BP神经网络在舰炮液压系统故障诊断中的应用

　　1　引言

　　在舰炮液压系统故障诊断过程中,故障与其影响因素之间存在着极其复杂的非线性关系,对这一非线性关系的模拟和识别及其全局优化问题还没有得到很 好地解决。近几年来神经网络得到了飞速的发展,已广泛应用于人工智能、自动控制、统计学等领域。特别是BP网络以其良好的非线性功能、自学习功能等许多优 良特性而在很多领域获得了成功,已渐渐成为解决此类问题的工具。本文利用BP神经网络对舰炮液压系统故障诊断进行了仿真,取得了很好的效果。

　　2　BP神经网络

　　BP网络是一种多层前向反馈神经网络,分为输入层,中间层和输出层,其中中间层可以是一层,也可以多层,见图1。其神经元的变换函数是S型函 数,因此输出量为0~1之间的连续量,它可以实现从输入到输出的任意的非线性映射。BP网络的原理是把一个输入矢量经过影层变换成输出矢量,实现从输入空 间到输出空间的映射。由权重实现正向映射,利用当前权重作用下网络的输出与希望实现的映射要求的期望输出进行比较来学习的。为减少总误差,网络利用实际误 差调整权重。BP网络要求与输入相对应的希望输出构成训练模式队,因而需要指导学习, BP网络在结构上具有对称性,网络中的每个输出处理元件基本具有相同的传递函数。

　　3　BP网络学习训练

　　反传学习算法(即BP算法)不仅有输入层节点、输出层节点,还可有1个或多个隐含层节点。对于输入信号,要先向前传播到隐含层节点,经作用函数后,再把隐节点的输出信号传播到输出节点,最后给出输出结果。

　　神经元的网络输入:

　　该算法的学习过程由正向传播和反向传播组成。在正向传播过程中,输入信息从输入层经隐含层逐层处理,并传向输出层。每一层神经元的状态只影响下一层神经元的状态。正向传播过程:

　　(1)从样本集中取一个样本(Xm,Ym),将Xm输入网络;

　　(2)计算相应的实际输出Om:

　　如果输出层得不到期望的输出,则转入反向传播,将误差信号沿原来的连接通道返回,通过修改各层神经元的权值,使得误差信号最小。反向传播过程:

　　①计算实际输出Om与相应的理想输出Ym的差;

　　②按极小化误差的方式调整权矩阵;③网络关于第n个样本的误差测度;④网络关于整个样本集的误差测度。

　　实际上针对不同具体情况,BP网络的训练有相应的学习规则,即不同的最优化算法,沿减少理想输出与实际输出之间误差的原则,实现BP网络的函数 逼近、向量分类和模式识别。其中每个样本由输入样本和输出对组成。当网络的所有实际输出与其理想输出一致时,表明训练结束。否则,通过修正权值,使网络的 实际输出与理想输出一致。