人工神经网络应用于空调系统故障诊断的研究Word格式文档下载.docx
- 文档编号:21292959
- 上传时间:2023-01-29
- 格式:DOCX
- 页数:10
- 大小:58.13KB
人工神经网络应用于空调系统故障诊断的研究Word格式文档下载.docx
《人工神经网络应用于空调系统故障诊断的研究Word格式文档下载.docx》由会员分享,可在线阅读,更多相关《人工神经网络应用于空调系统故障诊断的研究Word格式文档下载.docx(10页珍藏版)》请在冰豆网上搜索。
3人工神经网络用于空调系统故障诊断的基本原理
人工神经网络(ArtificialNeuralNetwork.简称ANN)正是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。
它是理论化的人脑神经网络的数学模型,是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。
它实际上是由大量简单元件相互连接而成的复杂网络,具有高度的非线性,能够进行复杂的逻辑操作和非线性关系实现的系统。
典型的神经网络结构如图1所示。
在众多的人工神经网络模型中,最常用的是BP(BackPropagation)模型,即利用误差反向传播算法求解的多层前向神经网络模型[2]。
BP网络在故障诊断、模式识别、图像识别、管理系统等方面都得到了广泛的应用。
本文讨论利用神经网络中的BP模型进行空调系统的故障诊断。
首先需要进行知识的获取。
由专家提供关于各种空调系统故障现象(征兆集)及相应的故障原因(故障集)实例作为学习样本。
将数据分为两部分,一部分用于训练网络,另一部分用于测试。
将训练网络的数据按一定顺序编码,分别赋给网络输入、输出节点,通过神经网络学习算法对样本进行学习,经过网络内部自适应算法不断修正权值,直到达到所要求的学习精度为止。
此时在大量神经元之间联结权值上就分布着专家知识和经验。
训练完毕后,再将测试网络的数据从初始状态出发,向前推理,将显示出的故障结果与实际的测试数据结果相比较,如果误差很小,说明网络的权值建立正确;
如果误差较大,说明网络的权值建立有误,需要重新进行网络的训练。
将训练样本训练完毕后,即可进行空调系统的故障诊断。
只要实际输入模式接近于某一个训练时的学习样本的输入模式,则可产生出接近学习样本的输出结果,也就是所谓的自联想功能。
同时,由于网络计算上的大量并行性,当机器运行状况改变,出现网络学习未考虑的情况时,系统亦能给出正确分类结果。
同时将新数据并入网络,实现系统的自适应。
一般来说,学习的故障实例样本越多,诊断结果的准确率越高。
4BP学习算法
BP算法因其简单、易行、计算量小、并行性强等优点,是目前神经网络训练采用最多也是最成熟的训练算法之一。
BP算法的实质是求解误差函数的最小值问题,由于它采用非线性规划中的梯度下降法(GradientDescent),按误差函数的负梯度方向修正权值[3]。
其主要思路是如果求出训练网络的指标函数误差:
一般的BP算法称为标准误差逆传播算法,也就是对应每一次输入都校正一次权值。
这种算法不是全局误差意义上的梯度下降计算。
对各个神经元的输出求偏导数,那么就可以算出误差
对所有连接权值的偏导数,从而可以利用梯度下降法来修改各个连接权值。
真正的全局误差意义上的梯度下降算法是在全部训练模式都学习完后才校正连接权和阈值。
其计算流程如图2所示:
5故障诊断实例
5.1空调系统故障诊断的BP网络建立
空调系统故障模式及故障机制分析[4]如表1所示
表1空调系统故障模式及故障机制分析
表示
符号
故障模式
故障原因
x1
房间温度均偏高
y1
y2
y3
y4
y5
y6
1.冷冻机产冷量不足
2.喷水堵塞
3.通过空气处理设备的风量过大,热交换不良
4.回风量大于送风量
5.送风量不足(可能空气过滤气堵塞)
6.表冷器结霜,造成堵塞
x2
相对湿度均偏低
y7
7.室外空气未经加湿处理
x3
系统实测风量大于设计风量
y8
y9
8.系统的实际阻力小于设计阻力
9.设计时选用风机容量偏大
x4
房间气流速度超过允许流速
y10
y11
y12
10.送风口速度过大
11.总送风量过大
12.送风口的型式不适合
5.2网络输入输出向量及参数的选取
以故障模式X=(x1,x2,x3,x4)输入,故障原因Y=(y1,y2,y3````y12)作为输出,以不同的故障原因导致的故障模式为训练样本进行学习,从而建立故障模式与故障原因之间的映射关系。
