鄭勇

摘 要：BP神經(jīng)網(wǎng)絡是采用誤差反傳算法作為其學習算法的前饋型網(wǎng)絡。但其在機械系統(tǒng)的故障診斷應用中卻存在諸多問題。本研究以汽車機械系統(tǒng)故障診斷為例，對BP神經(jīng)網(wǎng)絡的具體應用進行改進，對收斂速度慢、診斷準確率低、樣本選擇困難等應用過程中存在的問題提出相應的解決方法。經(jīng)過分析應用，效果較好，對相關(guān)問題的解決具有較好的指導和應用價值。

關(guān)鍵詞：機械系統(tǒng);故障診斷;改進的BP神經(jīng)網(wǎng)絡;汽車

1 BP神經(jīng)網(wǎng)絡特點與適用性

人工神經(jīng)網(wǎng)絡是一種模擬人腦結(jié)構(gòu)和功能的信息處理系統(tǒng)，它具有強大的非線性處理功能。神經(jīng)網(wǎng)絡之所以被廣泛應用，主要在于其具有很強的容錯性，具有很強的自學習、自適應能力、異域聯(lián)想功能，對復雜的非線性問題建模非常容易等優(yōu)點。

BP神經(jīng)網(wǎng)絡是采用誤差反傳算法作為其學習算法的前饋型網(wǎng)絡，由輸入層（一層）、隱含層（一層或多層）和輸出層（一層）組成，各層之間實行全連接。網(wǎng)絡的學習過程由：“信息正向傳播”→“誤差反向傳播”→“記憶訓練”→“學習收斂”這四個部分組成。隨著信息的正向傳遞與誤差的反向傳播的反復進行，不斷調(diào)整權(quán)值，使網(wǎng)絡的實際輸出逐漸向各自對應的期望輸出逼近，直至達到期望目標。雖然BP神經(jīng)網(wǎng)絡能夠廣泛應用于各個行業(yè)，但其在機械系統(tǒng)的故障診斷中卻存在收斂速度慢和診斷診確率低等問題。為此，本研究以汽車機械系統(tǒng)故障診斷為例，對BP神經(jīng)網(wǎng)絡的具體應用進行深入研究，并針對應用過程中存在的問題提出相應的解決方法。

2 基于BP神經(jīng)網(wǎng)絡的機械系統(tǒng)故障診斷系統(tǒng)的應用問題研究

為了解決BP神經(jīng)網(wǎng)絡在汽車機械系統(tǒng)故障診斷中所遇到的收斂速度過慢、診斷準確率較低以及無法精確選取樣本等問題，本研究采取了以下改進措施，以此解決應用過程中存在的問題，提高BP神經(jīng)網(wǎng)絡在汽車機械系統(tǒng)故障診斷中的應用水平。

2.1 收斂速度慢問題改進

在應用BP神經(jīng)網(wǎng)絡對汽車機械系統(tǒng)故障進行診斷時，為了解決其收斂速度過慢的應用問題，本研究主要應用了兩種方法，分別是對α和β兩個動態(tài)參數(shù)進行調(diào)整的方法以及對步長進行自適應調(diào)整的方法。首先，在對α和β兩個動態(tài)參數(shù)進行調(diào)整的方法中，通過對樣本進行訓練可以了解到，α和β這兩個動態(tài)參數(shù)會在很大程度上影響B(tài)P神經(jīng)網(wǎng)絡的學習速度，通過對這種影響程度進行相應的運算分析，可以發(fā)現(xiàn)，α與β這兩個動態(tài)參數(shù)的不同，會造成BP神經(jīng)網(wǎng)絡在診斷汽車機械系統(tǒng)噴油器故障問題時，其電壓波形樣本有著不同的迭代次數(shù)。

由以上分析數(shù)據(jù)可以了解到，當α與β的取值變得越高時，則對誤差的修正幅度也就越大，相應的也使BP神經(jīng)網(wǎng)絡有更快的學習速度。不過當α與β的取值過大時，則會造成BP神經(jīng)網(wǎng)絡在學習過程中出現(xiàn)振蕩現(xiàn)象，進而造成其性能降低，因此，對α與β值的最優(yōu)化選擇是非常困難的。在對BP神經(jīng)網(wǎng)絡在學習汽車機械系統(tǒng)噴油器的電壓波形樣本數(shù)據(jù)時，通過觀察其誤差曲線，可以發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡在學習過程中主要包括兩個階段，因此應根據(jù)這兩個階段來采取不同的參數(shù)調(diào)整方法。

BP神經(jīng)網(wǎng)絡在學習初期，通常其實際輸出信號和人們所期望的輸出信號之間有著很大的誤差，這也使BP神經(jīng)網(wǎng)絡在該階段有著較快的學習速度，此時對其最近幾次的輸出值進行分析，如果其輸出值不會出現(xiàn)較大的化，則可對參數(shù)進行適當?shù)募哟螅缓髮⑵渑c小于1的數(shù)進行相乘，并按照原來的方向?qū)ο乱坏c進行重新計算，則可以使收斂速度明顯加快，此時對其輸出值變化幅度進行觀測，如果沒有出現(xiàn)較大的變化幅度，則不需要對參數(shù)進行調(diào)整。BP神經(jīng)網(wǎng)絡在學習后期，此時其實際輸出信號和人們所期望的輸出信號之間有著很小的誤差，此時應對參數(shù)進行適當?shù)募哟螅瑫r考慮到過大的參數(shù)調(diào)整會造成系統(tǒng)振蕩，因此需要對α與β的上限進行設定，這樣便可使訓練樣本的迭代次數(shù)結(jié)果只有原來的一半左右。

