BP方案（精选十篇）
BP方案 篇1
机械产品的概念设计, 目前主要采用功能分解法, 即在明确产品市场需求和用户要求的前提下, 将功能分解为若干子功能, 将复杂的设计问题转化为若干子功能的设计问题, 然后, 针对各子功能, 从实现该子功能的设计目录中检索出一组功能实现机构, 得到这组机构后, 就变为从中选择一种或几种满意机构的选型决策问题[1]。旧式的选型方法多采用经验法或评价法。经验法通常是由设计人员根据经验和意向来确定机构类型, 因此选型结果必然存在一定的片面性、局限性和盲目性;评价法, 如模糊综合评价法[2], 首先要依据设计需求构建评价系统, 然后参照某种评价模型对相应的子功能载体进行综合评价、排序, 最终作出决策, 该方法尽管相对科学, 但比较繁琐复杂, 而且主观色彩较强, 评价中需要提供单因素权重, 而权重因子的确定又比较困难。
针对上述方法存在的问题, 本文提出一种基于神经网络的机构选型决策模型, 利用神经网络的基础理论结合模糊理论制定出一种适合选择满意的机构类型的决策方案, 从而代替评价群体进行评价和决策。研究结果表明, 基于神经网络的决策模型为机构选型提供了一条新的途径。
1 机构选型综合决策的数学模型
综合决策是在考虑多种因素影响的情况下, 对事物作出综合的判断。综合决策的数学模型主要涉及到6个要素, 可以用下列6个变量来表示:
其中:V为决策集, V={V1, V2, …, Vm}, 表示要决策的m种机构类型;U为特征因素集, U={U1, U2, …, Un}, 表示决策要考虑的n种特征因素;W为权重集, W={W1, W2, …, Wn}, 表示各特征因素的重要程度;P为前处理器, 用来把机构的各单项评价指标转换成决策模型允许的输入值;D为选型决策模型, 即采用的决策方法或工具;R为决策结果。在机构选型的决策中, 一般特征因素集U={工作性能U1, 动载性能U2, 经济性U3, 使用性U4, 结构紧凑性U5}, 在实际应用场合这些因素还可以进行细化, 或者根据实际情况加以增减和完善。
本文采用基于神经网络的决策模型, 机构选型决策流程如图1所示。
2 特征因素值的模糊量化
在多变量分析中, 常涉及样本集合, 若样本集合具有模糊性, 则把这样的样本集合称为模糊集合。一般来说选型的过程需要运用模糊数学的方法, 将机构模糊的特征因素转化为神经网络的数字量进行输入。某些特征因素值可以通过构造隶属函数进行量化, 例如结构紧凑性, 用机构中构件和运动副的个数或传动链的相对长度作为其隶属函数的构造变量来构造一个线性函数。当运动副个数分别为b和a时, 对应的模糊特征值分别为0和1, 便可构造出一个降半梯形分布的线性隶属函数, 即:
对于使用性这样难于构造线性函数进行量度的性能指标, 可以通过模糊统计实验法, 也可通过二元对比排序法进行两两对比, 再将其转化为总体排序来作为它们评价的相对度量[3,4]。表1是针对某型号机床实现“连续转动变单向间歇转动”的基本功能而设计的4种传动机构, 其特征因素值从这一功能元中得到了完美的体现[5]。
%
3 基于BP神经网络的机构选型模型
3.1 BP神经网络的选型机理
机构的选型问题可看成是一种模式识别关系或是一种映射关系, 就是在已知设计条件中对结论模式进行识别或是将已知设计条件对应为结论域中的对象[6]。模糊量化后的特征因素集U*是由其机构所对应的各特性参数与设计要求、目标综合评比而定的。将上述参数转化为模糊关系中的特征因素集U, 并由U*选择最优的机构。本文尝试用神经网络来表达U*和U之间的关系进行分类决策。由于在决定权重因素时, 决策者的判断是带有经验和意向性的。为了减小由经验和意向给定量分析带来的影响, 可采用Analytic Hierarchy Process (AHP法) 确定权重值, 建立权重因素的判断矩阵要保证一致性, 否则在机构选型中就失去了意义。运用基于神经网络的方法进行机构选型, 需有足够的样本, 并且通过反复的训练, 经过训练的神经网络达到一定的网络权值和阀值后才能进行应用。本文采用模糊数学的方法, 对机构的选型进行综合决策, 为机构选型决策提供一种新的方法和途径。该决策模型综合了机构选型的评价、排序过程, 因而简化了概念设计的CAD过程。
3.2 建立神经网络模型
3.2.1 神经网络模型的结构体系
前馈型的BP网络模型包括输入层、中间层和输出层3部分, 输入和输出层的神经元个数由决策体系确定, 本文设计的机构选型决策模型中, 输入层选用5个节点, 作为机构特征因素集;输出层由机构选型的决策集决定, 不同的节点代表不同的机构型式, 故决策集中机构的个数即为输出节点的个数, 本模型输出层的节点个数应为4。BP网络输出分类如表2所示。
中间隐层的层数和节点个数的确定是一个难点, 可采用一般化的方法[7]:通常隐层层数不能太多, 否则容易造成网络规模过大, 产生“过度训练”, 一般为1~3层。本文采用单隐层结构, 根据Kolmogorov定理设置隐层神经元个数, 即隐层神径元个数l=2 N+1=11个 (其中N为输入层节点个数) 。综上所述, 针对实现间歇转动这一功能元的机构进行选型时, 可建立如图2所示的神经网络决策模型。图2中, X1, X2, …, X5为与特征因素集{U1, U2, …, U5}一一对应的5项特征因素值, H1, H2, …, H11为网络的11个隐层节点, Y1, Y2, Y3, Y4为与决策集{V1, V2, V3, V4}一一对应的4项输出值。根据设计要求, 当向网络输入某一特征因素集时, Y=max{Y1, Y2, Y3, Y4}即为最合适的机构型式。对于其他的机构选型决策问题, 在特征因素集不同的情况下, 可采用类似方法建立相应的决策模型。
3.2.2 神经网络模型的训练和仿真
为了获得网络最终的权值和阀值, 神经网络在使用前必须对其进行学习训练。神经网络的训练过程就是将训练样本集划分为两部分:测试集和验证集。仅用测试集训练, 每次训练后用验证集代入, 求其误差和, 当训练误差不断减小而验证误差却增加时, 可以考虑算法终止, 再训练可能就会过拟合。训练样本的科学、可信对网络的性能起着关键作用。在机构选型决策模型中, 利用设计领域中已广泛应用的各种机构来获得训练样本和决策集中各机构典型的特征因素集;从该机构所属产品的具体设计要求和功能特点中获得各项评价指标值, 根据经验丰富的专家对机构进行模糊处理, 求出特征因素值, 最终获取样本。为了方便网络模拟和识别, 每个样本的特征因素值必须大小分布合理、全面、科学, 最后通过这些样本对网络进行学习训练。
本文利用MATLAB 6.5神经网络工具箱提供的学习训练函数针对“模式分类”进行学习训练。本例在收敛精度为0.005和训练函数为TRAINGDX时, MATLAB中的网络程序经过254次训练后收敛, 提高了网络的推广应用能力, 避免了因梯度下降算法计算的缺陷。表3为BP网络机构分类决策结果, 其中5到8号样本是对初始设计问题做出模糊化后取用的测试样本值, 其目的是通过神经网络的仿真做出判断:5, 6号样本的结果趋势明显差别, 决策结果是不同的机构, 而7, 8号样本的判断结果是两种机构中间的数值, 称之为难决策的问题, MATLAB中的神经网络程序会自动选一种最满意的机构。由此可见, 可以将该网络作为知识存入数据库, 在机构选型决策时作为决策模型使用。
4 结束语
(1) 利用神经网络的基础理论结合模糊理论较全面地阐述了机构选型时综合决策的方法与步骤, 运用Matlab中的工具箱就可以很容易选择出客户满意的机构形式。
(2) 采用基于神经网络理论的选型方法, 将原来凭经验或直观选型转换为一种理论方法。因利用模糊理论而采样的模糊值, 其确实带有一定的主观性, 所以通过实践中不断地反馈和校正才能达到更佳的效果。
(3) 神经网络参数的确定取决于学习的样本, 因此, 样本中特征因素值的客观性仍是值得研究的问题。样本因素值也可采用其他的方法获得, 只要样本合理科学, 通过学习和训练后, 神经网络同样能作出良好的决策。
摘要：利用神经网络的非线性特征, 提出了一种机械传动中机构选型的决策模型。设计人员只需采用模糊理论将设计指标模糊量化输入神经网络, 就能优选出较为满意的一类机构传动形式。运用BP神经网络评价决策方法, 通过MATLAB工具箱仿真完成机构选型的过程, 提高了机构选型的效率, 保证了其科学性和合理性, 对机构选型具有重要的意义。
关键词：机构选型,神经网络,机械传动,评价决策
参考文献
[1]冯培恩, 徐国荣.基于设计目录的原理方案及其求解过程的特征建模[J].机械工程学报, 1998, 34 (2) :79-86.
