论文部分内容阅读
摘 要：BP神经网络是采用误差反传算法作为其学习算法的前馈型网络。但其在机械系统的故障诊断应用中却存在诸多问题。本研究以汽车机械系统故障诊断为例，对BP神经网络的具体应用进行改进，对收敛速度慢、诊断准确率低、样本选择困难等应用过程中存在的问题提出相应的解决方法。经过分析应用，效果较好，对相关问题的解决具有较好的指导和应用价值。
关键词：机械系统;故障诊断;改进的BP神经网络;汽车
1 BP神经网络特点与适用性
人工神经网络是一种模拟人脑结构和功能的信息处理系统，它具有强大的非线性处理功能。神经网络之所以被广泛应用，主要在于其具有很强的容错性，具有很强的自学习、自适应能力、异域联想功能，对复杂的非线性问题建模非常容易等优点。
BP神经网络是采用误差反传算法作为其学习算法的前馈型网络，由输入层（一层）、隐含层（一层或多层）和输出层（一层）组成，各层之间实行全连接。网络的学习过程由：“信息正向传播”→“误差反向传播”→“记忆训练”→“学习收敛”这四个部分组成。随着信息的正向传递与误差的反向传播的反复进行，不断调整权值，使网络的实际输出逐渐向各自对应的期望输出逼近，直至达到期望目标。虽然BP神经网络能够广泛应用于各个行业，但其在机械系统的故障诊断中却存在收敛速度慢和诊断诊确率低等问题。为此，本研究以汽车机械系统故障诊断为例，对BP神经网络的具体应用进行深入研究，并针对应用过程中存在的问题提出相应的解决方法。
2 基于BP神经网络的机械系统故障诊断系统的应用问题研究
为了解决BP神经网络在汽车机械系统故障诊断中所遇到的收敛速度过慢、诊断准确率较低以及无法精确选取样本等问题，本研究采取了以下改进措施，以此解决应用过程中存在的问题，提高BP神经网络在汽车机械系统故障诊断中的应用水平。
2.1 收敛速度慢问题改进
在应用BP神经网络对汽车机械系统故障进行诊断时，为了解决其收敛速度过慢的应用问题，本研究主要应用了两种方法，分别是对α和β两个动态参数进行调整的方法以及对步长进行自适应调整的方法。首先，在对α和β两个动态参数进行调整的方法中，通过对样本进行训练可以了解到，α和β这两个动态参数会在很大程度上影响BP神经网络的学习速度，通过对这种影响程度进行相应的运算分析，可以发现，α与β这两个动态参数的不同，会造成BP神经网络在诊断汽车机械系统喷油器故障问题时，其电压波形样本有着不同的迭代次数。
由以上分析数据可以了解到，当α与β的取值变得越高时，则对误差的修正幅度也就越大，相应的也使BP神经网络有更快的学习速度。不过当α与β的取值过大时，则会造成BP神经网络在学习过程中出现振荡现象，进而造成其性能降低，因此，对α与β值的最优化选择是非常困难的。在对BP神经网络在学习汽车机械系统喷油器的电压波形样本数据时，通过观察其误差曲线，可以发现BP神经网络在学习过程中主要包括两个阶段，因此应根据这两个阶段来采取不同的参数调整方法。
BP神经网络在学习初期，通常其实际输出信号和人们所期望的输出信号之间有着很大的误差，这也使BP神经网络在该阶段有着较快的学习速度，此时对其最近几次的输出值进行分析，如果其输出值不会出现较大的化，则可对参数进行适当的加大，然后将其与小于1的数进行相乘，并按照原来的方向对下一迭代点进行重新计算，则可以使收敛速度明显加快，此时对其输出值变化幅度进行观测，如果没有出现较大的变化幅度，则不需要对参数进行调整。BP神经网络在学习后期，此时其实际输出信号和人们所期望的输出信号之间有着很小的误差，此时应对参数进行适当的加大，同时考虑到过大的参数调整会造成系统振荡，因此需要对α与β的上限进行设定，这样便可使训练样本的迭代次数结果只有原来的一半左右。
根据改进的BP神经网络的权值公式，在一定程度上提高BP神经网络在汽车机械系统故障诊断中应用的收敛速度与收敛性能，可达到期望输出信号的精度要求。
2.2 诊断准确率低问题改进
针对BP神经网络在汽车机械系统故障诊断中存在准确率较低的问题，为了提高其诊断准确率，需要适当的增加样本数量，使BP神经网络能够对某个输入项实施弱化处理，也就是说，通过对相应训练样本的增加，将其当作有效的输入信号，则其输出便是预先设定的较小值，然后再应用BP神经网络来对喷油器电压波形的样本数据进行训练，通过该样本数据中权值矩阵的相应调整，以此确保该选项能够在最小程度上影响输出结果，直至不会导致系统对样本发生误判为止，这种方法能够在一定程度上使权值矩阵构成得到相应的干预，进而达到提高其精度的目的。通过在基于BP神经网络的汽车机械系统故障诊断系统中应用该方法，在加入弱化样本以后，能够使BP神经网络的诊断准确率提升至8.9%。
