基于改進(jìn)的小波神經(jīng)網(wǎng)絡(luò )的汽車(chē)電控汽油機故障診斷
加入技術(shù)交流群
汽車(chē)電控汽油機故障診斷是通過(guò)研究故障征兆(特征向量)之間的關(guān)系來(lái)判斷設備故障的。汽車(chē)電控汽油機故障診斷形式多種多樣，故障產(chǎn)生的機理也非常復雜，加之實(shí)際因素的復雜性，故障與征兆之間表現出一種非常復雜的關(guān)系，即各類(lèi)故障所反映的特征參數并不完全相同，這種關(guān)系很難用精確的數學(xué)模型來(lái)表示，這給現場(chǎng)診斷帶來(lái)了極大的困難。由于人工神經(jīng)網(wǎng)絡(luò )具有高度的并行處理能力和極強的非線(xiàn)性映射能力，可以實(shí)現故障與征兆之間的非線(xiàn)性映射關(guān)系，因此在汽車(chē)電控汽油機故障診斷領(lǐng)域中顯示了很大的應用潛力。其中用得最多的是基于Sigmoid輸出函數的BP網(wǎng)絡(luò )，盡管基于BP神經(jīng)網(wǎng)絡(luò )的故障診斷方法有許多優(yōu)點(diǎn)，比如自學(xué)習能力強，不需要輸入輸出之間具體關(guān)系以及具有好的模型分類(lèi)能力等，但也存在缺陷。研究發(fā)現，小波分析的一些性能恰好可以彌補BP網(wǎng)絡(luò )的一些缺陷，因此，將小波分析與神經(jīng)網(wǎng)絡(luò )結合起來(lái)構成小波神經(jīng)網(wǎng)絡(luò )并用于汽車(chē)電控汽油機故障診斷。小波網(wǎng)絡(luò )的隱層小波函數形式比Sigmoid函數復雜，可形成超橢球分割，從而能夠造就更為細致的分割曲面，同時(shí)可以通過(guò)改變收縮因子和平移因子來(lái)增強分類(lèi)能力；另外本文對小波神經(jīng)網(wǎng)絡(luò )提出了兩個(gè)方面的改進(jìn)。
1 小波神經(jīng)網(wǎng)絡(luò )
1．1 小波神經(jīng)網(wǎng)絡(luò )的基本理論
小波分析是近年來(lái)發(fā)展起來(lái)的數學(xué)理論，被認為是Fourier分析以來(lái)的重大突破。小波分析的定義為：
子與平移因子。小波神經(jīng)網(wǎng)絡(luò )是基于小波分析而構造出的一類(lèi)前饋網(wǎng)絡(luò )，可看作是以小波函數為基底的一種新型函數聯(lián)接神經(jīng)網(wǎng)絡(luò )。它以小波空間作為模式識別的特征空間，通過(guò)將小波基與信號向量的內積進(jìn)行加權和來(lái)實(shí)現信號的特征提取，結合小波變換良好的時(shí)頻局域化性質(zhì)及傳統神經(jīng)網(wǎng)絡(luò )的自學(xué)習功能。這種網(wǎng)絡(luò )在處理復雜非線(xiàn)性函數關(guān)系等問(wèn)題上表現出優(yōu)于傳統神經(jīng)網(wǎng)絡(luò )的收斂速度、容錯能力、預報效果，具有廣泛的應用前景。
1．2 小波網(wǎng)絡(luò )結構
小波神經(jīng)網(wǎng)絡(luò )如圖1，其中學(xué)習樣本經(jīng)輸入層投影壓縮后作用于小波神經(jīng)網(wǎng)絡(luò )。
圖中，輸入端有n個(gè)節點(diǎn)，隱層有j個(gè)節點(diǎn)，輸出層有m個(gè)節點(diǎn)，給定P組輸入輸出樣本，Xp=[xp1，xp2，…，xpn]為網(wǎng)絡(luò )輸入，Yp=[yp1，yp2，…，ypn]為網(wǎng)絡(luò )輸出。隱層選取的小波為Morlet小波h(t)=cos(1．75t)e(-t2/2)，對網(wǎng)絡(luò )的輸出也并不是進(jìn)行簡(jiǎn)單的加權求和，而是先對網(wǎng)絡(luò )隱層小波節點(diǎn)的輸出加權求和，經(jīng)Sigrnoid函數變換后，得到最終的網(wǎng)絡(luò )輸出。這樣做有利于處理分類(lèi)問(wèn)題，同時(shí)減少訓練過(guò)程中發(fā)散的可能性。
2 小波神經(jīng)網(wǎng)絡(luò )的改進(jìn)
2．1 輸出層函數的改進(jìn)
在一般的小波神經(jīng)網(wǎng)絡(luò )中，總是應用Sigmoid函數作為輸出層的激勵函數。Sigmoid函數的輸出值是0和1之間的數。當輸出值接近于0或1時(shí)，網(wǎng)絡(luò )輸出幾乎對網(wǎng)絡(luò )出入失去敏感性。也就是說(shuō)，改變權重已經(jīng)幾乎不起作用(這被稱(chēng)為函數飽和)。如果網(wǎng)絡(luò )的實(shí)際輸出值遠離期望值，就很難對網(wǎng)絡(luò )進(jìn)行矯正了，從而使收斂速度變得很慢。因此本文用如(3)式所示的函數代替傳統的Sigmoid函數。
在(2)式中τ是一個(gè)小數，調整參數τ將會(huì )自動(dòng)的調節函數飽和區從而加速收斂。
2．2 代價(jià)函數的改進(jìn)
本文對小波神經(jīng)網(wǎng)絡(luò )代價(jià)函數進(jìn)行了改進(jìn)，用“熵函數”代替傳統的均方誤差函數作為代價(jià)函數。使用熵函數E(d，y)=dlny+(1一d)]n(1一y)作為神經(jīng)網(wǎng)絡(luò )的代價(jià)函數，可使網(wǎng)絡(luò )的各參數調整量在局部最小點(diǎn)附近不為零，即網(wǎng)絡(luò )不會(huì )陷入局部最小點(diǎn)。因此可以使用“熵函數”代替均方誤差函數作為網(wǎng)絡(luò )的代價(jià)函數。
2．3 改進(jìn)的網(wǎng)絡(luò )學(xué)習算法
1)首先約定ωh0是第h個(gè)隱層節點(diǎn)閾值，ωωmo是第m個(gè)輸出節點(diǎn)閾值(即x0=-1)。算法從輸入層到輸出層的順序。
隱含層第h個(gè)節點(diǎn)的輸入為
評論