[2]丁勇军, 蔡为民, 刘法明, 等.防空导弹对目标拦截的模糊二元对比排序[J].火力与指挥控制, 2007, 32 (2) :23-25.
[3]邹慧君.机械系统概念设计[M].北京:机械工业出版社, 2003.
[4]薄瑞峰, 李瑞琴.采用学习向量量化神经网络法研究机构的选型[J].机械设计与研究, 2009, 25 (6) :18-21.
[5]薄瑞峰.基于计算智能的产品概念设计及应用[M].北京:电子工业出版社, 2011.
[6]Sun J, Kalenchuk D K.Design candidate identification using neural network-based fuzzy reasoning[J].Robotics and Computer-Integrated Manufacturing, 2000, 16 (5) :382-396.
浅议BP网络 篇2
关键词：神经网络 ；BP网络； 优缺点； 改进算法
【中图分类号】 TP183 【文献标识码】 B【文章编号】 1671-1297（2012）09-0196-02
思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。
人工神经网络（Artificial Neural Networks，NN）就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。人工神经网络系统从20世纪40年代末诞生至今仅短短半个多世纪，但由于它具有信息的分布存储、并行处理以及自学习能力等优点，已经在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。
神经网络拓扑结构的单隐层前馈网络，一般称为三层前馈网或三层感知器，即：输入层、中间层（也称隐层）和输出层。它的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，够成具有层次结构的前馈型神经网络系统。单计算层前馈神经网络只能求解线性可分问题，能够求解非线性问题的网络必须是具有隐层的多层神经网络。
一 BP网络
1986年，Rumelhart和Hinton提出了误差反向传播神经网络（Error Back Propagation Neural Network），简称BP网络。它是一种能向着满足给定的输入输出关心方向进行自组织的神经网络。
1. BP网络的原理
输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
2. BP网络的特点
（1）输入和输出是并行的模拟量。
（2）网络的输入输出关系是各层连接的权因子决定，没有固定的算法。
（3）权因子是通过学习信号调节的，这样学习越多，网络越聪明。
（4）隐含层越多，网络输出精度越高，且个别权因子的损坏不会对网络输出产生大的影响。
3. BP网络的优点
（1）网络实质上实现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于求解内部机制复杂的问题。
（2）网络能通过学习带正确答案的实例集自动提取"合理的"求解规则，即具有自学习能力。
（3）网络具有一定的推广、概括能力。
4. BP网络的缺点
BP算法的学习速度很慢，其原因主要有：
（1）由于BP算法本质上为梯度下降法，而它所要优化的目标函数又非常复杂，因此，必然会出现"锯齿形现象"，这使得BP算法低效；
（2）存在麻痹现象，由于优化的目标函数很复杂，它必然会在神经元输出接近0或1的情况下，出现一些平坦区，在这些区域内，权值误差改变很小，使训练过程几乎停顿；
（3）为了使网络执行BP算法，不能用传统的一维搜索法求每次迭代的步长，而必须把步长的更新规则预先赋予网络，这种方法将引起算法低效。
网络训练失败的可能性较大，其原因有：
（1）从数学角度看，BP算法为一种局部搜索的优化方法，但它要解决的问题为求解复杂非线性函数的全局极值，因此，算法很有可能陷入局部极值，使训练失败；
（2）网络的逼近、推广能力同学习样本的典型性密切相关，而从问题中选取典型样本实例组成训练集是一个很困难的问题。
难以解决应用问题的实例规模和网络规模间的矛盾。这涉及到网络容量的可能性与可行性的关系问题，即学习复杂性问题。
网络结构的选择尚无一种统一而完整的理论指导，一般只能由经验选定。为此，有人称神经网络的结构选择为一种艺术。而网络的结构直接影响网络的逼近能力及推广性质。因此，应用中如何选择合适的网络结构是一个重要的问题。
新加入的样本要影响已学习成功的网络，而且刻画每个输入样本的特征的数目也必须相同。
二 BP网络的改进算法
BP算法最优化的方向主要有权值调整、自适应学习速率调整、网络结构调整等。常用的改进方法有以下几种：
1.加入动量项
利用附加动量的作用则有可能滑过局部极小值。该方法所加入的动量实质上相当于阻尼项，它減小了学习过程的振荡趋势，改善了收敛性，这是目前应用比较广泛的一种改进算法。
2.自适应学习速率调整
对于一个特定的问题，要选择适当的学习速率并不是一件容易的事情。对训练开始初期功效很好的学习速率，不一定对后来的训练合适。为了解决这一问题，人们自然会想到在训练过程中自动调整学习速率。
3.共轭梯度算法
在各种改进算法中，共轭梯度法（Conjugate Gradient）是非常重要的一种。其优点是所需存储量小，具有N步收敛性，稳定性高，而且不需要任何外来参数。
4.Levenberg-Marquart算法（最小二乘拟合算法）
除了改进算法以外，通过改变神经网络结构（隐层结点数和网络层数）、调整误差等方法，也能加快BP算法的收敛速度。
参考文献
[1] 张宏林.Visual C++数字图象模式识别技术及工程世纪[M].北京：人民邮电出版社，2008.
