基于概率神经网络的发动机故障诊断方法研究

作者:肖玉玲;孙丽娜 刊名:河南教育学院学报(自然科学版) 上传者:张双义

【摘要】利用概率神经网络对发动机故障进行诊断,建立了发动机故障诊断的概率神经网络模型,利用MATLAB对网络进行训练,并运用测试样本对网络性能进行测试.结果表明,该网络学习速度快、诊断准确率高、泛化能力强,可以对系统进行实时监测和诊断.

全文阅读

第 21 卷 第 3 期 河南教育学院学报( 自然科学版) Vol. 21 No. 3 2012 年 9 月 Journal of Henan Institute of Education ( Natural Science Edition) Sep. 2012 收稿日期:2012 -04 -23 基金项目: 河南省教育厅科学技术研究重点项目( 12A510009) 作者简介: 肖玉玲( 1970—) ,女,河南郑州人,河南化工职业学院机械电子系高级讲师. doi:10. 3969/j. issn. 1007 -0834. 2012. 03. 012 基于概率神经网络的发动机故障诊断方法研究肖玉玲,孙丽娜 ( 河南化工职业学院机械电子系,河南 郑州 450042) 摘要: 利用概率神经网络对发动机故障进行诊断,建立了发动机故障诊断的概率神经网络模型,利用 MATLAB 对网络进行训练,并运用测试样本对网络性能进行测试. 结果表明,该网络学习速度快、诊断准确率高、泛化能力强,可以对系统进行实时监测和诊断. 关键词: 概率神经网络; 发动机; 故障诊断 中图分类号: TP183 文献标识码: A 文章编号:1007 -0834( 2012) 03 -0037 -04 0 引言 传统的故障模式诊断采用的基本方法是判别函数,即利用判别函数来划分类别. 由于在大多数情况下,尤其是线性不可分的复杂决策区域,判别函数的形式格外复杂,而且较为全面的典型参考模式样本也不容易得到. 神经网络作为一种自适应模式识别技术,可以充分利用各种状态信息进行训练,从而获得某种映射关系. 概率神经网络学习规则简单、训练速度快、避免局部极小和反复训练的问题[1]. 本文提出一种基于径向基的概率神经网络模型,用于发动机故障模式的诊断[2 -4]. 仿真结果表明,该网络学习速度快,诊断准确率高,对样本噪声的鲁棒性强,可以对系统进行实时监测和诊断. 1 概率神经网络 概率神经网络( Probabilistic Neural Networks,PNN) 是一种结构简单、训练简洁、具有较强容错能力和结构自适应能力的径向基函数( Radical Basis Function,RBF) 神经网络,主要用于模式分类和故障诊断. 1. 1 概率神经网络的结构 概率神经网络是一种具有单隐层的三层前向神经网络. 输入层将系统提取的特征参数直接传递给隐含层,不做任何处理,因此,输入层仅仅起到传输信号的作用,其神经元的个数与输入样本向量的维数相同. 输 入层和隐含层之间可以看做权值为 1 的连接. 隐含层也称为模式层,采用非线性优化策略,对径向基函数( 通常为高斯函数) 的参数进行调整,得到故障模式的估计概率密度函数. 模式层神经元的个数由故障样本数据的多少决定,当故障样本的数量增加时, 模式层神经元的个数也将随之增加. 输出层采用线性优化策略,是隐单元输出的线性加权和. 输出层神经元的个数与故障模式数相等. 输出层神经元是一种竞争神经元,它根据贝叶斯分类规则,将输入向量分到具有最大后验概率密度的类别中,即概率密度最大的神经元输出为1,其他神经元输出全为0. 1. 2 概率神经网络的分类过程 概率神经网络的分类过程如下: ①对已有历史数据进行处理,得到网络学习与诊断需要的训练样本和诊断输入,处理后直接送入隐含层; ②用一定数量的训练样本集训练网络,得到期望的输出; ③利用诊断输入对系统进行诊断. 基于概率神经网络 PNN 的诊断系统结构如图1. 2 建立发动机故障诊断的概率神经网络模型 2. 1 发动机故障

参考文献

引证文献

问答

我要提问