应用神经网络集成的故障诊断方法技术

本发明专利技术公开了公开了故障诊断技术领域应用神经网络集成的故障诊断方法，包括建立故障分类器、神经网络学习以及神经网络集成的AdaBoost算法，采用三层前向神经网络作为弱学习器，以批处理方式进行学习，学习完成后得到的神经网络作为AdaBoost训练的故障弱分类器，AdaBoost训练结束后，由故障弱分类器根据有权重的投票方式形成最终的集成故障分类器；本发明专利技术通过简单地训练多个普通神经网络并将其诊断结果按照AdaBoost算法进行集成，可以有效提高最终故障分类器的泛化能力，克服单一神经网络的不足，为神经网络技术在智能故障诊断中的进一步应用提供了一条新途径。

Fault Diagnosis Method Based on Neural Network Integration

The invention discloses a fault diagnosis method using neural network ensemble in the field of fault diagnosis technology, including the establishment of fault classifier, neural network learning and the AdaBoost algorithm of neural network ensemble, the use of three-layer feedforward neural network as a weak learner, the batch processing method for learning, and the neural network after learning as a weak fault classification of AdaBoost training. After the training of AdaBoost, the final integrated fault classifier is formed by the weak fault classifier according to the weighted voting method; The present invention can effectively improve the generalization ability of the final fault classifier and overcome the shortcomings of the single neural network by simply training multiple ordinary neural networks and integrating their diagnosis results according to the AdaBoost algorithm. Further application of intelligent fault diagnosis provides a new way.

【技术实现步骤摘要】
应用神经网络集成的故障诊断方法
本专利技术涉及故障诊断
，具体涉及应用神经网络集成的故障诊断方法。
技术介绍
在故障诊断中，诊断推理实际上是根据特定的映射关系从故障特征域到故障原因域的计算求解过程。通常情况，这种映射关系为非常复杂的非线性关系。神经网络可以逼近任意的非线性映射，因此受到广泛关注，多种神经网络在故障诊断中得到了应用。但是，神经网络在故障诊断应用中也存在以下不足：(1)学习过程采用经验风险最小化(ERM,empiricalriskminimization)原则，因而小样本情况下容易出现过学习(over-fitting)现象，导致泛化能力低下。(2)网络设计缺乏比较严密的理论体系，设计结果和应用效果在很大程度上要取决于使用者的经验，即使采用同样的方法解决同样的问题，使用者不同，其结果也很可能大相径庭；对于缺乏先验知识的实际问题，使用者往往要经过大量费力耗时的实验摸索才能确定出合适的网络模型、学习算法和网络参数，有时，甚至很难设计出满意的网络，这使得其工程应用的效果很难得到保证。Boosting算法是由Freund和Schapire提出的提高预测学习系统预测能力的有效工本文档来自技高网...

【技术保护点】
1.应用神经网络集成的故障诊断方法，包括建立故障分类器和神经网络的学习，其特征在于：所述故障分类器的建立采用三层前向神经网络作为AdaBoost计算的弱学习器，所述神经网络的输入为M维向量，所述神经网络的输入层有M个神经元；所述神经网络的隐层有J个神经元，对于k类故障诊断问题，输出层神经元为k个，神经网络的输出为k维向量；在输入xi＝[xi,1,xi,2,…,xi,M]作用下，所述神经网络的输入输出关系为式

【技术特征摘要】
1.应用神经网络集成的故障诊断方法，包括建立故障分类器和神经网络的学习，其特征在于：所述故障分类器的建立采用三层前向神经网络作为AdaBoost计算的弱学习器，所述神经网络的输入为M维向量，所述神经网络的输入层有M个神经元；所述神经网络的隐层有J个神经元，对于k类故障诊断问题，输出层神经元为k个，神经网络的输出为k维向量；在输入xi＝[xi,1,xi,2,…,xi,M]作用下，所述神经网络的输入输出关系为式其中，M×J维矩阵wI是输入层到隐层的权值，J×k维矩阵wO是隐层到输出层的权值，J×1维向量bI和k×1维向量bO分别是隐层单元和输出层单元的阈值；J×1维向量uI和vI分别是隐层单元的输入和输出；k×1维向量uO和vO分别是输出层单元的输入和输出；f1和f2分别为正切Sigmoid型激励函数和对数Sigmoid型激励函数，下标i＝1,2,…,N；j＝1,2,…,J；n＝1,2,…,k。2.根据权利要求1所述的应用神经网络集成的故障诊断方法，其特征在于：所述神经网络学习的目标是使伪损失εt最小，这是一个在Dt和qt给定的情况下优化εt的问题，Dt为训练样本上的分布，qt为标签权重函数；采用梯度法更新神经网络权值和阈值，迭代计算的公式为式(1)中的η为学习率，w(p)和b(p)分别为第p次学习时神经网络的权值和阈值；在计算εt的式中，考虑到y和yi不可能同时为n，式(2)中的各项偏导数计算如下：公式(1)～(6)构成了所述神经网络的基本学习算法，其中的f1'(·)f2'(·)分别表示f1(·)和f2(·)的导数。3.根据权利要求2所述的应用神经网络集成的故障诊断方法，其特征在于：引入动量项的神经网络改进学习算法变为式(7)中α为动量因子，其它各变量的意义与基本算法相同，各项偏导数也与基本算法中的计算类似，采用改进算法可以进一步提高所述神经网络的学习速度。4.根据权利要求3所述的应用神经网络集成的故障诊断方法，其特征在于，所述解决k类故障分类问题的AdaBoost算法如下：输...

【专利技术属性】
技术研发人员：徐启华，师军，
申请(专利权)人：淮海工学院，
类型：发明
国别省市：江苏,32