BP方案 篇3
近日, 全球能效管理与自动化专家施耐德电气与英国石油公司 (British Petroleum) 签订了Sim Sci Spiral软件解决方案全球合作协议, 其中包括供应链的计划、供应和分配优化模块。施耐德电气Spiral软件的专业开发和支持团队将与英国石油公司在其全球炼油厂合作部署该解决方案。此增强型油气供应链优化解决方案的部署, 将成为英国石油公司提高其燃料业务商业性能的关键。
施耐德电气Spiral软件是一个用于油气加工产业油气加工产业的现代化企业供应链管理解决方案, 能够消除现有单点解决方案所存在的低效率问题。借助云分布式计算的工具分析学, 可实现更多场景的快速分析, 以做出更好的决策。其现代化的可扩展架构助力整个企业进行良好协作。
施耐德电气Spiral软件采用了最新技术, 能够带来高效、灵活和熟悉的用户体验。Spiral Plan和Spiral Network模块支持贯穿于大大小小炼油厂的所有计划和产品分配工作过程。所有的活动都是由单一应用、单一用户界面和单一数据源, 以及版本和数据的管理控制所支持。Spiral软件可使信息在用户之间方便地共享, 促进交易者、计划者和分析者之间的理解与合作。
BP眼里的世界石油储备 篇4
“我们还没有摆脱碳氢化合物”， BP首席执行官海沃德（Tony Hayward）说。为了支持这一观点，他引用了该公司6月11日发表的最新一期《BP能源统计》上的数字,这些数字在油价飞涨的时代令人欣慰。海沃德说，按目前的消费水平，全球已探明的石油储备可供生产42年。按照他的估计，人类已消费了1万亿桶石油，现在已为下一个1万亿桶石油做好了准备，如果努力开发，人类将可能开采第三个1个万亿桶石油。那么，为什么油价仍徘徊在每桶130美元以上高价呢？
海沃德先生将其归咎于错误的政策，或者他所谓的“人类的疯狂”。他抱怨道，全球约80%的石油储备都掌握在国有石油企业手中，只有这些公司可以开采。这位BP的当家人认为，如果这些储备得到充分开采，世界的石油产量是很容易达到每天1亿桶，甚至更多。这个数字，与去年的每天8200万桶相比，是个很大的提高；但对于诸如另一个西方大公司道达尔（Total）石油企业首席执行官及其他石油企业来说，这个数字是不可能达到的。
乍看之下，BP自己的数据似乎预示石油市场的前景暗淡。该公司认为，去年全球石油日产量下降了13万桶。更糟的是，2007年全球探明石油储量也下降了约16亿桶。这些数据表明，现在全球石油的消费速度超过其生产速度——即便储备量巨大，情况仍然令人担忧。
但该报告的作者之一，BP首席经济学家克里斯多夫?鲁尔（Christof Rühl）指出，石油储备方面的数据更新很缓慢。对于一些国家，BP不得不将就使用去年的数据。他预计，实际上，最新数据将有所增加。自1987年以来，全球石油储备已上升了36％。
至于石油产量，克里斯多夫?鲁尔将去年产量下降的原因分为非自愿和蓄意两种。一些国家如墨西哥和挪威，其石油产量下降是必然的。其它一些国家，如尼日利亚，其生产量下降是由政治动乱所引起的。但迄今为止，最为急剧的下降，去年发生在沙特阿拉伯。一些人認为，这也是在对地质财富界限进行测试。但无论如何，很明显产量的削减是蓄意计划的。
去年年初，欧佩克为股价上涨和油价下跌而担忧。为此，欧佩克决定削减石油产量，其中以沙特阿拉伯的削减幅度最大。克里斯多夫?鲁尔认为，如果沙特阿拉伯愿意，它可以再提高其产量。
从消费量方面来说，BP的报告也是好坏掺半。去年，富裕国家对石油的需求下降了几乎1％——这是自1983年以来的最大跌幅。但在较贫穷国家，石油需求的增长超过4％，部分原因是发展中经济体的增长速度快于富裕国家。但是，对燃油消费提供补贴也是一个很大的原因。
据克里斯多夫?鲁尔称，在油税高的国家，石油的消费量正在下降，只有在油税适中的国家，石油的消费量在缓慢上升。但在提供燃油补贴的国家，石油消费量上升的速度比正常的要快，在燃油补贴最高的国家，上升速度最快。
换句话说，BP的观点是，高油价的根源不是强烈需求和薄弱供应之间的不协调，而在于各国政府没有发挥市场的强大作用。在需求方面有改善的迹象：一些亚洲国家政府最近决定将不再提供燃油补贴。但是，很难想象，世界上最热烈的能源民族主义国家会突然为外国投资敞开大门。
BP神经网络优化算法研究 篇5
BP算法的基本思想是[2]:学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入样本从输入层传人,经各隐层逐层处理后,传向输出层。若输出层实际输出与期望的输出不符,则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程,是周而复始地进行的。权值不断调整的过程,也就是网络学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度或进行到预先设定的学习次数为止。BP网络模型中的单隐层网络即三层前馈网络(如图1所示)的应用最为普遍。主要包括输入层、隐层和输出层。
将BP算法用于具有非线性转移函数的三层前馈网络,可以任意精度逼近任何非线性函数,这一优势使三层前馈网络得到越来越广泛的应用。然而标准的BP算法在应用中暴露出不少内在的缺陷:1)对初始权重非常敏感,易形成局部极小而得不到全局最优;2)往往停滞于误差梯度曲面的平坦区,收敛速度慢甚至不能收敛;3)隐节点数难以确定,缺乏理论指导;4)训练时学习新样本有遗忘旧样本的趋势。
1 研究现状
为了克服上述BP网络的缺陷,目前国内外对标准BP算法优化的方法主要有两类:一是借助其它算法对BP算法进行优化;二是直接改进BP算法。
1.1 借助其它算法优化BP算法
1)遗传算法结合模拟退火算法优化BP算法
遗传算法(Genetic Algorithm,GA)[3]是一种模拟达尔文的遗传选择和自然淘汰的生物进化论的计算模型。它借用生物遗传学的观点,通过自然选择、遗传、变异等作用机制,实现了各个个体的适应性的提高G。
模拟退火算法(Simulated Annealing,SA)[3]来源于固体退火原理,先随机产生一个解,对当前解重复“产生新解→计算目标函数差→接受或舍弃”的迭代,如果新解的函数差小,则用新解代替旧解,否则也不是绝对舍弃,而是以一定的概率来接受它,正是这一点,使得模拟退火算法比遗传算法得到最优解更具有全局性。
文献[3]提出利用遗传算法结合模拟退火算法进行BP神经网络权值训练。从仿真实验结果可以看出,通过这一步的训练,可以减少BP训练的次数,提高了效率。
2)利用遗传算法(GA)和基因表达式编程(GEP)优化BP算法
文献[4]为解决BP神经网络收敛速度慢和易陷入局部极小值的缺点,利用遗传算法(GA)和基因表达式编程(GEP)的各自特点基于BP算法提出了两种改进算法:其一是GA-BP算法,即利用GA优化BP神经网络的权值和阈值;其二是GEP-BP算法,即利用GEP对BP网络进行调整,包括网络结构、权值和阈值。
