基于改進BP 神經網絡的機械故障研究?

謝汝兵，杜 娟，葛衛京

（太原科技大學，山西 太原 030024）

0 引言

BP神經網絡是在人工神經網中使用最廣泛，能夠處理任意輸入輸出的非線性映射，在函數逼近、模式分類、聚類識別和數據壓縮方面應用廣泛，80%～90%的人工神經網絡多采用BP網及其變形［1］。BP網絡體現了前饋神經網絡的核心內容和人工神經網絡的精華部分。盡管BP網絡原理簡單，使用方便，但是在實際應用中卻存在著收斂速度緩慢、容易陷入局部極小值和網絡運算不穩定缺陷［2］。本文提出附加動量下降法對標準BP網絡改進，效果明顯。

1 改進BP神經網絡的模型

1．1 標準BP網絡的缺陷

標準BP網絡通常采用誤差梯度下降（Gradient Descent）算法，受其影響，BP網絡存在如下不足［3］：①易陷入局部最優，難以實現全局最優；②訓練次數繁瑣，學習效率低下，收斂速度緩慢；③隱含層節點缺乏理論指導；④學習新樣本時存在遺忘舊樣本的趨勢。

BP網絡默認訓練函數是Levenberg－Marquardt，該函數對中小型前饋網絡的訓練有良好的性能。但當網絡內存空間有限或傳遞非線性較復雜時，BP網絡易陷入多個局部最優且收斂速度緩慢［4］。這些缺陷嚴重地影響BP網絡在工程領域能力的進一步發揮。

1．2 BP神經網絡的改進

國內外學者從不同角度提出諸多改進方法，大致分為3類：①啟發式類改進，如自適應調節學習率法和RPOP法等；②數字優化類改進，如共軛梯度法、擬牛頓法等［5］；③混合智能算法類，如遺傳算法（GA）、模擬退火法（SA）、粒子群（PSO）算法與神經網絡混合等。這些方法雖取得了一定的效果，但又不同程度地存在新的問題［6］。

為保障BP網絡在非二次型較強區域處理時仍能夠保持較高的收斂速度，本文提出附加動量下降法對標準BP網絡權值進行改進，其權值更新量修正公式為：

其中：α為動量系數；η為學習速率；E為實際輸出與期望輸出的差值；Δωij（t）和Δωij（t－1）分別為第t次和第t－1次迭代時的權值的修正量。

引入附加動量αΔωij（t－1）后權值會朝著底部平均方向變化，從而減小全局收斂震蕩（緩沖平滑作用），進而提高學習速率，縮短收斂時間。

1．3 改進BP神經網絡的算法描述

改進BP算法的流程圖如圖1所示，具體描述如下：

（1）用均勻分布隨機數把各權值矩陣W（隱含層至輸出層的連接數值）和V（輸入層到隱含層的連接數值）設定為0～1間的小數，進行初始化，并把模式計數器p和訓練計數器q置1。

（2）從訓練樣本對［XP，DP］中將一個數據傳入輸入層，并根據公式分別計算隱含層的輸出向量Y＝（y1，y2，y3，…，ym）和輸出層輸出向量O＝（o1，o2，o3，…，ol）。其中，隱含層神經元數目為m，j是隱含層任一神經元（j＝1，2，…，m）；輸出層神經元數目為l，k是輸出層任一神經元（k＝1，2，…，l）。

（3）計算P對訓練樣本的輸出誤差EP＝以及輸出總誤差ERME＝其中，P 為訓練樣本［XP，DP］的數目，為 教 師 信 號DP＝分量。

圖1 改進BP算法的流程圖

（5）計算隱含層第j個神經元至輸出層第k個神經元的鏈接權值2，…，m。計算輸入層第i個神經元到隱含層第j個神經元的鏈接權值1，…，n；并更新權值矩陣W 和V。其中，學習率η為0～1間的小數，和由步驟（4）得來，xi為輸入層第i個神經元的輸入值，yj為隱含層第j個神經元的輸出值。

（6）若模式計數器p＜P，則p和q各加1，并返回步驟（2）；否則轉到步驟（7）。

（7）檢驗網絡總誤差是否達到精度要求，若ERME＜Emin則訓練結束；否則E置0，p置1，并跳回步驟（2）。

2 旋轉機械故障診斷的仿真實驗

2．1 旋轉機械故障數據的建立

本文對旋轉機械常見故障診斷進行仿真實驗。通過旋轉機械故障現場記錄和實驗室人為制造設備故障的積累，得出反映旋轉機械故障的4個重要特征信號，即頻域波形、時域波形、非周期波形以及頻域中心頻域。表1為旋轉機械特征信號表。

