神经网络应用于障诊断系统的设计中,将是大规模神经网络的组织和学习问题。为了减少工
作的复杂性,减少网络的学习时间,本文将故障诊断知识集合分解为几个逻辑上独立的子
集合,每个子集合再分解为若干规则子集,然后根据规则子集来组织网络。每个规则子集是
一个逻辑上独立的子网络的映射,规则子集间的联系,通过子网络的权系矩阵表示。各个子
网络独立地运用
BP 学习算法分别进行学习训练。由于分解后的子网络比原来的网络规模小
得多且问题局部化了,从而使训练时间大为减少。利用集成
BP 网络进行液压泵轴承故障诊
断的信息处理能力源于神经元的非线性机理特性和
BP 算法。
3、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。众所周知,人脑具有容错特性,大
脑中个别神经元的损伤不会使它的总体性能发生严重的降级,这是因为大脑中每一概念并
非只保存在一个神经元中,而是散布于许多神经元及其连接之中。大脑可以通过再次学习,
使因一部分神经元的损伤而淡忘的知识重新表达在剩余的神经元中。由于神经网络是对生物
神经元网络的模拟,所以神经网络的最大特征是具有
“联想记忆”功能,即神经网络可以由
以往的知识组合,在部分信息丢失或部分信息不确定的条件下,用剩余的特征信息做出正
确的诊断。
表
2 给出了轴承 6 个特征信息中某些输入特征不正确或不确定情况下正确诊断和识别
的成功率。
表
1 神经网络鲁棒性统计表
输入特征不确定元素诊断成功率
一个特征参数不确定
100%
二个特征参数不确定
94%
三个特征参数不确定
76%
四个特征参数不确定
70%
五个特征参数不确定
20%
六个特征参数不确定
8%
由表
1 可以看出,利用集成神经网络进行故障诊断可以在丢失了大量信息的情况下 (近
一半特征参数不确定
)仍可以作出正确判断的成功率相当高(76%~100%)因而集成神经网络
具有很强能力