GA-BP算法:GA从本质上是一种不依赖具体问题的直接搜索方法,仅需要给出目标函数的描述,从一组随机产生的种群中开始,从全局空间出发搜索问题的最优解,且能以较大的概率找到最优解,故利用GA来优化BP网络的权值和阈值,形成GA-BP算法,对网络训练,这样可避免BP网络易陷入局部极小问题,且收敛速度快,达到优化网络的目的,同时解决预测问题的能力加强。
基因表达式编程(Gene Expression Programming,GEP)是一种全新的进化算法,起源于生物学领域。它继承了传统的遗传算法和遗传编程的优点,在此基础上发展了属于GEP特有的遗传操作,大量的实验表明,GEP算法以及各种改进的GEP算法在发现未知先验知识的数据函数关系以及对时间序列分析都有着非常好的表现。GEP算法[4,5]一开始随机产生初始群体的每个染色体。随后对染色体进行表现树解释,并计算每个个体的适应度。对个体根据其适应度进行选择,对个体经过遗传操作后复制到下一代,使后代具有新的特性。文献[4]利用GEP独特的编码方式对BP网络的结构、权值和阈值进行调整,使用演化机制对网络进行训练和调整,故将二者结合起来,形成GEP-BP算法。GEP-BP算法根据GEP的特点,可以对BP网络的结构,权值和阈值同时进行调整。
3)利用Levenberg-Marquardt算法对传统BP算法进行改进。
Levenberg-Marquardt算法是一种解非线性最小二乘问题的有效方法,具有收敛快和逼近精度高的优点。网络权值、阈值的调整问题实质上是一个处理非线性误差函数的最小二乘问题,因此可用LM算法来实现权值和阈值的调整[6]。LM算法既可避免高斯牛顿法中容易出现的Jacobian矩阵病态和假收敛等缺点,又可避开梯度下降法中极值点附近逼近精度低和收敛慢的缺点,它能够保证权值和阈值的每次调整都使误差减小,避免网络的震荡。此算法改进了传统BP网络的不足,加快了网络的收敛速度,最后的仿真实验也验证了算法的可行性和有效性。
文献[7]通过引入改进的Levenberg-Marquardt算法,解决了BP算法训练时间长、网络收敛速度慢的问题。
1.2 改进BP算法
国内外已提出不少有效的改进算法[2]主要有以下几种方法:增加动量项,自适应调节学习率,引入陡度因子等。
标准BP算法收敛速度慢或收敛于局部极小值等问题产生的重要原因是学习率选择不当,学习率选的太小,收敛太慢;学习率选的太大,有可能修正过头,导致不收敛,因此文献[9]提出了学习率可变的优化算法,其权值修正公式为:
式中k为训练次数,α为动量因子,一般取0.95左右,η为学习率,是常量。E为误差函数,λinc为增量因子,使学习率增加,λdec为减量因子,使学习率减小。在公式(2)中加入了动量因子α,使得B-P网络在修正权值时,不仅考虑误差在梯度上的作用,而且考虑在误差曲面上变化趋势的影响,它允许忽略网络上的微小变化特性,实质上是相当于阻尼项,减小了学习过程的振荡趋势,从而改善了收敛性,实现算法的优化。
2 展望
1)当前的优化算法缺少实际应用的验证,下一步可以应用优化算法解决实际问题;2)新的优化算法可以结合小波网络或者粒子群算法对BP算法进行优化。
3 总结
本文综述了当前国内外BP算法的优化方法,并对每一种优化方法进行了性能分析。
参考文献
[1]Huang S H,Zhang H C.Artificial neural network in manufacturing:concepts,applications,and perspectives[J].IEEE Transaction on Components,Packaging and Manufacturing Technology,1994,17(2):212-228.
[2]周政.BP神经网络的发展现状综述[J].山西电子技术,2008(2):90-92.
[3]张山,何建农.BP神经网络的优化算法研究[J].计算机与现代化,2009(1):73-75.
[4]杨丽芬,蔡之华.BP神经网络优化算法研究[J].软件导刊,2007(3):106-108.
[5]C.Ferreira.Gene Expression Programming:A New Adaptive Algorithm for solving Problems[J].Complex Systems,2001,(2).
[6]李佳,周铁军.BP神经网络优化算法在入侵检测中的应用研究[J].计算机与信息技术,25-26,29.
[7]戴群亮,赵丁选.基于BP神经网络优化算法的工程车辆挡位判断的训练及仿真[J].机械工程学报,2002(11):124-127.
基于BP网络的电机故障诊断 篇6
关键词：BP神经网络,电机,故障诊断
0 引言
电机的正常工作对保证生产制造过程的正常进行意义非常重大。因此对电机故障的诊断要求十分迫切, 通过对电机常见故障的诊断和分析, 可以及早发现故障和预防故障的进一步恶化。随着芯片技术的发展及智能技术的应用, 诊断技术已经进入了一个新的阶段, 一种基于人工智能技术的诊断方法。该文用BP神经网络综合实现电机故障的诊断。
1 BP神经网络
人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统, 其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单, 功能有限, 但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
BP (Back Propagation) 网络是一种按误差逆传播算法训练的多层前馈网络, 是目前应用最广泛的神经网络模型之一。BP神经网络模型拓扑结构包括输入层 (input) 、隐层 (hide layer) 和输出层 (output laye r) 。BP网络能学习和存贮大量的输入-输出模式映射关系, 而无需事前揭示描述这种映射关系的数学方程。
BP算法理论具有依据可靠、推导过程严谨、精度较高、通用性较好等优点, 但标准BP算法存在以下缺点:收敛速度缓慢, 容易陷入局部极小值, 难以确定隐层数和隐层节点个数。在实际应用中, BP算法很难胜任, 因此出现了很多改进算法: (1) 利用动量法改进BP算法; (2) 自适应调整学习速率; (3) 动量-自适应学习速率调整算法; (4) L-M学习规则。
2 电机故障诊断
由于人为的因素, 仅依靠日常的“听、摸、看”难免会造成一定的判断失误, 一方面造成电机抱轴等严重事故的发生, 另一方面又可能对状态较好的电机进行停车检修, 如此不仅不能保证装置的平稳运行, 同时还造成了检修费用的大量浪费。
故障诊断技术发展至今已经历了三个阶段:第一阶段由于机器设备比较简单, 故障诊断主要依靠专家或维修人员的感觉器官、个人经验及简单仪表就能胜任故障的诊断与排除工作;传感器技术、动态测试技术及信号分析技术的发展使得诊断技术进入了第二个阶段, 并且在维修工程和可靠性工程中得到了广泛的应用;8 0年代初期, 由于机器设备日趋复杂化、智能化及光机电一体化, 传统的诊断技术已经不能适应了, 随着计算机技术、人工智能技术特别是专家系统的发展, 诊断技术进入第三个发展阶段—智能化阶段。
