基于改进BP神经网络的故障诊断方法
职教
2007年第3期工业仪表与自动化装置45
基于改进BP神经网络的故障诊断方法
吴静、柳世考、邓望
(1.空军工程大学导弹学院，陕西三原713800； 2 .空军装备研究院防空处，北京100076 )
摘要：普通的BP神经网络在收敛过程中存在两大缺陷。 收敛速度慢； 存在所谓的“局部”
“最小值”问题。 本文采用自适应学习速度动量梯度下降反向传播算法对BP神经网络进行
训练，建立了智能诊断模型，并应用于某型坦克发动机故障诊断，测试结果表明该方法较常规优越
BP算法能更有效地诊断发动机油路和油路的故障，为故障诊断和判定自动化提供了新的
想法。
关键词：改进BP算法神经网络； 发动机； 故障诊断
中图分类号： TP206.3； TP183文献识别代码： a文章编号： 1000-0682(2007 ) 03—0045—04
afaultdiagnosismethodbasedonanimprovedbpneuralnetwork
W U Jing，六世—Kao，登昆。
(1. missileinstituteunderairforceengineeringuniversity，ShaanxiSanyuan713800，China；
2.EquipmentInstituteofLand一六6 AirDefence，Beijing100076，China )
abstract:therearetwomajordefectsintheconvergenceprocessofaconventionalbpnervenetwork，namelytheslowconvergencerateandtetheprord
传输calculationofself-adaptinglearningratewithamomentumgradientreduction，which setsup
anewfaultdiagnosismodelandthenappliesthereversetransmissionalgorithmtothefaultdiagnosisofa
tank engine.thetestresultwithimprovedbpalgorithmismoreeficientthanthatwitheconventional
one，thusprovidinganewapproachtothefaultdiagnosis。
Key words:improved BP algorithm； 空网络； 引擎故障诊断
0引言1 BP神经网络模型与原理
故障诊断是一种优化的模式识别过程，是人工神
网络具有并行处理学习和非线性等特点，已经
BP神经网络是故障诊断的有效方法之一
具有结构简单、工作状态稳定、硬件容易实现的优点
广泛应用于故障诊断； 但是，也有其不足
例如，在网络训练中要求足够的样本量，以便网络也是如此
容易陷入局部最小； 故障模式较多时，网络结构比较
复杂，特别是遇到复合故障时，分辨不清(j )。
该文采使用了自适应学习速度运动量梯度下降的逆
传播算法可以训练和有效地改变BP神经网络
优化性能，应用于某型坦克发动机故障诊断。
受理日期： 2006—11—13
作者简介：吴静(1983年)，男，江苏人，硕士生，主要研究领域
为了导航的引导和控制。
BP神经网络由输入层节点、隐藏层节点、输出层
节点及前方相互连接结构、输入输出层节点
数量由实际问题决定，隐藏层的层数和节点数
问题的复杂性和分析精度。 图1是单个隐藏层BP
神经网络。
输入层中间层
图1单隐层BP神经网络结构
神经网络的学习过程是前向计算过程、误差
由计算和误差反向传播过程组成，以三层为例。
(1)前方计算流程
输入层各节点的输出与输入o=x(=1相等，
维普信息http://www.cqvip.com
46工业仪表与自动化设备2007年第3期
2，…，)。
n
隐藏层和输出层的输入分别为J=Wi，fO b，
h
=
、 在此，Wi是从输入层到隐藏层的连接
权重，是从隐藏层到输出层的连接权重，是输入层
第几个节点的输入，0是输入层的第n个节点的输入
出，d是隐藏层第一节点的输出，b和6对应
的阈值。 每个节点的输出(输入节点除外)是输入
的非线性函数是优选的.工厂()=1/) ) 1e )，即d=1) /
(1 exp (一，j ) )、O=1/(1) )1 exp (一，) )
)2)误差计算
所有学习样本的总平均误差为
1 N 1 N M
e沐E 1 e2
其中，为训练样本个数，输神经元个
数，e为第k个训练样本的均方误差，e为净输
输入第k个样本时输出神经元m的误差，将e作为训练
中选择另一种天花板类型。
)3)误差反向传递过程
和生物神经网络一样，每次输入训练样本时，
调整一次网络之间的权重。 调整从输出到输入相反
)，具体计算如下。
输出和隐藏层之间的权重系数为
、(i 1 )=、) ) d，