如表1所示，本文進行了22組實驗，第1組至第20組作為改進BP網絡的訓練樣本，第21組和第22組作為其檢驗樣本。輸入信號頻域波形（x1，x5，x9）、時域波形（x2，x6，x10）、非周期波形（x3，x7，x11）以及頻域中心頻域（x4，x8，x12）四部分構成故障征兆集。輸出向量Y代表旋轉機械的故障原因集，（1，0，0，0）代表無故障，（0，1，0，0）代表軸承座松動故障，（0，0，1，0）代表轉子平衡不對中狀態，（0，0，0，1）代表轉子徑向碰摩故障。

2．2 改進BP網絡的建立

選用三層前向型神經網絡，因故障征兆集有12組特征向量，故輸入層神經元數目是12；輸出結果有4種模式，故輸出層的神經元數目為4。隱含層的神經元數目由確定，n為輸入層神經元數目，l為輸出層神經元數目，a為1～10間的常數。由此確定網絡隱含層神經元數目為10。

為使標準BP誤差曲面在大型復雜的多維空間訓練過程中跳出局部極值點，采用帶有附加動量和學習率的訓練函數traingdx，通過調用learnbpm函數以實現式（1）對權值修正。網絡輸入層的傳遞函數為S型正切函數logsig函數，隱含層傳遞函數為tansig函數，輸出層傳遞函數為純線性函數purelin函數。訓練過程中迭代間隔25次顯示1次，學習率為0．05，動量因子為0．9，訓練速度為0．05，訓練速度增長系數為1．2，訓練速度下調系數為0．8，最大訓練次數為10 000，實際訓練次數為6 000，訓練精度為1×10－5。

表1 旋轉機械特征信號表

為實現帶有附加動量下降法的數值修正，其改進的學習函數learnbpm的MATLAB代碼如下：

……

function［dw，db］＝learnbpm（p，d，lr，mc，dw，db）

if nargin＜5

error（‘It is not enough to meet input arguments’）

end

x＝（1－mc）＊lr＊d；

dw＝mc＊dw＋x＊p；

if nargout＝2

［R，Q］＝size（p）；

db＝mc＊db＋x＊ones（Q，1）；

end

……

2．3 仿真結果的分析和比較

表2為仿真結果，標準BP網絡和改進的BP網絡都作出了正確的分析，即第20組和第21組驗證數據對應著第1類故障和第4類故障。然而，改進BP網絡精確度更高，訓練效果更加直觀。

圖2為標準BP網絡仿真的誤差曲線圖，收斂迭代次數為2 333次，收斂效果不佳并存在不平滑現象。

圖3為改進BP網絡仿真的誤差曲圖，收斂迭代次數是1 976次，收斂效果明顯并曲線光滑。

由圖2和圖3對比可知，改進BP網絡克服了標準BP網絡易陷入局部極小值和網絡運算不穩定的缺點，收斂速度提高了15．3%。

表2 標準BP網絡和改進BP網絡仿真結果

圖2 標準BP訓練誤差曲線圖

圖3 改進BP訓練誤差曲線圖

3 結束語

采用附加動量下降法對標準BP網絡進行改進，克服了自身收斂速度緩慢、容易陷入局部極小值和運算不穩定的缺陷，具有良好的推廣價值。

［1］ 周潤景，張麗娜．基于MATLAB與fuzzyTECH的模糊與神經網絡設計［M］．北京：電子工業出版社，2010．

［2］ 袁曾任．人工神經網絡及其應用［M］．北京：清華大學出版社，1999．

［3］ 韓立群．人工神經網絡教程［M］．北京：北京郵電大學出版社，2006．

［4］ 張德峰．MATLAB神經網絡應用設計［M］．北京：機械工業出版社，2009．

［5］ 蘇高利，鄧芳萍．論基于MATLAB語言的BP神經網絡的改進算法［J］．科技通報，2003，19（2）：130－135．

［6］ 盛仲飆．BP神經網絡原理及 MATLAB仿真［J］．渭南師范學院學報，2008，23（5）：65－67．