xi=0.8(x-xmin)/(xmax-xmin)+0.1
为了避免
Sigmoid 函数输出值极端化,比如学习无法收敛的问题,则需要把特征参数
正则到
(0.1,0.9)之间,得到每个神经元的加权值和阈值:
其中,
i 代表前一层,j 代表当前层,wij 代表连接权值,cj 代表当前节点的阈值,fj 代
表输出。而对于轴承故障诊断系统,若选取
6 个特征参数,即内滚道和滚柱的振动能量、振
动峰及倒谱包络
子网络输出层有一个节点,集成
BP 网络输出有多个节点,可以用集成 BP 网络的输出
节点组合,表示一种状态,从而对多故障诊断与识别。
三、神经网络鲁棒性的研究
神经网络的鲁棒性是指神经网络对故障的容错能力。人类的大脑中每一个概念不只保存
在一个神经元中,是分散于诸多神经元及其链接中,所以个别神经元的损伤不会破坏到整
体性能。人脑再次学习获得知识,就可以使得损伤神经元的信息表达在其他神经元以及链接
中。神经网络是对生物神经网络的模拟,其网络特征就是知识的组合,在部分信息不明确或
者丢失的情况下,由于神经元联想记忆的特征,组合以往的知识,神经网络通过剩余信息
作出诊断,其判断的成功率达到
76%~100%,即使近一半参数不确定的情况,集成神经
网络仍具有很强的容错能力和鲁棒性。
液压泵轴承的多故障诊断与识别利用集成
BP 网络,通过神经网络具有自学习、自组织、
联想记忆等多种功能,试验集成网络利用频域和倒频域的振动信号作为特征参数,具有很
高的成功率和鲁棒性。