=0(1—0 ) ) d，1 ) 0，) )。
输入层与隐藏层之间的权重系数为
. (k 1 )=Wi .) k ) riO
=0(1) Wi，f
其中，田表示学习率(即数值的增益系数)；
中专技校
1，0 (10.4 e ) )。
【(k )其他
其中k为训练次数，e(k )为训练k次后的网络错误
差的平方和。 为了避免网络学习中的不稳定
是的，可以添加运动量项。 权重调整式是
awf(k1 )=(1(MC ) (yf ) ) meAwf ) )。
6(k1 )=(1(MC ) ) meAb ) ) )。
式中，mc为动量因子，一般取0.95左右； y ) )是输
输出端第一单元的输出； )是局部坡度。
改进3BP算法诊断某型坦克发动机故障
中断的APP应用程序
3.1诊断策略
发动机运行常用的六个特征参数是AI，
MA，DI，MD，TR，PR。 其中，AI是最大加速度指标；
维普信息http://www.cqvip.com
2007年第三期工业仪表自动化设备47
MA是平均加速度指标，DI是最大减速度的指标
作为平均减速度指标的TR是转矩高次谐波成分比； 宣传是燃
爆炸时的上升速度。 诊断的第一步是提取每个特征参数；
步骤2是通过改进BP神经网络的诊断，分析其原理
如图2所示。
正常状态
油路故障
阀门漏气
汽缸漏气
回路、阀门故障
回路、气缸故障
阀门、气缸故障
基于改进的图2BP神经网络(IBPNN )
的发动机故障诊断模型
在图2中，IBPNN—I的结构：输入层的两个节点是
TR和正常状态； 输出层的两个节点是正常和故障
状态。 IBPNN一的结构：输入层的5个节点，对应
五个特征参数是PR、AI、MA、DI、MD； 第4级输出部分
与点、2个回路故障、阀门漏气、气缸漏气正常对应
状态。 根据输出的4个状态综合地确定信息优化处理
决定实际输出的单故障和复合故障。
3.2诊断分析
由于篇幅的原因，这里选择发动机的1号气缸
进行分析。 经过分析，这个汽缸总共发生了四种故障
模式通常是油量少，由于来自阀气体泄漏和来自气缸的气体泄漏，例如
如表1所示。 这四种故障模式通过了现场试验和历史
通过的收集分析，可以如表所示得到四组故障样本数据
来定义自定义外观。
表1故障模式分类
故障模式对应描述
正常
油量少
空气从空气门泄漏
气缸漏气
表2故障样本数据
气缸状态TR PR AI MA DI MD
正常0.999 0.999 0.999 0.999 0.999 0.999 0.999
油量少0.102 0.091 0.035 0.085 0.078 0.105
空气泄漏0。 111 0.125 0.021 0.078 0.121 0.192
漏气0.2150.185 0.1520.098 0.115 0.113
要构建BP网络，首先要考虑每层神经元的数量和
神经网络的整体结构。 选择三层BP网络作为状态
分类器根据故障诊断实例的需要，确定6个输入层
神经元和4个输出层神经元。 抑制层神经元的
个数不能任意选择，由要求的学习误差决定
也就是说，学习样本集越大，学习误差也越大
用三层神经网络逼近有界连续函
数量需要相当数量的隐含层神经元数量。 能学到东西
在不能减小误差的情况下，不一定陷入菲线性最优化的局
部分极小，可能是所使用的BP网络的隐含层神经元个
数量不够。 该文基于Kolmogorov定理，多次尝试
检查结果选择了15个抑制层神经元。 网络误差精度获取
0.001、学习速度0.01、学习速度增长率因子为
1.05、周期数500、学习速度降低率因子0。
7、取运动量因子为0.95，分别采用改进学习算法和例程
学习算法训练网络，训练过程如图3、图4所示
刁难。
国家职业教育
、---一
{
\
{。
图3BP算法学习曲线的改进
图4普通BP算法的学习曲线
从图中可以看出，与基本的BP算法相比，采用了修改
进入算法后网络的收敛速度明显加快，相同的误差变得精致
在度的要求下，常规的BP算法经过35次才达到精度要求
求，改进后的BP算法12次达到了精度
寻求。
为了验证网络的外推性能，以下是一系列测量
本数据如表3所示。 这些数据都来自真相
的故障信息可以有效地验证网络的外推性能。
o
o
O 1
1 O
维普信息http://www.cqvip.com
48工业仪表与自动化设备2007年第3期
表3测试样品数据
气缸状态TR PR AI MA DI MD
正常1.001 1.002 0.999 1.000 1.006 0.998
油量少于0.110.102、0.031、0.091、0.082、0.096
煤气泄漏0.115 0.1310.019 0.083 0.123 0.202
煤气泄漏0.221 0.193 0.148 0.105 0.1210.110
使用表3的测试样品，分别使用改良BP进行计算
测试法和常规BP算法的网络，并分别输出结果
如下所示。
、1.0000.000.0000.0000、