2.3 样本选择困难问题改进
针对BP神经网络在汽车机械系统故障诊断中存在的样本难以准精确选择的问题，在应用过程中，由于汽车机械系统在运行时所产生的波形不确定，因此会造成各种信号都和标准信号有着不同的逼近程度，因此在对各种信号所具有的特征值进行提取时，所采用的语言也应尽量模糊化，例如在描述各种信号和标准信号特征之间的逼近程度时，便可采用明显、较为明显以及较为轻微等模糊化语言。因此，在采用模糊化语言来进行逼近程度的描述时，需要通过相应权系数的设定来将其纳入到样本取值中，以此实现对故障波形的精确把握，权系数与描述语言之间的对应关系是：权系数超过0.85时描述为逼近程度明显，权系数在0.6时描述为逼近程度较为明显，权系数在0.35以内时，描述为逼近程度轻微。通过以上处理，能够大幅提高系统对波形中故障诊断的准确率，比如，在对喷油器的电压波形进行描述时，通过权重因子的设定，由诊断人员结合实际情况来选择权重因子，使数值从仅为0和1转变成0与1之间的五个间断变化的值，这一方法虽然存在人为的主观因素，但却更加符合故障诊断过程中对实际情况的描述，从而使诊断人员在对汽车机械系统中存在的两种或两种以上故障进行诊断时，能够大大提高诊断精度，从而判断出汽车机械系统在发生相应故障时存在的可能性，进而大大提高了BP神经网络在汽车机械系统故障诊断中的描述准确率，实现了对汽车机械系统发生各种故障时的综合性诊断。
2.4 应用效果分析
通过采用以上方法来进行改进，可以发现，权值矩阵的变化对诊断准确率产生了很大的影响，这种影响大幅提高了BP神经网络的故障诊断准确率，同时其收敛速度也得到了一定程度的加快。
3 结论
通过研究BP神经网络在汽车机械系统故障诊断时所遇到的问题，以此提出相应的解决方法，实践结果表明，在应用了α、β动态参数调整法、步长调整法、样本增加弱化处理法以及描述语言模糊化法后，BP神经网络在诊断汽车机械系统故障时的收敛速度与收敛性能有了明显的提升，诊断准确率也得到了很大的提高，并且通过模糊化语言能够更加精确的对汽车机械系统故障进行综合性诊断。
参考文献：
[1]刘小平，鄂東辰，高强，等.基于BP神经网络的翻车机压系统故障诊断[J].液压与气动，2016（08）：68-73.
[2]李琳，陶建峰，黄亦翔，等.基于BP神经网络的液压缸内泄漏诊断[J].液压与气动，2017（07）：11-15.
关键词：机械系统;故障诊断;改进的BP神经网络;汽车
1 BP神经网络特点与适用性
人工神经网络是一种模拟人脑结构和功能的信息处理系统，它具有强大的非线性处理功能。神经网络之所以被广泛应用，主要在于其具有很强的容错性，具有很强的自学习、自适应能力、异域联想功能，对复杂的非线性问题建模非常容易等优点。
BP神经网络是采用误差反传算法作为其学习算法的前馈型网络，由输入层（一层）、隐含层（一层或多层）和输出层（一层）组成，各层之间实行全连接。网络的学习过程由：“信息正向传播”→“误差反向传播”→“记忆训练”→“学习收敛”这四个部分组成。随着信息的正向传递与误差的反向传播的反复进行，不断调整权值，使网络的实际输出逐渐向各自对应的期望输出逼近，直至达到期望目标。虽然BP神经网络能够广泛应用于各个行业，但其在机械系统的故障诊断中却存在收敛速度慢和诊断诊确率低等问题。为此，本研究以汽车机械系统故障诊断为例，对BP神经网络的具体应用进行深入研究，并针对应用过程中存在的问题提出相应的解决方法。
2 基于BP神经网络的机械系统故障诊断系统的应用问题研究
为了解决BP神经网络在汽车机械系统故障诊断中所遇到的收敛速度过慢、诊断准确率较低以及无法精确选取样本等问题，本研究采取了以下改进措施，以此解决应用过程中存在的问题，提高BP神经网络在汽车机械系统故障诊断中的应用水平。
2.1 收敛速度慢问题改进
在应用BP神经网络对汽车机械系统故障进行诊断时，为了解决其收敛速度过慢的应用问题，本研究主要应用了两种方法，分别是对α和β两个动态参数进行调整的方法以及对步长进行自适应调整的方法。首先，在对α和β两个动态参数进行调整的方法中，通过对样本进行训练可以了解到，α和β这两个动态参数会在很大程度上影响BP神经网络的学习速度，通过对这种影响程度进行相应的运算分析，可以发现，α与β这两个动态参数的不同，会造成BP神经网络在诊断汽车机械系统喷油器故障问题时，其电压波形样本有着不同的迭代次数。