电机故障诊断, 尤其是多个故障特征信号相互交织叠加时, 很难仅凭肉眼进行判断识别, 而人工神经网络具有独特的非线性映射、联想记忆、自适应与自学习以及良好的容错性等优点, 十分适用于复杂电机系统的故障诊断。
各种类型的电机具有相同的基本原理, 电机内部都有电路、磁路、绝缘和机械等独立而相互关联的系统, 一般用于电动机故障诊断的技术方法有: (1) 电流分析法。通过对电机电流幅值、波形的检测和频谱分析, 诊断电机故障的原因和程度。例如通过检测交流电动机的电流, 进行频谱分析来诊断电机是否存在转子绕组断条、气隙偏心、定子绕组故障、转子不平衡等缺陷。 (2) 振动诊断法。通过对电动机的振动检测, 对信号进行各种处理和分析, 诊断电机产生故障的原因和部位, 并制定处理方案。 (3) 绝缘诊断。利用各种电气试验和特殊诊断技术, 对电机的绝缘结构、工作性能和是否存在缺陷作出结论, 并对绝缘剩余寿命作出预测。 (4) 温度诊断。用各种温度检测方法和红外测温技术, 对电机各部分温度进行监测和故障诊断。 (5) 振声诊断技术。振声诊断技术是对诊断的对象同时采集振动信号和噪声信号, 分别进行信号处理, 然后综合诊断, 因而可以大大提高诊断的准确率。
3 系统总体方案
表1为该系统列出了5种常见的电机故障征兆集和, 在集合中, “1”表示有征兆存在, “0”表示征兆不存在。
根据经验输出为电机的故障等级, 范围从0~1, 表1的样本输入对应的样本输出如表2。
4 软件实现
BP网络在Matlab上的仿真程序设计主要包括:输入层、隐含层、输出层及各层之间的传输函数几个方面。输入和输出样本分别为表1和表2。利用Matlab在模式识别方面采用采用自适应学习率BP算法计算机进行仿真。这里用到m atalab神经网络工具箱中的一个非常实用的函数newff。newff函数需要4个输入参数。第一个参数是一个Rx2的矩阵以定义R个输入向量的最小值和最大值。第二个参数是一个设定每层神经元个数的数组。第三个参数是包含每层用到的传递函数名称的细胞数组。最后一个参数是用到的训练函数的名称。
根据表1样本输入和表2样本输出, 创建bp网络和定义训练函数, 是为了方便而建立一个矩阵, 用newff函数来训练BP网络。关键程序如下:net=newff ([0 1;0 1;0 1;0 1;0 1], [5 1], {'logsig', 'purelin'}, 'trainlm') ;%这里要加入输出层的转移函数, 一般是trainlm;ne t.train Param.goal=0.001;ne t.train Param.e pochs=5000;[ne t, tr]=train (ne t, p, t) ;%训练神经网络iw 1=ne t.IW{1};%输出训练后的权值和阈值:b1=net.b{1};lw2=net.LW{2};b2=net.b{2};save net51 net。
5 结束语
BP神经网络改进算法研究 篇7
1986年, Rumelhart提出了反向传播学习算法, 即BP (backpropagation) 算法。反向传播BP (back propagation) 神经网络是一种按误差逆传播算法训练的多层前馈网络, 是目前应用最广泛的神经网络模型之一[1]。这种算法可以对网络中各层的权系数进行修正, 故适用于多层网络的学习。BP算法是目前应用最广泛的神经网络学习算法之一, 在自动控制中是最有用的学习算法。它含有输人层、输出层以及处于输入输出层之间的中间层。中间层有单层或多层, 由于它们和外界没有直接联系, 故也称为隐层, 在隐层中的神经元也称隐单元。隐层虽然和外界不连接, 但是它们的状态影响着输入输出之间的关系, 也就是说, 改变隐层的权系数, 可以改变整个多层神经网络的性能[2]。
1 BP神经网络模型
BP神经网络模型由一个输入层、一个输出层以及一个或多个隐含层构成。在同一层中各神经元之间相互独立。输入信号从输入层神经元, 依次通过各个隐含层神经元, 最后传递到输出层神经元, 图1中给出了包含一个隐含层的BP网络模型结构, 隐含层神经元个数为m。理论研究表明, 具有一个输入层、一个线性输出层以及Sigmoid型激活函数的隐含层的BP网络能够以任意精度逼近任何连续可微函数[3]。
三层感知器中, 输入向量为X= (x1, x2…xi…xn) T, 图1中x0=-1是为隐层神经元引入阈值而设置的, 隐层输入向量为Y= (y1, y2…yj…ym, ) T, 图中y0=-1是为输出层神经元引入阈值而设置的;输出层输出向量O= (o1, o2, …, ok, ol) T, 期望输出向量为d= (d1, d2, …, dk, dl) T, 输入层到隐层之间的权值矩阵用V表示, V= (V1, V2, …, Vj, …Vm) T, 隐层到输入层之间的权值矩阵用W表示, W = (W1, W2, …, Wk, …Wl) T, 下面分析各层信号之间的关系[4]。
对于输入层:
对于隐层:
以上两式中, 激活函数都是sigmoid函数。
, f (x) 具有连续、可导的特点且f’ (x) = f (x) [1-f (x) ]。
根据以上公式, 可以推导出权值调整量 Δwjk和Δvjk分别是:
2 BP标准神经网络算法分析
相对于其它神经网络算法, 标准BP算法的数学结构比较简单, 一般计算机专业人员能够较快地入手, 并且BP神经网络算法可以进行并行处理, 所以BP神经网络算法是目前用得比较多的算法之一。与之前的人工神经网络模型相比, BP反向传播神经网络不仅在理论上较为成熟, 而且在实践上可以应用到多个领域, 最突出的优点就是具有很强的非线性映射能力。但是标准BP算法也存在学习训练时间长、算法收敛速度慢等缺陷。经分析发现导致BP算法收敛速度慢的原因很多, 如:学习步长选取、初始权值的选定等都会对收敛速度产生影响, 所以如果BP神经网络学习训练次数过多, 会造成学习训练时间过长。如果学习收敛速度太慢, 即使是一个比较简单的问题, 也需要几百次甚至上千次的学习才收敛于稳定状态, 使得用户等待时间过长。
虽然BP网络得到了广泛的应用, 但其自身也存在一些缺陷和不足, 主要包括以下几个方面:首先, 由于学习速率是固定的, 因此如果网络的收敛速度慢, 就需要较长的训练时间。对于一些复杂问题, BP算法需要的训练时间可能非常长, 这主要是由于学习速率太小而造成, 可采用变化的学习速率或自适应的学习速率加以改进;其次, BP算法可以使权值收敛到某个值, 但并不保证其为误差平面的全局最小值, 这是因为采用梯度下降法可能产生一个局部最小值;再次, 网络隐含层的层数和单元数的选择虽然有一定的理论指导, 但是在实际应用中一般是根据经验或者通过反复实验确定;最后, 网络的学习和记忆具有不稳定性, 也就是说, 如果增加了学习样本, 训练好的网络就需要从头开始训练, 对于以前的权值和阈值是没有记忆的, 但是可以将预测、分类或聚类做得比较好的权值进行保存。
3 BP标准神经网络算法分析