根據(jù)改進的BP神經(jīng)網(wǎng)絡的權(quán)值公式，在一定程度上提高BP神經(jīng)網(wǎng)絡在汽車機械系統(tǒng)故障診斷中應用的收斂速度與收斂性能，可達到期望輸出信號的精度要求。

2.2 診斷準確率低問題改進

針對BP神經(jīng)網(wǎng)絡在汽車機械系統(tǒng)故障診斷中存在準確率較低的問題，為了提高其診斷準確率，需要適當?shù)脑黾訕颖緮?shù)量，使BP神經(jīng)網(wǎng)絡能夠?qū)δ硞€輸入項實施弱化處理，也就是說，通過對相應訓練樣本的增加，將其當作有效的輸入信號，則其輸出便是預先設定的較小值，然后再應用BP神經(jīng)網(wǎng)絡來對噴油器電壓波形的樣本數(shù)據(jù)進行訓練，通過該樣本數(shù)據(jù)中權(quán)值矩陣的相應調(diào)整，以此確保該選項能夠在最小程度上影響輸出結(jié)果，直至不會導致系統(tǒng)對樣本發(fā)生誤判為止，這種方法能夠在一定程度上使權(quán)值矩陣構(gòu)成得到相應的干預，進而達到提高其精度的目的。通過在基于BP神經(jīng)網(wǎng)絡的汽車機械系統(tǒng)故障診斷系統(tǒng)中應用該方法，在加入弱化樣本以后，能夠使BP神經(jīng)網(wǎng)絡的診斷準確率提升至8.9%。

2.3 樣本選擇困難問題改進

針對BP神經(jīng)網(wǎng)絡在汽車機械系統(tǒng)故障診斷中存在的樣本難以準精確選擇的問題，在應用過程中，由于汽車機械系統(tǒng)在運行時所產(chǎn)生的波形不確定，因此會造成各種信號都和標準信號有著不同的逼近程度，因此在對各種信號所具有的特征值進行提取時，所采用的語言也應盡量模糊化，例如在描述各種信號和標準信號特征之間的逼近程度時，便可采用明顯、較為明顯以及較為輕微等模糊化語言。因此，在采用模糊化語言來進行逼近程度的描述時，需要通過相應權(quán)系數(shù)的設定來將其納入到樣本取值中，以此實現(xiàn)對故障波形的精確把握，權(quán)系數(shù)與描述語言之間的對應關(guān)系是：權(quán)系數(shù)超過0.85時描述為逼近程度明顯，權(quán)系數(shù)在0.6時描述為逼近程度較為明顯，權(quán)系數(shù)在0.35以內(nèi)時，描述為逼近程度輕微。通過以上處理，能夠大幅提高系統(tǒng)對波形中故障診斷的準確率，比如，在對噴油器的電壓波形進行描述時，通過權(quán)重因子的設定，由診斷人員結(jié)合實際情況來選擇權(quán)重因子，使數(shù)值從僅為0和1轉(zhuǎn)變成0與1之間的五個間斷變化的值，這一方法雖然存在人為的主觀因素，但卻更加符合故障診斷過程中對實際情況的描述，從而使診斷人員在對汽車機械系統(tǒng)中存在的兩種或兩種以上故障進行診斷時，能夠大大提高診斷精度，從而判斷出汽車機械系統(tǒng)在發(fā)生相應故障時存在的可能性，進而大大提高了BP神經(jīng)網(wǎng)絡在汽車機械系統(tǒng)故障診斷中的描述準確率，實現(xiàn)了對汽車機械系統(tǒng)發(fā)生各種故障時的綜合性診斷。

2.4 應用效果分析

通過采用以上方法來進行改進，可以發(fā)現(xiàn)，權(quán)值矩陣的變化對診斷準確率產(chǎn)生了很大的影響，這種影響大幅提高了BP神經(jīng)網(wǎng)絡的故障診斷準確率，同時其收斂速度也得到了一定程度的加快。

3 結(jié)論

通過研究BP神經(jīng)網(wǎng)絡在汽車機械系統(tǒng)故障診斷時所遇到的問題，以此提出相應的解決方法，實踐結(jié)果表明，在應用了α、β動態(tài)參數(shù)調(diào)整法、步長調(diào)整法、樣本增加弱化處理法以及描述語言模糊化法后，BP神經(jīng)網(wǎng)絡在診斷汽車機械系統(tǒng)故障時的收斂速度與收斂性能有了明顯的提升，診斷準確率也得到了很大的提高，并且通過模糊化語言能夠更加精確的對汽車機械系統(tǒng)故障進行綜合性診斷。

參考文獻：

[1]劉小平，鄂東辰，高強，等.基于BP神經(jīng)網(wǎng)絡的翻車機壓系統(tǒng)故障診斷[J].液壓與氣動，2016（08）：68-73.

[2]李琳，陶建峰，黃亦翔，等.基于BP神經(jīng)網(wǎng)絡的液壓缸內(nèi)泄漏診斷[J].液壓與氣動，2017（07）：11-15.