧6 ，该
单元 的实 际输 出为 ： ： f(Netq)。而 隐含层 单元
r的加权输入为：Netb =∑ W；Xti o该单元的实际
输 入为 ：b = f(Netb )，式 中 厂(．)为可 微分 非 递
减 函数 。
对于输出单元 ，定义一般化误差 =一∑
蕞 可写成如下腻 一考·赢
= 一 f(ne
对 于 隐 含 层 单 元 r，同 样 定 义 误 差 =
一
盟
8Netb 。
类 似的 ，e 在下面形式上可视作前程误 差的逆
维普资讯 http://www.cqvip.com
2005年第 1期 舰 船 电 子 工 程 93
传播到 该 层 单 元 的误 差 =一 OEk
· ：
f(Net (一券)=ff(Net (一耋 aEk·
·
DN
a6
e tci ． ~ ．
， )骞y
在现有 的连 接权 和叫 下 ，为 了减少能量 函
数 E女，可 由梯 度 下 降 原 则 改 变连 接 权 。因此 ，有
襄 OEk· 同
理△叫 =一卢券=一 ，其中， 、卢为学习率
(0< < 1，0< 卢< 1)。由于全 局代 价 函数 是定 义
在整个训练集 上 的 ，要 实现 E 曲面上 的真 正梯 度
下降 ，需 在整个模式训 练集 中每一模 式对提供给网
络期 间 ，保持连接权不 变求 出 E对 连接权 的负
梯度'耳口一薏=毒(一 )o此时，连接权的变
化为 OE=毒(一馐 理， ，
一 = 毒㈠篆 。
4 改进 的 BP网络训练算法
为减 少学 习过程 中的振荡 ，在调整权值和 阈值
时 ，采用 Rumelhart添加惯 性 冲量 技术 。通 过添加
惯性 冲量 ，以滤除学 习过程 中的高频 振荡 ，使 学 习
率可 以取较大 的值 ，从而加快学 习速度 。此时 ，权值
调 整 的一般形式 为 ：
zx v~(t+1)=一 畿 + △ (z)：
毒(一 )+ △ (t)： ( 6 )+
△ (t)，
A Wi,(t+ 1)=一 卢 DE + azxw
~，(￡)=
蓦(一卢赢)+ △ ㈩=蓦( )+
△ (t)，
阈值 调整的一般形 式为 ：
△ (t + 1) = ∑ + △ (t)，
△丁r(t+1)= ∑ ，+ △丁r(t)
式 中 、卢为学 习率 ，一 般取 (0，1)之 间的值 ；孙
为动量 因子 。E 为能量 函数 ，即整个训 练集上 的误
差平方和，E： ：号壶 ( 一 )z。
为提高 BP网络模 型的学习速度 ，加快 网络 的
收敛 ，在 以上添加惯 性 冲量技 术 的改进方 法 上 ，同
时采用动态调整学习率 、卢的方法 。
其基本 思 路 是 依 据第 t次 迭 代 后 的 总误 差
E(t)与第 t一 1次 迭 代 后 E(t一 1)的改 变 量
zxE(t)的符号 判定第 t次迭代 的性 质 ，即判定第 t
次迭代 是有效迭代 还是无 效迭代 ，然后 采取 不同 的
规则 动态调整学习率 、卢，进而调整各神经节 点 的
连接权值 和阈值 。由于在学 习过程 中消除 了无效迭
代 ，从而加快 了网络 的学 习速度 。
综合上述两 种改进方法 ，在基本 BP算法基 础
上 ，改进 的具体步骤如下 ：
令 E(0)= 0，若 ／xE(t)= E(t)一E(t一1)
< O，则表 明第 t次迭代 是有效 迭代 ，此 时 ，按 下式
调 整 、 ，即：
(t+1)= (t)+ (t) (5)
卢(t+ 1)= 卢(t)+ (t) (6)
同时对连接权值 和阈值作 如下调整 ：
(￡+1)= (￡)+∑( (￡+1)bMi)+
( (t)一 (t一1)) (7)
， (￡+1)= (￡)+∑(fl(t+1)a~e，)+
(Ⅵ ，(t)一 Ⅵ ，(t一1)) (8)
上
(t+1)= (t+1)4 + ( (t)一 (t
一 1)) (9)
上
Tr(t+1)： 卢(t+1)8r+ (Tr(t)一Tr(t
女= l
一 1)) (10)
若 AE(t)：E(t)一E(t一1)≥ 0，则表 明第
t次迭代 是无效 迭代 ，此时 ，按下式调整 、卢，即 ：
(t+1)= (t)一以 (t) (11)
卢(t+1)= 卢(t)一 (t) (12)
同时对连接权值 和阈值作如下调 整 ： (t+1)=
上
、， (t)+ ( (t+ 1)bMi)+ (V (t一 1)一
(t一2)) (13)
， (￡+1)= ，(￡)+∑(fl(t+1)a,e，)十
l= l
( ，(t一1)一 (t一2)) (14)
上
(t+1)= (t+1)di+ 可( (t一1)一
(t一2)) (15)
维普资讯 http://www.cqvip.com
朱博等 ：人工神经网络在故障诊断系统中的应用 总第 145期
(￡+1)：妻 (￡+1) + ( (￡一1)一
=1
丁r(t一2)) (16)
利用上 述公式对权值 和阈值进行 调整 ，选取不
同训 练样 本模式 ，不 断执 行上 述迭代 过 程 ，直至达
到要 求为止 。
5 系统 流 程 图
6 系统 测 试
图 2 系统 流 程图
6．1测 试 结 果
· 用输入 样本 进 行测试 。输 入样 本及 对应 的