根据BP标准算法, 以输入层为例, 由其误差梯度表达式可知, 由于误差梯度小意味着δko接近于零。而δko的表达式为δko= (dk-ok) ok (1-ok) , 可以得出δko接近于零有3种可能: (dk-ok) 接近于零、ok接近于零、ok接近于1。ok接近于0和1的可能在于激活函数存在于饱和区。 从图2 sigmoid激活函数可以看出, 当|ok|>=3时, ok就进入了1或0的饱和区, 此时, 尽管 (dk-ok) 很大, 误差很大, 但是由于ok接近于0和1的饱和区, 此时对权值的变化很小, 进而使得训练次数加大。
4 BP神经网络改进算法
4.1 训练样本选择
对于训练样本的选择, 一般样本越多, 越能反映其内部复杂的规律, 较多的样本输入可以提高泛化能力, 但是样本采样有时也会受到实际情况的限制。以外, 当样本多到一定程度时, 网络的泛化能力就很难再有提高。研究表明, 网络训练所需样本数目跟输入和输出之间存在着一定的关系。如果输入和输出之间的关系比较复杂, 则样本需要多一些, 反之样本数目适当地要少一些。
采用BP神经网络方法建模需要有足够多典型性好和精度高的样本。而且, 为监控训练 (学习) 过程使之不发生“过拟合”和评价所建立的网络模型的性能和泛化能力, 必须将收集到的数据随机分成训练样本、检验样本 (10%以上) 和测试样本 (10% 以上) 3部分。此外, 数据分组时还应尽可能考虑样本模式间的平衡。
4.2 初始权值选择
在神经网络训练前, 对样本进行适当地选择, 对于选择好的样本, 要对它进行一定的处理, 如对变量进行压缩、归一化处理等。
4.3 隐节点选取
在BP网络中, 隐层节点数的选择非常重要, 它不仅对建立的神经网络模型的性能影响很大, 而且是训练过程中出现“过拟合”的直接原因, 但是至今理论上还没有一种科学的和普遍的确定方法。目前, 多数文献中提出的确定隐层节点数的计算公式都是针对训练样本任意多的情况, 而且多数是针对最不利的情况, 一般工程实践中很难满足, 不宜采用。事实上, 各种计算公式得到的隐层节点数有时相差几倍甚至上百倍。为尽可能避免训练时出现“过拟合”现象, 保证足够高的网络性能和泛化能力, 确定隐层节点数的最基本原则是:在满足精度要求的前提下取尽可能紧凑的结构, 即取尽可能少的隐层节点数。研究表明, 隐层节点数不仅与输入/输出层的节点数有关, 更与需解决的问题的复杂程度和转换函数的型式以及样本数据的特性等因素有关。
4.4 激活函数选择
根据上述分析可知, 当权值调整进入饱和区域后, 神经网络的权值调整非常缓慢, 调整次数也逐渐增多。如果在调整进入饱和区域后, 设法压缩神经元的净输入, 使其退出激活函数的饱和区域, 这样可以变化调整激活函数的形状, 从而使得调整退出饱和区域。要想实现这个做法, 可以采用其它激活函数。在这个激活函数中, 可以引进一个陡徒因子α, 激活函数的定义为, 此函数图如图3所示。可以看出改变陡徒因子 α可以改变倾斜程度, 从而使得激活函数能够提前退出饱和区域。
当发现权值的调整量非常小而dk-ok仍然较大时, 可以判定激活函数进入饱和区域, 此时可以适当地减少α的值;当退出饱和区域时, 将 α恢复成原来的值。应用表明, 该方法对提高神经网络算法的收敛速度十分有效。
5 仿真实验
根据以上算法, 对标准BP算法和改进的BP算法进行仿真计算, 仿真计算的结果如表1所示。
标准BP算法和改进后的BP神经网络算法仿真结果如表1所示。从表中可以看出, 标准BP算法不仅所要求的训练时间比较长, 在效果上也存住较大的误差。与BP标准算法相比, BP神经网络改进算法在训练时间上明显减少, 训练迭代次数从150次减少到70次, 大大地减少了跌点次数, 节约了很多时间。在实际误差上, 标准BP算法的误差达到了0.019 6, 而BP神经网络改进算法的误差只有0.015 1, 训练效果有了明显提高, 误差也明显降低。由此可以看出, BP神经网络改进算法无沦在训练时间还是训练效果上都非常不错。
6 结语
从大量的实际应用来看, 收敛速率慢、学习时间长, 甚至达不到收敛精度是常规BP算法的主要缺陷。目前, 对于BP算法已得出了很多改进的方法, 如引入动量法、变步长法等, 它们都是对误差函数进行了改进。BP神经网络的改进算法通过调整激活函数, 合理使用初始值, 科学地选取隐层节点数, 有效地避免了神经元输出落入Sig-moid型函数的饱和区。通过对BP算法的改进, 在权值调整进入饱和区后, 使用改进后的激活函数, 可以减少BP算法的迭代次数, 减少误差, 提高BP算法的工作效率。
参考文献
[1]李翔, 朱全银.Adaboost算法改进BP神经网络预测研究[J].计算机工程与科学, 2013 (8) .
[2]韩立群.人工神经网络教程[M].北京:人民邮电出版社, 2007.
浅析BP神经网络的应用 篇8
在土木工程这门学科中, 有许非线性问题, 并且存在多个变量, 变量之间的关系又非常复杂, 而想要找出变量之间的关系是非常困难的, 在这种情况下, 人工神经网络的高度并行性;高度的非线性全局作用;良好的容错性与联想记忆功能;强大的自我学习和自我适应能力等特征非常适合于解决土木工程领域的此类问题。
1 BP神经网络模型的建立与应用
随着桩基础越来越被广泛的应用于各类项目, 其自身潜在的弊端也不容轻视。目前, 用于桩基础完整性检测和分析的技术与方法有很多, 但或多或少都存在一定的局限性, 如进行理论分析时若干参数的取值难以确定, 或者有少数检测人员经验不足会导致误判等等, 这些因素都会直接或间接的影响桩基础检测的准确度。在这种情况下便引入了神经网络的方法, 因为桩基检测不是线性的而且毫无规律性, 神经网络就能够发挥其强大的非线性连接功能对桩基完整性进行检测, 首先就避免了测试人员经验不足对其造成的不良影响。
王成华、李武君[2]建立了一个计算灌注桩在受到轴向作用力时位移变化的BP神经网络模型, 首先将提取的采样点运用傅里叶公式转换为离散点, 为了缩短计算时间并保证精度, 将采样点分为若干等分, 通过每一等分的平均值设定网络的输出单元个数, 经过训练之后, 发现结果准确度较高。
2003年, 王成华、张薇[3]在把桩身应力波曲线和桩身各项参数作为输入信息, 桩身的完整性类型作为输出信息, 通过BP神经网络的判断也得到了理想的结果。
杨敏、殷海涛[4]于2007年通过尝试不同的运算方式, 经过技术的不断改进, 加快了网络模型的计算速度, 并完善了网络的可行性, 同时通过网络优化实验获得了较好的网络模型结构。
1.1 BP算法的思路
采用BP算法的主要目的是预测数据, 其思路可大体概括为:
1) 首先采集一定量的数据作为输入样本, 输入BP算法中进行学习, 这是BP网络训练的过程, 为的是使网络逐渐收敛以致达到理想的精度;
2) 建立一个储存数据的空间, 如一个文本档;
3) 从储存空间中提取网络连接权值矩阵, 通过BP神经网络的正向传播把样本数据输入网络, 进行计算和处理便得到了所要预测的数值矩阵。
1.2 输入和输出处理
为了简单明了的表达BP神经网络的输出结果, 为了使网络符合运算要求并减少运算时间, 因此要对输入信号及学习样本进行数据压缩, 另外要避免计算误差过大, 通常在程序命令中将输入数据存放在0到1之间, 将输出数据同样也存放在0到1之间, 下面为计算公式:
Y'=YYmax--YminYmin
式中:Y———压缩前的数据值;
Y'———压缩后的数据值;
Ymax———输入数据中的最大值;
Ymin———输入数据中的最小值。
1.3 选取输入数据的规则
通常所选取的输入数据, 即要训练网络的数据, 应该符合以下四点原则:
1) 紧密关联性:由于输出结果很大程度上受到输入数据的直接影响, 因此要保证输入数据与输出数据之间存在紧密的数学关系;
2) 输入数据简洁性:要求每个输入数据都是彼此独立存在的;
3) 可比较性:是指待测数据与输入样本数据要有一定程度的相似性, 例如在桩基检测中, 不同桩长、桩径的完整桩具有共性, 但是用它的数据来判断缺陷桩的数据, 明显得不到理想的结果。另外要尽量保证待测数据和输入数据有相同的出处, 例如都是从施工现场采集的数据, 或者都是在实验室测得的数据等等, 当两者数据从不同的地方获取时, 便无法得到高精度的检测结果;
4) 代表性:要求输入的数据样本必须具有代表性, 因为如果输入样本数目太少, 输出结果中就会出现没有达到检测精度的数据, 甚至会出现全部数据都无法检测的情况, 所以建议要采集宁多不少的输入数据, 而且这些样本必须要具有代表性, 要能够涵盖所有待测数据具备的特性, 这样才能使得所有数据组合起来能够充分反映出输入数据和输出数据之间相互对应的关系, 最终得到准确无误的判别结果。
2 桩基检测中神经网络输入因素的确定
在桩基检测时, 影响样本数据、输入数据和待测数据的因素有很多, 例如桩-土之间的相互作用、桩身材料、桩身的几何尺寸、作用在桩顶部激振力的大小、桩身缺陷等。在张乐婷[5]利用ANSYS/LS-DY-NA建立的桩-土模型中提取相应数据以及桩身应力波波形图, 为了便于BP神经网络分析和使数据具有可比性, 需要在进行神经网络判断之前, 在实测波形曲线、模拟波形曲线分别与理论波形曲线对比时, 对数据以及波形曲线进行如下处理:
1) 将接收到的数据进行复合辛普森变换得到速度和时间的数据;
2) 为了使不同条件下的数据具有可比性, 对数据进行无量纲和归一化处理, 即将入射波波幅值统一取为单位1, 将应力波入射波波峰对应的时间取为0, 到达桩底反射波波峰对应的时间取为2, 具体如图2所示;
3) 提取横坐标0~2的信息点, 在条件允许的情况下尽可能多取。
3 结语
本文主要阐述了人工神经网络中运用最为广泛的BP神经网络, 采用图示表达了BP神经网络的模型与结构, 通过具体公式的推导描述了其如何进行学习与计算, 说明了这种网络是一种误差反向传播的过程, 并且是能够解决非线性等特殊问题的有利工具, 然后指出了建立BP神经网络模型的注意事项及其应用范围, 说明了本文所采用数据和网络的处理前提, 为后续BP神经网络模型的建立提供了理论基础。
摘要：人工神经网络应用最多的模型之一是BP神经网络, 是能够解决多层神经网络权值修正的算法, 也称为误差反向传播法。通过分析BP神经网络的基本原理、学习与算法、模型的建立与应用, 说明BP神经网络能够运用于桩基完整性的检测中, 并为进一步检测桩基存在哪种缺陷类型提供了理论基础。
关键词：BP神经网络,桩基检测,应力波
参考文献
基于BP网络的电机故障诊断 篇9
摘要：介绍了BP神经网络以及电机故障诊断的发展和电动机故障诊断常见的技术方法，列举了电机故障征兆集。设计一个具有电机故障诊断功能的BP网络系统，给出了matlab关键程序和运行结果。
关键词：BP神经网络电机故障诊断
0引言
电机的正常工作对保证生产制造过程的正常进行意义非常重大。因此对电机故障的诊断要求十分迫切，通过对电机常见故障的诊断和分析，可以及早发现故障和预防故障的进一步恶化。随着芯片技术的发展及智能技术的应用，诊断技术已经进入了一个新的阶段，一种基于人工智能技术的诊断方法。该文用BP神经网络综合实现电机故障的诊断。
1BP神经网络
人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
BP(Back Propagation)网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(outputlayer)。BP网络能学习和存贮大量的输入一输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。
BP算法理论具有依据可靠、推导过程严谨、精度较高、通用性较好等优点，但标准BP算法存在以下缺点：收敛速度缓慢，容易陷入局部极小值，难以确定隐层数和隐层节点个数。在实际应用中，BP算法很难胜任，因此出现了很多改进算法：①利用动量法改进BP算法：②自适应调整学习速率；⑧动量一自适应学习速率调整算法：④L—M学习规则。
2电机故障诊断
由于人为的因素，仅依靠日常的“听、摸、看”难免会造成一定的判断失误，一方面造成电机抱轴等严重事故的发生，另一方面又可能对状态较好的电机进行停车检修，如此不仅不能保证装置的平稳运行，同时还造成了检修费用的大量浪费。
故障诊断技术发展至今已经历了三个阶段第一阶段由于机器设备比较简单，故障诊断主要依靠专家或维修人员的感觉器官、个人经验及简单仪表就能胜任故障的诊断与排除工作；传感器技术、动态测试技术及信号分析技术的发展使得诊断技术进入了第二个阶段，并且在维修工程和可靠性工程中得到了广泛的应用；80年代初期，由于机器设备日趋复杂化、智能化及光机电一体化，传统的诊断技术已经不能适应了，随着计算机技术、人工智能技术特别是专家系统的发展，诊断技术进入第三个发展阶段一智能化阶段。
电机故障诊断，尤其是多个故障特征信号相互交织叠加时，很难仅凭肉眼进行判断识别，而人工神经网络具有独特的非线性映射、联想记忆、自适应与自学习以及良好的容错性等优点，十分适用于复杂电机系统的故障诊断。
各种类型的电机具有相同的基本原理，电机内部都有电路、磁路、绝缘和机械等独立而相互关联的系统，一般用于电动机故障诊断的技术方法有：①电流分析法。通过对电机电流幅值、波形的检测和频谱分析，诊断电机故障的原因和程度。例如通过检测交流电动机的电流，进行频谱分析来诊断电机是否存在转子绕组断条、气隙偏心、定子绕组故障、转子不平衡等缺陷。②振动诊断法。通过对电动机的振动检测，对信号进行各种处理和分析，诊断电机产生故障的原因和部位，并制定处理方案。⑧绝缘诊断。利用各种电气试验和特殊诊断技术，对电机的绝缘结构、工作性能和是否存在缺陷作出结论，并对绝缘剩余寿命作出预测。④温度诊断。用各种温度检测方法和红外测温技术，对电机各部分温度进行监测和故障诊断。⑤振声诊断技术。振声诊断技术是对诊断的对象同时采集振动信号和噪声信号，分别进行信号处理，然后综合诊断，因而可以大大提高诊断的准确率。
3系统总体方案
表1为该系统列出了5种常见的电机故障征兆集和，在集合中，“1”表示有征兆存在，“0”表示征兆不存在。
根据经验输出为电机的故障等级，范围从0～1表1的样本输入对应的样本输出如表2。
4软件实现