x1,x2,x3,x4分别代表故障房间温度均偏高、相对湿度均偏低、系统实测风量大于设计风量和房间气流速度超过允许流速的4种故障现象;
y1,y2,…,y12分别代表冷冻机产冷量不足;
喷水堵塞……送风口的型式不适合等故障原因。
5.3网络结构及训练样本的选取
空调系统故障诊断的神经网络模型分为3层,分别为输入层、隐含层和输出层。
输入层节点个数为4,对应于4个故障现象,输出层节点个数为12,对应于12个故障原因。
输出节点值的大小反映了故障出现的可能性。
隐含层节点的个数可参照公式初步选取[5]:
,其中M为输出节点数,N为输入节点数,
为1至10的常数,在此,选取16个隐节点。
输入单元数为4个,输出单元数为12个。
隐含层单元个数凭经验选取,一般取4~5个隐含节点对应一个输入节点,这里选4个,则隐含层节点为
个,网络共32个节点。
各单元的输入与输出的特征函数采用Sigmoid函数,即隐含层第j个神经元的输入为
,输出
为:
式中
表示阈值,
的作用是调节Sigmoid函数的形状。
取4个训练样本,具体如表2所示。
(x1,x2,x3,x4)=(1,0,0,0)表示房间温度均偏高的故障模式;
(y1,y2,y3````y12)=(1,1,1,1,1,1,0,0,````)表示房间温度均偏高的故障原因。
表2BP网络的训练样本表
样本
序号
x1x2x3x4
y1y2y3y4y5y6y7y8y9y10y11y12
1
2
3
4
1000
0100
0010
0001
111111000000
000000100000
000000011000
000000000111
5.4网络的训练与检验
我们以给定模式作为网络的输入,要求网络通过调节所有的连接权系数和各神经元的阈值,使得在输出层神经元上得到理想的结果;
然后再给出另一个模式,要求网络继续完成对这对模式的学习。
当系统的平均误差E满足下式即可完成训练:
式中:
是对应于第k个样本、第t个输出节点的期望输出值,
是第t个输出节点的实际输出值。
根据程序框图及BP算法,运用Matlab神经网络工具箱进行样本训练。
计算程序如下:
P=[1000;
0100;
0010;
0001];
T=[1000;
1000;
1000;
0010;
0001;
0001]
net=newff(minmax(P),[16,12],{'
tansig'
'
purelin'
},'
traingda'
);
net.trainParam.show=200;
net.trainParam.lr=0.05;
net.trainParam.epochs=2000;
net.trainParam.goal=1e-5;
[net,tr]=train(net,P,T)
计算结束后,网络达到收敛,其训练收敛过程如下图所示:
图3BP网络梯度下降法收敛图
最后用非训练样本测试网络的判断能力,测试结果如表3所示
表3测试结果
样本序号
1234
故障
模式
x1
x2
x3
x4
0010
原因
y1
y2
y3
y4
y5
y6
y7
y8
y9
y10
y11
y12
0.9997-0.0000-0.00030.0002
1.00260.00580.0022-0.0069
1.00060.00130.0011-0.0018
1.00050.00180.0016-0.0021
0.9973-0.0055-0.00180.0067
0.9992-0.0019-0.00120.0023
-0.00010.9985-0.00160.0016
-0.0007-0.00181.00000.0020
0.00070.00251.0015-0.0026
0.00090.00410.00290.9950
0.00370.00740.00230.9908
-0.00000.00280.00250.9973
6结论
由此可见,与传统的信息处理方法不同,人工神经网络是自适应和可以被训练的,它有自修改能力,同时有对信息并行处理及并行推理的能力,从原理上就比传统的方法要快得多,并且具有高度的非线性、模拟并行性、高度容错性、鲁棒性、自联想自学习和自适应等许多特点。
因此,把基于神经网络BP算法的故障诊断技术引入空调系统,能够在空调系统调试和系统的监测及诊断中能够发挥较大的作用。
参考文献
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 人工 神经网络 应用于 空调 系统故障 诊断 研究