基于人工神经网络的预测研究(6)

相对湿度均偏低、系统实测风量大于设计风量和房间气流速度超过允许流速的4 种故障现象; y1 , y2 ,?, y12分别代表冷冻机产冷量不足;喷水堵塞??送风口的型式不适合等故障原因。

5.1.3 网络结构及训练样本的选取

空调系统故障诊断的神经网络模型分为3 层,分别为输入层、隐含层和输出层。输入层节点个数为4 ,对应于4 个故障现象,输出层节点个数为12 ,对应于12 个故障原因。输出节点值的大小反映了故障出现的可能性。隐含层节点的个数可参照公式初步选取[9]:

A?M?N??,

其中M 为输出节点数, N 为输入节点数, ?为1 至10 的常数,在此,选取16 个隐含层节点。

输入单元数为4 个, 输出单元数为12 个。隐含层单元个数凭经验选取, 一般取4～5 个隐含节点对应一个输入节点, 这里选4 个, 则隐含层节点为4 ×4 = 16 个,网络共32 个节点。各单元的输入与输出的特征函数采用Sigmoid 函数,即隐含层第j 个神经元的输入为netj?Qj?1??Wjixi, 输出Oj 为:

1e?(netj?θj)/θo

式中θj 表示阈值,θ0 的作用是调节Sigmoid 函数的形状。 取4 个训练样本,具体如表5-2 所示。

( x 1 ,x 2 ,x3 , x4) = (1 , 0 , 0 , 0) 表示房间温度均偏高的故障模式;

( y1 , y2 , y3 ?y12 ) = ( 1 , 1 , 1 , 1 , 1 , 1 , 0 , 0 ,??) 表示房间温度均偏高的故障原因。

[9]宋桂荣.改进BP算法在故障诊断中的应用[N].沈阳工业大学学报,2001 (3):252～254.

25

表5-2 BP 网络的训练样本表

样本序号 1 2 3 4

故障模式 故障原因 x 1 x 2 x 3 x 4 y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y12 1 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 1 1 5.1.4 网络的训练与检验

我们以给定模式作为网络的输入,要求网络通过调节所有的联结权系数和各神经元的阈值,使得在输出层神经元上得到理想的结果;然后再给出另一个模式,要求网络继续完成对这对模式的学习。当系统的平均误差E 满足下式即可完成训练：

mqE???(Yk?1t?1k/2??

t?Ct)2

式中：Yt是对应于第k 个样本、第t 个输出节点的期望输出值Ct 是第t 个输出节点的实际输出值。根据程序框图及BP 算法,运用神经网络工具箱进行样本训练。

计算程序如下:

P = [1 0 0 0 ;0 1 0 0 ;

0 0 1 0 ;0 0 0 1 ] ;

T = [1 0 0 0;1 0 0 0 ;

1 0 0 0;1 0 0 0 ; 1 0 0 0;1 0 0 0 ; 0 1 0 0;0 0 1 0 ; 0 0 1 0;0 0 0 1 ; 0 0 0 1;0 0 0 1]

net =newff (minmax (P) ,[ 16 ,12 ] ,

26

k{‘tansig’‘, purelin’}‘, t raingda’);

net. trainParam.show = 200; net. trainParam. lr= 0.05 ; net. trainParam.epochs = 2000; net.trainParam. goal = 1e-5 ;

[ net ,t r ] =train(net ,P ,T)

计算结束后,网络达到收敛,其训练收敛过程，如图5-2 所示:

图5-2 BP网络梯度下降法收敛图

最后用非训练样本测试网络的判断能力,测试结果如表5-3所示：

27

表5-3 测试结果1

样本序号 故障模式 x1 x2 x3 x4 故障原因 y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y12

1 2 3 4 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0.9997 -0.0000 -0.0003 0.0002 1.0026 0.0058 0.0022 -0.0069 1.0006 0.0013 0.0011 -0.0018 1.0005 0.0018 0.0016 -0.0021 0.9973 -0.0055 -0.0018 0.0067 -0.9992 -0.0019 -0.0012 0.0023 -0.0001 -0.9985 -0.0016 0.0016 -0.0007 -0.0018 1.0000 0.0020 0.0007 0.0025 1.0015 -0.0026 0.0009 0.0041 0.0029 0.9950 0.0037 0.0074 0.0023 0.9908 -0.0000 0.0028 0.0025 0.9973 5.2 空调系统故障诊断的RBF网络建立

5.2.1空调系统故障诊断的RBF网络建立

空调系统故障模式及故障机制分析如表5-1所示

RBF网络主要包含隐含层和输出层，其中隐含层的传递函数为radas，输出层的传递函数为纯线性函数purelin。RBF网络的隐含层有S1个神经元，输出层有S2个神经元.

5.2.2 RBF网络的向量参数的选取与训练

其完成如下非线性映射:

nfn(X)?w0??w?(ii?1X?ci)

其中, x?Rn是输入矢量,?(?)是一个R??R的非线性函数, 一般取高

斯型函数 ?(X?ci)?exp(?X?c2i?2i)

RBF神经网络中待定的参数有两类: 一类是基函数的中心ci 和宽度?i 以及中心数目n, RBF神经网络的非线性映射能力体现在隐层基函数上, 其特性主

28

要由基函数的中心确定；另一类为输出层与隐层之间的连接权重。当基函数中心ci 和宽度?以及数目n 确定之后, 网络输出对输出层权参数是线性的, 可以采用最小二乘法求得。因此ci , ?i , n 的确定是建立RBF 神经网络的关键。 经过计算，得到：

表5-4 测试结果2

样本序号 故障模式 x1 x2 x3 x4 故障原因 y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y12 1 2 3 4 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0.9999 -0.0000 -0.0002 0.0002 1.0026 0.0058 0.0012 -0.0069 1.0006 0.0013 0.0011 -0.0018 1.0005 0.0018 0.0016 -0.0021 0.9973 -0.0055 -0.0018 0.0067 -0.9992 -0.0019 -0.0011 0.0023 -0.0001 -0.9985 -0.0016 0.0016 -0.0008 -0.0018 1.0000 0.0020 0.0007 0.0025 1.0014 -0.0026 0.0009 0.0040 0.0029 0.9950 0.0037 0.0074 0.0023 0.9901 -0.0000 0.0027 0.0024 0.9977 5.3 小结

由此可见,与相同的样本数和精度要求下, RBF神经网络的隐层神经元数要大大多于BP网络, 这体现在网络的复杂度要高于BP网络。传统的信息处理方法不同,人工神经网络是自适应和可以被训练的,它有自修改能力,同时有对信息并行处理及并行推理的能力,从原理上就比传统的方法要快得多,并且具有高度的非线性、模拟并行性、高度容错性、鲁棒性、自联想自学习和自适应等许多特点。因此,把人工神经网络对故障预测技术引入,只需建立神经网络模型统计一些东西就可以轻松预测出空调故障的位置，大大缩短了空调维修的时间。

在理论上．RBF网络和BP网络一样能以任意精 …… 此处隐藏：1816字，全部文档内容请下载后查看。喜欢就下载吧 ……