神经网络在离心压缩机辐射噪声研究中的应用

　　0　引　言

　　压缩机是人们日常生活和生产中的常见设备[1],有效控制压缩机运行过程中的噪声,对减少环境噪声污染有着极其重要意义。本文对DHP40-4型离心式压缩机辐射噪声声功率级及其噪声频谱分布规律进行了研究,建立了模拟压缩机辐射噪声声功率级及其噪声频谱分布的人工神经网络模型,采用模拟退火算法对噪声最大值对应的频段进行了预测,为进一步控制噪声提供了有益的参考。

　　1　测点布置及测量方法

　　试验装置及测点布置示意图如图1所示,各测点均匀分布于被测物体周围[2],距被测表面0.2m。测量时采用ND2型精密声级计测量各测点不同频段内的声压级值,利用TEACR-81盒式磁带记录仪和CF-920频率分析仪进行频谱分析。

　　2　人工神经网络建模

　　人工神经网络是近年来迅速发展,并得到广泛应用的一种新方法,是模拟人脑生物过程,具有人工智能的系统,它无需人们预先给定公式的形式,而是以实测数据为基础,经过有限次迭代计算而获得一个反映实测数据内在规律的数学模型。人工神经网络的模型很多,误差反向传播算法BP网络是目前应用最广的网络模型之一。BP网络的输入输出关系可以认为是一种高度非线性的映射,除输入层外,每一节点的输入为上一层所有节点输出值的加权和。每一节点的输出值由节点输入、激励函数及阈值决定。第j层节点的输入值为:

　　在训练过程中,如E满足要求或达到指定训练次数则训练结束,否则调整权值:

　　在本文工作中,我们取网络结构为2-3-1,见图2。即中间隐层3个单元,输入层2个单元,分别为测点号及频率值(Hz),输出层1个单元,为声压级值dB(A)。

　　为保证收敛,对样本数据进行规一化处理,使所有数据在[0,1]之间的网络空间变化。具体做法是:令某组数据中最大值为Xmax,最小值为Xmin,则归一化前该组数据中的数据X在归一化后的值为

　　显然,网络的输出结果可经过反归一化后获得其在原物理空间的数值

　　在训练网络过程中,学习率η=0.3,动量项系数α=0.1,经训练5000次(系统学习误差E =0.000216),网络训练结束。表1为网络输出值与实测值的比较,可见网络的输出值精度是较高的,证明网络模型已经建立起来,该网络能够模拟压缩机辐射噪声的实际情况。

　　3　结果与分析

　　表2为神经网络输出的各测点不同频段下的声压级值。可见各测点声压级频谱分布大体上是一致的,5号测点声压级值较大,2号测点声压级值较小,各测点声压级值在相同频段上的值差在5~10dB左右。