A√日本在线_亚洲狠狠婷婷综合久久久久图片_92看片婬黄大片欧美看国产片_在线无码午夜福利高潮视频_av免费播放一区二区三区_亚洲色成人一区二区三区

　　

　　由于汽輪二手發(fā)電機出租機組振動故障征兆與故障特征之間復雜的非線形特征，使其故障診斷與識別變得十分困難。近年來，人工神經(jīng)網(wǎng)絡（八）以其獨到的聯(lián)想、記憶、儲存和學習功能，使得其在機組振動故障診斷中的應用受到廣泛的關(guān)注。ANN中常用的網(wǎng)絡有BP網(wǎng)絡、RBF網(wǎng)絡等。BP網(wǎng)絡是成熟，應用廣泛的一種網(wǎng)絡。

　　為提高BP網(wǎng)絡學習收斂速度，避免陷入局部小點，通常要加入動量項的權(quán)值調(diào)整公式。本文指出了謅學習率和動量因子大小不匹配時，雖然加入動量項后提高了學習速度，卻引起誤差曲線振蕩，并提出兩種避免誤差曲線振蕩的方法：（1）學習率和動量因子隨著誤差進行自適應調(diào)整；（2）誤差逼近度漸近收縮學習算法。

　　自適應神經(jīng)網(wǎng)絡在二手發(fā)電機機組故障診斷中的應用

　　1BP網(wǎng)絡的拓撲結(jié)構(gòu)及其算法131是一個典型的三層BP網(wǎng)絡拓撲結(jié)構(gòu)圖。

　　BP網(wǎng)絡拓撲結(jié)構(gòu)圖Wi，M分別為輸入層、隱含層、輸出層神經(jīng)元數(shù)量；％為輸入層第/個神經(jīng)元與隱含層第/個神經(jīng)元之間連接權(quán)值；為隱含層第/個神經(jīng)元與輸出層第是個神經(jīng)元之間連接權(quán)值，/=1，2，…，N-7=1，2，對于給定的訓練樣本集，采用批處理的方法構(gòu)造誤差函數(shù)：2為網(wǎng)絡學習收斂曲線。

　　系統(tǒng)誤差：。5理想輸出；為輸出層第々個神經(jīng)元對應于第戶個樣本的實際輸出。

　　權(quán)值采用加入動量因子的調(diào)節(jié)公式wJt（t+1）=w，A-1lWk+a（yvjit）為避免進入S型曲線的飽和區(qū)，在網(wǎng)絡學習過程中，當S函數(shù)的實際輸出小于0.01或大于0.99時，將其輸出值直接取為。1或99. 2自適應學習率的BP網(wǎng)絡算法及其訓練誤差的振蕩性2.1自適應學習率的BP網(wǎng)絡算法在BP網(wǎng)絡算法中，二手發(fā)電機決定網(wǎng)絡學習收斂速度的學習率值取多大合適，一直是討論熱點。計算得到了學習率的理論公式，但計算量大，應用受到限制。本文選用下列調(diào)節(jié)公式：當誤差增量為正時，減小學習率，否則增大學習率。實例表明，式（3）能有效地提高網(wǎng)絡學習收斂速度，但當動量因子《取值不當時，會引起誤差曲線振蕩。采用表1中的原始數(shù)據(jù)，當網(wǎng)絡結(jié)構(gòu)9-12-9，學習率初始值；/=0.75，>5=0.15，動量因子《=0.85時，圖這樣，對某個樣本P及相應的輸出神經(jīng)元，如理想輸出與實際輸出之差大于誤差逼近度，則作相應的權(quán)調(diào)整；如這個差值小于誤差逼近度，則逆?zhèn)鞑ビ诟魃窠?jīng)元的誤差信號為零，就無需對該樣本P及相應的輸出神經(jīng)元進行權(quán)值調(diào)整了。由于每次訓練只調(diào)整輸出誤差較大的神經(jīng)元，且選擇較大的學習速率和動量因子，輸出誤差較小的神經(jīng)元不做調(diào)整，也不會出現(xiàn)過學習現(xiàn)象，輸出誤差不會出現(xiàn)波動，因此此方法可大大提高收斂速度，且誤差收斂曲線平穩(wěn)，不會出現(xiàn)振蕩。

　　誤差逼近度的取值問題也極為重要，過小則每次需調(diào)整的神經(jīng)元太多，影響其訓練速度和誤差曲線平穩(wěn)性；過大則由于訓練網(wǎng)絡每次迭代需調(diào)整的神經(jīng)元過少，而使網(wǎng)絡不能真正學會輸入輸出模式的基本映射關(guān)系，一般取值小于。5.對于簡單的故障診斷問題，因輸出神經(jīng)元少，M可選小些。相反對于復雜的故障診斷問題，因輸出神經(jīng)元訓練次數(shù)誤差逼近度漸近收縮學習算法的收斂曲線多，應選大些，然后隨著誤差的減小而逐漸減小。

　　采用表1中的原始數(shù)據(jù)，動量因子a=0.9，幻=0.022，其它條件不變，為網(wǎng)絡學習收斂曲線。從圖中可看出，網(wǎng)絡收斂速度較快，且沒有出現(xiàn)振蕩。

　　4汽輪二手發(fā)電機機組故障診斷與識別某機組3號軸承的振動信號經(jīng)FFT變換后對各頻率段上的振幅進行歸一化處理，得故障征兆為，將其輸入上述已訓練好的網(wǎng)絡中，網(wǎng)絡輸出即該征兆相對于各故障的隸屬度，如表2.故障類別誤差逼近度漸近收縮學習算法應學習率算法不平衡碰磨不對中軸承與軸頸偏心轉(zhuǎn)子裂紋聯(lián)軸器故障亞諧共振油膜振蕩松動根據(jù)大隸屬度的原則，即可診斷出該機組的故障為“不對中”和“軸承與軸頸偏心”，該結(jié)論己被實際檢修所證實。