BP神经网络改进算法在电气故障诊断系统中的应用李季1,严东超1,2(11空军工程大学工程学院,陕西西安710038;21西北工业大学自动化学院,陕西西安710072)MomentumBPAlgorithmApplicationinElectricSystemFaultDiagnosisLIJi1,YANDong2chao1,2Abstract:ThefaultsofACelectromotorofairplaneandthecharac2tersofartificialneuralnetworkareanalyzed.AnimprovedBPneuralnetworkalgorithmwithmomentumtechniqueisappliedtomakeafaultdiagnosisintheelectricequipmentsofairplane.ThesimulatedresultofACelectromotorfaultdiagnosismodelhasproveditseffectiveness.Keywords:electricequipment;faultdiagnosis;neuralnetwork;momentumBPalgorithm;expertsystem摘要:文章将人工神经网络技术、基于动量因子技术的改进BP网络训练算法应用于飞机电气设备故障诊断。以飞机交流异步电动机为例,建立了故障诊断模型。仿真结果表诊断方法。运用人工神经网络对故障特征进行分析,故障诊断将更加准确、可靠,概念更清晰,使用也会更加方便。本文在原有研究的基础上,采用附加动量因子技术的BP网络训练算法,将它尝试性地应用于飞机电气设备的故障诊断,以期在网络学习1BP网络拓扑结构与隐含层节点数的确立111BP网络拓扑结构BP网络是一单向传播的多层前向网络,网络除输入输出节点外,有一层或多层的隐含层节点,同层节点中没有任何耦合。输入信号从输入层节点,依次传过各隐含层节点,然后传到输出节点,每一层节点的输出只影响下一层节点的输出。节点的激活函数必须是可微、非减的,通常取为S型函数。只要有充分的隐层单元,就能够以任意的精度逼近任意的函数,从而表明BP网络可以作为一个通用的函数逼近器1。事实上,基于BP神经网络的故障诊断模型也就是利用BP网络的函数逼近能力,逼近故障的分类边界,从而完成特征空间到故障空间的非线性映射。BP算法将神经网络学习输入输出的映射问题转变为一个非线性优化问题,使用了最优化中的梯度下降算法,用迭代运算修正网络权重,实现网络输出与期望输出间的均方误差最小化。一个典型的三层前馈BP网络的拓扑结构如图1所示。网络通过误差反向传播算法自动学习内部表关键词:电气设备;专家系统故障诊断;神经网络;动量BP算法;:文献标识码:ATM711引言随着现代科学和航空技术的飞速发展,现代飞机上的电子设备日益增多,用电量不断增加,使得飞机电气系统的结构和控制越来越复杂;同时,现代飞机向多电、全电方向发展,以电能代替液压能、气压能已成趋势,这样,飞机电气系统将更为复杂。对电气系统故障特征进行准确的分析,建立必要的故障诊断专家系统,是航空维修相关人员所面临的重点课题之一。飞机电气系统结构复杂,状态参数众多,故障特征与故障之间存在着极为复杂的非线性关系,其突出表现在电动机模块中。人工神经网络具有强大的非线性映射功能,无需单独建模,可以尽可能多地考虑影响故障发生的因素,不管这些因素是确定的还是不确定的,这种方法将可以替代传统的故障Hebb提出的式(1)选取:h=(N+M)015+σ式中:h为隐层节点数;M为输出层节点数;(1)N为2BP网络改进算法分析图1三层BP神经网络结构Fig113layersBPNeuralNetworkstructure将神经网络用于飞机电气系统故障诊断,需要根据系统设备的特点进行设计,并根据实际问题的需要进行必要的处理。112隐含层神经元数的确立隐含层节点数的确定一直是BP网络设计的瓶颈问题。对于给定的N维M组的学习样本,可证明,要实现其网络映射所需的最少隐节点数为H=M-N-1。人们通常认为模拟精度与网络拓扑结构复杂度成正比,网络拓扑结构越复杂,隐层节点数越多,其模拟精度越高,陷入局部极小的可能性越小。这样导致在实际应用中无限制地增加隐层节点数。但是大量实验结果表明,模拟精度并不随网络拓扑结构复杂度的增加而提高。对于同一问题的模拟,不同拓扑结构的网络差异很大。以BP典型的BP网络算法运算速度往往很低,并且容易陷入局部极小的陷阱。为减少学习过程中的振荡,在调整权值和阈值时,采用Rumebart添加惯性冲量技术1。通过添加惯性冲量(或称动量因子)大值,从而加快学习速度。此时,形式为:权值调整的一般p9Ek=-λ9E+ηΔV(t)=∑-λΔVrj(t+1)+rj9Vrj9Virk=1pηΔVrj(t)...