期望 输出见表 1；表 2表 明得 到的 实际输 出与期望
输 出一致 。
表 1 输 入样本 及 对应 的期 望输 出
注 ： i有测试结果均为本系统某次成功收敛后的值
由表 1及 表 2比较 ，其 中 ，表 2的数据精 确到
1／1000，容易看 出若用 输 入样本 作测 试 ，得 到的实
际输 出与 期 望输 出的 诊 断结 论一 致 (表 中加粗 表
示 )。
表 2 输入样本对应的实际输 出
编 号 实际 输 出(用 输入 样本 测试 )
0 992 0 003 O．003 O． O o00 O．005 O．003 0．00o O 00o O 00l O 000
0．002 0．993 0．003 0．000 0 002 0．002 0．000 0．002 0．000 0．000 0 000
0．000 0．002 0．996 0 000 0．000 0．004 0．002 0．000 0．001 0 000 0．001
0．00l 0．004 0 000 0 994 0．001 0．000 0 000 0．002 0 004 0 000 0．004
O．002 O 003 O．000 0．000 0．992 0．000 0．000 0 000 0．002 0．002 0 003
0 000 0．002 0．001 0 000 0．001 0 994 0．001 0．002 0．000 0．000 0．001
0．000 0．000 0．004 0．001 0．003 0．002 0．998 0．002 0 000 0．004 0．003
0 000 0 001 0 001 O．003 0．001 0．002 0．004 0．997 0．006 0．004 0 001
0 003 0．002 0 003 0．000 0．001 0 001 0．000 0 000 0．992 0 001 0．000
0 000 0．001 0 001 0．002 0．002 0．000 0．004 0 001 0．002 0．993 0．002
． 用参考文声 [8]中的实际征兆代码作测试 ，结果见表 3。
表 3 实际诊断结果比较
由表 3，可见 当本系统 的 门限值 取 0．1时 ，本
改进的 BP网络诊 断 出的故 障代码 为 5、10，6、11
号 ，该结论与文献 J在取 门限值 为 0．9时 的诊断结
果 完全一致 。
6．2其他参数 结果
隐含层单元 阈值 见表 4：
表 4 隐含 层单 元 阈值
输出层单元 阈值见表 5：
表 5 输 出层 单元 阈值
璺 呈 ! ! ! !!
值 -0．024-0．00．．29-0．034．0．0180．010-0．012-0．026-0．0270．004-0．013-0．036
输入层和隐含层节点 间的权值 ：
7 结束 语
如前所述 ，人们一直 在探索如 何克服 BP网络
存 在的一些缺 陷 ，并取得 了一定的成果 。但诸如在
使 用三层前 向 BP网络时 ，中间层 (隐含层 )的节点
数的选择 ，很大程度 上依 赖于 专家 的经验 ，并 没有
完整的理论来 支撑 ；还有 诸 如局部最 小 问题 ，至 今
尚无理论能有 效避 免之 。本 系统在 中间层 的节 点
选择上 ，本文参考 了文献 J中的 专家经 验 ，将其 定
为 10；在加快 BP网络收敛 速度 上 ，本 系统结 合 了
已有 的两种理论 ，即 Rumelhart附加惯性 冲量技 术
(该技术 能有效地滤除高频振 荡 ，从而加快学 习)和
动态调整学习率 技术 (能判 断迭代有 效性 ，从 而 加
快学习 )。从 而 ，比较 有 效 的克 服 了 BP网络 收 敛
维普资讯 http://www.cqvip.com
2005年第 l期 舰 船 电 子 工 程
速 度慢 和容易 陷入局部最小等 问题 。
95
表 6 输 入层 和隐 含层 节点 间的权 值
0．060 —2．656 0．373 2．234 —0．53l
一 0 578 — 0．170 — 1．141 —4．082 一 1．123
1．433 ～ 1．768 1．348 一1．939 2 523
1．42i — 1．972 1．576 —2．1l9 2．559
1 279 0．566 —2．790 2．320 —2．095
— 2．510 4．812 — 1．900 1．010 3．741
4 040 3．360 3．836 0．570 —3．085
～ 2 222 5．628 —2．572 1．022 3 537
2．948 3．336 3．872 —0．102 — 3．06l
一 0．674 —0．368 1．671 1．8l7 一1．136
0．380 3．418 一1．3l9 —0．829 1．184
一 1．493 0．071 一 1．372 —0．139 1．927
3．173 1．409 5．594 4．591 —7．370
— 2．503 一 1．634 一 1．985 —0．317 —3．768
— 3．992 — 3．500 — 0．937 — 0．468 2．731