BP网络在Matlab上的仿真程序设计主要包括：输入层、隐含层、输出层及各层之间的传输函数几个方面。输入和输出样本分别为表1和表2。利用Matlab在模式识别方面采用采用自适应学习率BP算法计算机进行仿真。这里用到matalab神经网络工具箱中的一个非常实用的函数newff。newff函数需要4个输入参数。第一个参数是一个RX2的矩阵以定义R个输入向量的最小值和最大值。第二个参数是一个设定每层神经元个数的数组。第三个参数是包含每层用到的传递函数名称的细胞数组。最后一个参数是用到的训练函数的名称。
根据表1样本输入和表2样本输出，创建bp网络和定义训练函数，是为了方便而建立一个矩阵，用newff函数来训练BP网络。关键程序如下net=newff([0 1；0 1；0 1；0 1；0 1]，[5 1]{logsig，pure-lin}，trainlm)；％这里要加入输出层的转移函数，一般是trainlm；net.trainParam.goal=0.001；net.trainPalm.epochs=5000；[net，tr]=train(net，p，t)；％训练神经网络iw1=net.IW{1}：％输出训练后的权值和阈值：b1=net b{1}；1w2=net LW{2}：b2=net.b{2}；save net51 net。
5结束语
基于BP网络的泵站优化调度 篇10
泵站在供水、排涝和灌溉等方面有着非常重要的作用。这些泵站常年运行, 为了提高泵站效益, 降低泵站的能源消耗是最主要的途径, 这就必须对泵站运行进行调度优化。在大型泵站中, 泵站效率主要与水泵的工作特性以及机组运行台数有关, 对于安装变频调速机组的泵站来说, 研究泵站在满足总抽水量要求时, 随着上下游水位变化如何选择转速、机组台数和叶片角度, 是泵站耗能最少, 具有重要的实际应用意义。
国内外学者对泵站优化调度进行了大量的研究, 但大多集中于优化算法方面, 比如宋春福等建立区域泵站优化调度CPN模型, 得出符合排水调度控制规律的运行方案;杨建军等采用改进遗传算法对优化调度模型求解, 使算法的优化性能得到提高。
作为泵站的主要工作部件, 水泵动力特性在泵站优化调度仿真中是不可或缺的。对水泵性能的分析和处理, 目前通过的方法, 先拟合水泵在不同角度的性能曲线, 进而求出水泵在不同装置扬程下的效率-流量关系, 再将这组曲线方程存储在计算机内, 在优化过程中, 多次调用该方程组并反复插值计算, 以确定最佳的装置扬程以及相对应的水泵效率和叶片角度, 这种做法费时费力;也有人采用最小二乘曲面拟合法, 但由于已知水泵性能信息较少, 该方法又存在着精度问题。本文通过建立BP神经网络模型, 把有限的仰慕数据输入前馈网络中, 通过误差的后向传播, 调整各层之间的阈值和权值, 逐步形成一个全局逼近的网络模型, 然后通过提取网络模型的权值、阈值和传输函数, 可以构造一个扬程、流量为输入变量, 以模型的阈值和权值为系数的非线性函数, 研究表明, 该方法得出的结果比其他方法的全面拟合结果更加准确。在此基础上, 采用遗传算法建立变频调速机组的优化调度模型, 并以某泵站为算例, 进行了比较分析。
1基于BP网络水泵特性拟合
BP (Back-Propagation) 神经网络一般由输入层、隐层 (可以由若干层组成) 和输出层组成, 是一种高度非线性的映射系统, 具有自适应、自学习、自组织能力, 在函数逼近、模式识别、信息分类等领域得到了广泛的应用。
BP网络是利用期望值与实际输出值之差来不断的调整网络权值, 以减小这个差值, 直到该差值满足精度要求的目的, 此时所得到的那组权值便是网络经过自学习得到的正确的内部关系。
BP神经网络结构设计
对于角度可调的轴流泵, 水泵特性曲线主要有H～Q、P～Q, η～Q等系列曲线, 分别描述扬程H、流量Q、功率P、效率η和叶片角度θ等之间的关系。以H～Q系列曲线为例, 可以从该组曲线上读取足够多的数据点, 形成H、Q和θ的非线性映射集, 其中H、Q为BP网络的输入端, 而叶片角度θ为输出端, 同时为了更加的符合实际运行情况, 也可以再样本集中加入适量的实际监控数据, 从而构成两输入单输出的网络。该网络精度与隐层层数及其神经元个数有关。为了加快逼近速度, 减少训练时间, 隐层一般都设置为1层, 隐层的激励函数可以选用sigmoid函数, 即:
设输入层的输入样本为[H, Q]=[ (H1, Q1) , (H2, Q2) , …, (Hk, Qk) ], 实际输出为[ψ]=[ (ψ1) , (ψ2) , …, (ψk) ], k=15, 隐层用来实现非线性映射, 输出层实现线性映射, 则输出为:
2优化调度数学模型的建立
泵站的优化调度问题可以描述为:每日有N个供水时段 (N={ni|i=1, 2, 3, …, n}) , 在每个时段下有M台水泵可以抽水 (集合M={mi|i=1, 2, 3, 4, 5}) 。其优化调度目标就是在满足约束条件下, 寻找最优的操作方案, 使整个泵站的抽水电费p最低。
泵站运行时, 抽水电费p的计算公式为:
式中:Hst (i) 表示第i个时段下, 水泵的静扬程;M (i) 表示第i个时段下, 太园泵站的开机台数;γ表示水的重度;q (i) 表示单台水泵的实际流量;η (i) 表示第i个时段下, 水泵的效率。其中, 泵站开机台数、单台流量以及相应的机组效率, 具有一定的对应关系。
以泵站运行电费最小作为目标函数, 则相应表达式即:
整个过程需要满足以下条件:
(1) 每日累计供水量不大于实际的水量需求量S:
(2) 任意时刻下, 其最大流量不应超过泵站总的设计流量Q:
(3) 对同步和异步泵站进行匹配, 优化机组高低转速运行, 使机组的增减次数不能过于频繁。
(4) 调整叶片角度, 尽可能保证机组处于高效区运行。
3实例分析
某泵站总装机为8台, 其中6台运行, 2台备用。泵站总设计流量105 m3/s, 最高净扬程为10 m, 设计净扬程8 m, 最低净扬程为2.5 m。该泵站电价及进、出水池水位, 随时间变化, 其典型日现有运行方案如表1所示。水泵特性曲线拟合如图1。
由表2可见, 采用三阶段开机的方案, 即能给出泵站在不同时间段的最佳流量分配, 有确定了更合理的水泵开机方案, 并且使泵站运行效率明显提高, 耗能最低, 比现有方案明天节省1.2万元。
4结论
本文基于BP神经网络以水泵的扬程和流量为输入量, 拟合水泵功率以及叶片运行角度等参量, 不仅得到更加准确水泵动力特性参量之间的关系, 而且在计算中不需要插值等运算, 极大地减少了计算量。在此基础上, 采用粒子群优化算法, 以某泵站为例进行了优化分析, 结果显示三时段数的优化方案耗能小, 运行操作简单, 是较理想的运行方案。
摘要：利用BP神经网络模拟水泵动力特性, 在此基础上, 依据泵站优化调度特点, 建立优化调度数学模型, 采用遗传算法对某泵站运行方案进行寻优, 确定不同时段下的机组开机台数、流量以及叶片角度等操作数据, 得出耗能小、操作方便的运行方案。
关键词：BP网络,水泵动力特性,优化调度
参考文献
[1]杨建军, 战红, 丁玉成.复杂注水系统泵站优化调度的改进遗传算法[J].节水灌溉, 2009, (7) .
[2]宋春福, 周卫东, 汪雄海.区域排水泵站的优化调度有色Petri网模型[J].计算机工程, 2011, (11) .