l0.0000 0.9686 0.0002 0.0000I
10.0000 0.0005 1.0000 0.0069l
t0.0000.0000.0000.9864j
工厂1.0000.000.0000.0000、
l0.0010 0.9598 0.0029 0.0033I
~ f0.0030 0.0150 0.9987 0.0013f
l0.0071 0.0172 0.0005 0.9623J
将y、Y2与表1进行比较，可知两种方法都是正确
虽然确实诊断了发动机的故障，但是采用了改良BP
算法得到的结果y更典型地反映了发动机的故障，
得到更优化的结果。
4结论
该文采使用了自适应学习速度动量梯度的降低
反向传播算法训练了神经网络，该算法被集成
自适应学习速度梯度下降法和动量梯度下降法分别为
神经网络对训练的优越性不仅在于训练的BP神经
网络在学习速度方面大于普通的BP神经网络
然后，进一步提高了BP神经网络处理非线性
性和不确定因素很强的问题能力。 通过进行这种改善
的BP神经网络方法可用于故障诊断实例，并可
该方法在实际应用中有很好的效果，因此降低
低诊断过程中的人为影响，保证了客观性，如下
坦克发动机故障诊断判定自动化提供了一种可行性
请参阅。
参考文献：
[1]阎平凡，张长水.人工神经网络与模拟进化计算[M] .
北京：清华大学出版社，2000
[2] VenayagamoorthyGK，HarleyRG.Acontinuallyonline
trainedneurocontrollerforexcitationandturbinecontrolof
aturbogenerator [ j ].ieetransactionsonenergycon -
版本，2001，16 (3) 261—269。
[3]莫剑冬，徐章遂，美东。 应用概率神经网络进行自诊断
火炮发动机故障[J] .华北工学院测试技术学报
2000，14 (一)7—11。
[4]思科技术产品研发中心. MATLAB6.5辅助神经网络
分析与设计[M] .北京：电子工业出版社，2004。
[5]基于赵志刚、钟德刚、周明安. BP神经网络的汽配
动机异音故障分析法[J] .农机化研究，2006年，(6):214
216
(接第11页)
引用的基本方法是传统方法，在几个环节上是正确的
这些方法被改善了。 应该指出，一些改进措施是有一定的
的适用范围，但从实际物体、环境的复杂性来考虑
对上述缺陷有比较共同的解决方案还是相当困难的
中选择所需的族。 这些将请相关领域的研究人员进行进一步讨论。
参考文献：
[1]董士崇、王天珍、许刚.视频图像中运动检测[J] .
武汉理工大学学报(信息与管理工程版)，2004，26
(4) 1—3。
[2] EmanueleTrucco，TizianoTommasini，VitoRobeao。
near—recursiveopticalflowfromweightedimage
Differences[J].Systems、ManandCybernetics、PartB、
IEEETransactions，2005，35 (1):124—129。
[3]秦涛，周泽魁.一种检测系列图像中运动目标的新
方法[J] .计算机应用与软件，2004，21 (9):105—107。
[4] Eliezer oron.motionestimationandimagedifferencefor
multi—object tracking [ j ].aerospace conference，1999年。
Proceedings.IEEE，1999，4 (6- 13 ) 401—409。
[5]王璐、崔益安、苏虹，等.移动机器人的运动目标
实时检测与跟踪[J] .计算机工程与应用，2005，(15 ) :
三十比三十三。
[6] StefanHuwer，heinriehniemann.adaptivechangede -
tectionforreal—timesurveillanceapplications [ c ].visu—
alSurveillance，2000.proceedings.thirdieeeinterna -
tionalWorkshop.2000.37—46。
[7]贾云得.机器视觉[ J ] .北京：科学出版社
2000。
[8] RameshJain、RangacharKasturi、BrianGSchunck .机器
器视(英文版) MachineVision[M] .北京：机械工业
出版社，2003年
[9]陆宗骏. C/C图像处理编程(第一版) (m ) .北京：
清华大学出版社，2005年
[10] MilanSonka，VaclavHlavac，RogerBoyle .图像处理，
分析与机器视觉[M] .北京：人民邮电出版社
2003
维普信息http://www.cqvip.com