4．080 2．815 — 2．748 —2．792 3．192
— 3．1l2 —2．090 9．421 —1．697 5．663
2．330
— 0．089
2．245
2．449
8．234
— 1．074
— 2．306
— 0．762
— 2．006
2 361
— 1．385
3．944
— 9．1l8
— 0．628
— 2．571
1．938
1．689
2．683
— 4．256
1．555
1．579
0．605
— 1．893
— 0．027
一 1．137
— 0．183
— 0．175
1．127
一 1．356
2．682
— 2．349
一 1．089
— 1．94l
一 9．596
1．877
— 2．125
1．184
0．8l2
— 0．215
— 0．253
3．541
— 0．24l
4．549
一 1．608
一 1．219
一 1．325
— 0．42l
一 1．240
2．808
2．256
— 1．332
— 2．260
1．666
0．350
— 0．754
3．907
1．279
1．107
0．883
0．783
1．329
1．899
一 1．656
— 3．191
0．83l
2．10l
一 3．933
0．5l9
— 0．4l4
1．164
— 1．965
— 1．569
— 3．889
— 0．278
— 4．059
— 0．530
— 3．207
1．148
— 3．022
2．405
7．446
2．344
0．394
3．121
3．857
隐含层和输 出层节点 间的阈值 ：
表 7 隐含层 和输 出层 节点 间的 阈值
3．369
— 4．551
— 1．802
— 3．557
1．083
0．156
0．984
2．2l9
— 3．878
— 4．1l1
— 2．150
— 3．714
— 3．5ll
2．878
— 3．283
4．963
— 0．180
— 1．253
0．092
— 4．887
— 3．764
1．632
— 5．575
0．743
— 0．45l
一 3．397
— 3．164
4．716
— 5．610
一 1．721
— 1．742
— 5．070
1．201
3．297
— 4．597
— 6．357
1．305
0．176
— 4．157
— 0．323
— 2．60l
一 6．372
— 6．788
— 4．286
— 3．332
— 3．192
1．660
一 1．672
2．925
-3
．
892
— 0．281
0．950
3．065
— 2．205
— 5．616
— 2．459
— 3．778
1．389
0．300
— 7．042
— 4．890
3．467
— 0．381
4．257
— 6．446
— 3．378
— 1．926
— 5．449
— 0．364
— 2．444
— 3．4l3
4．122
— 3．648
— 4．117
3．674
— 4．120
一 1．75l
一 3．644
0．085
— 4．620
4．944
2．363
— 3．292
— 2．593
— 4．567
— 6．171
1．0l0
— 2．60l
一 4．166
0．037
— 1．440
— 0．535
— 5．785
— 2．840
0．306
5．959
— 3．847
— 2．977
— 4．538
0．042
— 2．870
— 4．545
6．232
— 3．670
3．242
— 1．392
— 4．3ll
一 3．774
— 3．071
— 0．789
参 考 文 献
[1]Grt~berg S．Neural Networks and Neural Intelii—
gence[M]．MIT Press，1988
[2]Hopfield J J．Artificial NeurM Netmvrks[J]．IEEE
Circuit and Devices Mag，1986，(9)
[3 JRumelhart D，Hinton G，Williams R．Learning Rep—
resentation by Back—Propagating Errors[J]．Nature，1986
[4]Tamn Kharma．Foundation of Neural Networks[M]．
Addison—W esley Publication Company，1990
[5]胡守仁等 ．神经网络导论 [M]．国防科技大学 出版
社 ，1993
[6]焦李成．神经网络系统理论[M]．西安电子科技大
学 出版 社 ，1990
[7]张立明．人工神经 网络 的模 型及其应用 [M]．复旦
大学 出版社 ，1988
[8]李录平．凝汽器低真 空运 行的原 因及其 模糊诊 断
[M]．汽轮机技术 ，1993
[9]王道平等．故障智能诊 断系统 的理论与方法 [M]．
冶金工 业 出版社 ，1990
1 2 3 4 5 6 7 8 9 ¨ ¨
l 2 3 4 5 6 7 8 9
维普资讯 http://www.cqvip.com
人工神经网络在故障诊断系统中的应用.pdf