由以上分析数据可以了解到，当α与β的取值变得越高时，则对误差的修正幅度也就越大，相应的也使BP神经网络有更快的学习速度。不过当α与β的取值过大时，则会造成BP神经网络在学习过程中出现振荡现象，进而造成其性能降低，因此，对α与β值的最优化选择是非常困难的。在对BP神经网络在学习汽车机械系统喷油器的电压波形样本数据时，通过观察其误差曲线，可以发现BP神经网络在学习过程中主要包括两个阶段，因此应根据这两个阶段来采取不同的参数调整方法。
BP神经网络在学习初期，通常其实际输出信号和人们所期望的输出信号之间有着很大的误差，这也使BP神经网络在该阶段有着较快的学习速度，此时对其最近几次的输出值进行分析，如果其输出值不会出现较大的化，则可对参数进行适当的加大，然后将其与小于1的数进行相乘，并按照原来的方向对下一迭代点进行重新计算，则可以使收敛速度明显加快，此时对其输出值变化幅度进行观测，如果没有出现较大的变化幅度，则不需要对参数进行调整。BP神经网络在学习后期，此时其实际输出信号和人们所期望的输出信号之间有着很小的误差，此时应对参数进行适当的加大，同时考虑到过大的参数调整会造成系统振荡，因此需要对α与β的上限进行设定，这样便可使训练样本的迭代次数结果只有原来的一半左右。
根据改进的BP神经网络的权值公式，在一定程度上提高BP神经网络在汽车机械系统故障诊断中应用的收敛速度与收敛性能，可达到期望输出信号的精度要求。
2.2 诊断准确率低问题改进
针对BP神经网络在汽车机械系统故障诊断中存在准确率较低的问题，为了提高其诊断准确率，需要适当的增加样本数量，使BP神经网络能够对某个输入项实施弱化处理，也就是说，通过对相应训练样本的增加，将其当作有效的输入信号，则其输出便是预先设定的较小值，然后再应用BP神经网络来对喷油器电压波形的样本数据进行训练，通过该样本数据中权值矩阵的相应调整，以此确保该选项能够在最小程度上影响输出结果，直至不会导致系统对样本发生误判为止，这种方法能够在一定程度上使权值矩阵构成得到相应的干预，进而达到提高其精度的目的。通过在基于BP神经网络的汽车机械系统故障诊断系统中应用该方法，在加入弱化样本以后，能够使BP神经网络的诊断准确率提升至8.9%。
2.3 样本选择困难问题改进
针对BP神经网络在汽车机械系统故障诊断中存在的样本难以准精确选择的问题，在应用过程中，由于汽车机械系统在运行时所产生的波形不确定，因此会造成各种信号都和标准信号有着不同的逼近程度，因此在对各种信号所具有的特征值进行提取时，所采用的语言也应尽量模糊化，例如在描述各种信号和标准信号特征之间的逼近程度时，便可采用明显、较为明显以及较为轻微等模糊化语言。因此，在采用模糊化语言来进行逼近程度的描述时，需要通过相应权系数的设定来将其纳入到样本取值中，以此实现对故障波形的精确把握，权系数与描述语言之间的对应关系是：权系数超过0.85时描述为逼近程度明显，权系数在0.6时描述为逼近程度较为明显，权系数在0.35以内时，描述为逼近程度轻微。通过以上处理，能够大幅提高系统对波形中故障诊断的准确率，比如，在对喷油器的电压波形进行描述时，通过权重因子的设定，由诊断人员结合实际情况来选择权重因子，使数值从仅为0和1转变成0与1之间的五个间断变化的值，这一方法虽然存在人为的主观因素，但却更加符合故障诊断过程中对实际情况的描述，从而使诊断人员在对汽车机械系统中存在的两种或两种以上故障进行诊断时，能够大大提高诊断精度，从而判断出汽车机械系统在发生相应故障时存在的可能性，进而大大提高了BP神经网络在汽车机械系统故障诊断中的描述准确率，实现了对汽车机械系统发生各种故障时的综合性诊断。
2.4 应用效果分析
通过采用以上方法来进行改进，可以发现，权值矩阵的变化对诊断准确率产生了很大的影响，这种影响大幅提高了BP神经网络的故障诊断准确率，同时其收敛速度也得到了一定程度的加快。
3 结论
通过研究BP神经网络在汽车机械系统故障诊断时所遇到的问题，以此提出相应的解决方法，实践结果表明，在应用了α、β动态参数调整法、步长调整法、样本增加弱化处理法以及描述语言模糊化法后，BP神经网络在诊断汽车机械系统故障时的收敛速度与收敛性能有了明显的提升，诊断准确率也得到了很大的提高，并且通过模糊化语言能够更加精确的对汽车机械系统故障进行综合性诊断。
参考文献：
[1]刘小平，鄂東辰，高强，等.基于BP神经网络的翻车机压系统故障诊断[J].液压与气动，2016（08）：68-73.
[2]李琳，陶建峰，黄亦翔，等.基于BP神经网络的液压缸内泄漏诊断[J].液压与气动，2017（07）：11-15.