优化的BP神经网络在电子设备故障诊断中的应用

随着现代科学技术的发展，设备的集成度越来越高，越来越复杂，故障诊断技术的出现为提高系统的可靠性和安全性开辟了一条新的途径。近些年来，由于计算机技术、信号处理、人工智能、模式识别技术的发展，促进了故障诊断技术的不断发展，大型复杂电子设备的出现，使得人们更迫切地希望能提高整体可靠性与维修性，这就给故障诊断提出了更高的要求。因此，对故障诊断技术的研究有着重要的理论及现实意义。  

1 BP神经网络故障诊断模型  

一个神经网络用于故障诊断时，主要包括三层：输入层，即从设备对象接收各种故障信息和现象；中间层，是把从输入层得到的故障信息，经内部的学习和处理，转化为针对性的解决办法；输出层，是针对输入的故障形式，经过调整权值后得到的故障处理方法。对于一个新的输入状态信息，训练好的网络将由输出层给出故障识别结果。BP神经网络故障诊断模型如图1所示。  


  
2 BP神经网络的优化——共轭梯度法  

虽然神经网络模型已成功应用于模式识别、函数逼近、时间序列预测等领域，但是由于BP学习算法仅改变网络的连接值和阈值，不改变网络的拓扑结构，因此BP网络在处理具体问题时还存在收敛速度慢，易陷入局部极小值等缺点。为了解决BP网络训练的缺点，人们提出了多种有益的改进方法。  

本文研究了共轭梯度法对BP神经网络进行优化设计，基本思想如下：  

传统的前向多层网络的BP学习算法实质上是无约束的最速下降法，改进的BP算法是对最速下降法作了一些约束；而共轭梯度法则是介于最速下降法和牛顿法之间的一种方法，它仅需要利用一阶导数信息，不仅克服了BP学习算法收敛慢的缺点，又避免了存储和计算牛顿法所需要的二阶导数信息。共轭梯度法的计算步骤和最速下降梯度法差别不大，主要差别在于搜索方向不同，即每一步的方向不是梯度的负方向，而是一种共轭的方向。由原来的负梯度方向加上一个修正项得到共轭方向，也就是使得最速下降法具有共轭性，从而提高算法的有效性和可靠性。共轭梯度法应用于神经网络中的目的是求误差函数E(W)的最小值。算法主要是利用共扼梯度方向来修正权值W，使W的确定更为快速，计算过程如下；  

(1)初始化权值W1，令k=1；  


  
(2)计算网络的负梯度矢量：  

设p1=r1=-E’(W1)，式中E’(W1)是根据BP算法求出的负梯度。  

3 诊断实例  

现以一电子设备为诊断对象，验证优化的BP神经网络算法。样本数据从测试口测试获得，一共6个测试点，10个板卡故障。诊断步骤如下：  

(1)故障特征提取  

表1为实验测得的故障样本数据；表2为归一化后的数据，其激活函数采用S型函数f=1／(1+e-ax)；表3为神经网络的目标输出模式，1表示有故障，0表示正常。  


  
(2)BP网络的训练  

取输入节点N1=6，输出节点N3=11，隐层节点采用

，a取1～10，本实验中a取7(根据训练误差曲线调整而得)，N2=15。学习率η=0.2，训练误差E


  
(3)BP网识别结果分析  

①用样本自身数据输入训练好的神经网络中，其识别结果见表4。与故障模式对比分析可知，自身数据检测正确率为100％。可见，该网络达到了训练的要求。  


   

②任取4组测试数据见表5，观察其识别结果。表6为归一化后的测试数据，表7为识别结果。与故障模式对比可知，第一组数据对应的故障是MA-1；第二组数据对应的故障是MB-2；第三组数据对应的故障是MD；第四组数据对应的故障是MG。由此可见，本网络不仅能识别样本本身的故障，而且能准确诊断样本以外的数据故障。  


  
4 结 语  

本次实验中的BP神经网络采用共轭梯度法进行优化设计，由实验数据可知，该网络能够准确诊断数据的故障状态，可见，该方法能够成功应用于设备的故障诊断中。故障诊断是一门实用性很强的技术，因此只有在实际应用中才能体现它的价值，目前在理论研究方面虽有不少进展，但真正在工程实践中成功应用的实例还较少，因此如何将先进的故障诊断理论与方法应用到实际中，还有待更深入的研究。