優化的BP神經網絡在電子設備故障診斷中的應用

近些年來，由于計算機技術、信號處理、人工智能、模式識別技術的發展，促進了故障診斷技術的不斷發展，大型復雜電子設備的出現，使得人們更迫切地希望能提高整體可靠性與維修性，這就給故障診斷提出了更高的要求。因此，對故障診斷技術的研究有著重要的理論及現實意義。

1 BP神經網絡故障診斷模型

一個神經網絡用于故障診斷時，主要包括三層：輸入層，即從設備對象接收各種故障信息和現象；中間層，是把從輸入層得到的故障信息，經內部的學習和處理，轉化為針對性的解決辦法；輸出層，是針對輸入的故障形式，經過調整權值后得到的故障處理方法。對于一個新的輸入狀態信息，訓練好的網絡將由輸出層給出故障識別結果。BP神經網絡故障診斷模型如圖1所示。


2 BP神經網絡的優化——共軛梯度法???

雖然神經網絡模型已成功應用于模式識別、函數逼近、時間序列預測等領域，但是由于BP學習算法僅改變網絡的連接值和閾值，不改變網絡的拓撲結構，因此BP網絡在處理具體問題時還存在收斂速度慢，易陷入局部極小值等缺點。為了解決BP網絡訓練的缺點，人們提出了多種有益的改進方法。

本文研究了共軛梯度法對BP神經網絡進行優化設計，基本思想如下：

傳統的前向多層網絡的BP學習算法實質上是無約束的最速下降法，改進的BP算法是對最速下降法作了一些約束；而共軛梯度法則是介于最速下降法和牛頓法之間的一種方法，它僅需要利用一階導數信息，不僅克服了BP學習算法收斂慢的缺點，又避免了存儲和計算牛頓法所需要的二階導數信息。共軛梯度法的計算步驟和最速下降梯度法差別不大，主要差別在于搜索方向不同，即每一步的方向不是梯度的負方向，而是一種共軛的方向。由原來的負梯度方向加上一個修正項得到共軛方向，也就是使得最速下降法具有共軛性，從而提高算法的有效性和可靠性。共軛梯度法應用于神經網絡中的目的是求誤差函數E(W)的最小值。算法主要是利用共扼梯度方向來修正權值W，使W的確定更為快速，計算過程如下；???

(1)初始化權值W₁，令k=1；
???
(2)計算網絡的負梯度矢量：
???
設p₁=r₁=-E’(W₁)，式中E’(W₁)是根據BP算法求出的負梯度。

(3)計算步長a_k：

式中：Eⁿ(W₁)為誤差函數對權值矢量W的二次導數。

(4)調整權值：

(5)如果k除以樣本數N的余數為零時，p_k+1=r_k+1，否則計算新的搜索方向：

(6)如果梯度方向∣r_k∣>ε，則置k=k+1，否則停止，W_k+1為所求權值矢量。

3診斷實例

現以一電子設備為診斷對象，驗證優化的BP神經網絡算法。樣本數據從測試口測試獲得，一共6個測試點，10個板卡故障。診斷步驟如下：

(1)故障特征提取

表1為實驗測得的故障樣本數據；表2為歸一化后的數據，其激活函數采用S型函數f=1／(1+e^-ax)；表3為神經網絡的目標輸出模式，1表示有故障，0表示正常。




(2)BP網絡的訓練

取輸入節點N₁=6，輸出節點N₃=11，隱層節點采用，a取1～10，本實驗中a取7(根據訓練誤差曲線調整而得)，N₂=15。學習率η=0.2，訓練誤差E<0.005，最大訓練次數n=1 000。圖2為BP網絡的訓練誤差曲線。


(3)BP網識別結果分析

①用樣本自身數據輸入訓練好的神經網絡中，其識別結果見表4。與故障模式對比分析可知，自身數據檢測正確率為100％。可見，該網絡達到了訓練的要求。

②任取4組測試數據見表5，觀察其識別結果。表6為歸一化后的測試數據，表7為識別結果。與故障模式對比可知，第一組數據對應的故障是MA-1；第二組數據對應的故障是MB-2；第三組數據對應的故障是MD；第四組數據對應的故障是MG。由此可見，本網絡不僅能識別樣本本身的故障，而且能準確診斷樣本以外的數據故障。



4 結? 語

本次實驗中的BP神經網絡采用共軛梯度法進行優化設計，由實驗數據可知，該網絡能夠準確診斷數據的故障狀態，可見，該方法能夠成功應用于設備的故障診斷中。故障診斷是一門實用性很強的技術，因此只有在實際應用中才能體現它的價值，目前在理論研究方面雖有不少進展，但真正在工程實踐中成功應用的實例還較少，因此如何將先進的故障診斷理論與方法應用到實際中，還有待更深入的研究。