优化的BP神经网络在电子设备故障诊断中的应用

(2)BP网络的训练

取输入节点N1=6，输出节点N3=11，隐层节点采用，a取1～10，本实验中a取7(根据训练误差曲线调整而得)，N2=15。学习率η=0.2，训练误差E<0.005，最大训练次数n=1 000。图2为BP网络的训练误差曲线。

(3)BP网识别结果分析

①用样本自身数据输入训练好的神经网络中，其识别结果见表4。与故障模式对比分析可知，自身数据检测正确率为100％。可见，该网络达到了训练的要求。

②任取4组测试数据见表5，观察其识别结果。表6为归一化后的测试数据，表7为识别结果。与故障模式对比可知，第一组数据对应的故障是MA-1；第二组数据对应的故障是MB-2；第三组数据对应的故障是MD；第四组数据对应的故障是MG。由此可见，本网络不仅能识别样本本身的故障，而且能准确诊断样本以外的数据故障。

4 结 语

本次实验中的BP神经网络采用共轭梯度法进行优化设计，由实验数据可知，该网络能够准确诊断数据的故障状态，可见，该方法能够成功应用于设备的故障诊断中。故障诊断是一门实用性很强的技术，因此只有在实际应用中才能体现它的价值，目前在理论研究方面虽有不少进展，但真正在工程实践中成功应用的实例还较少，因此如何将先进的故障诊断理论与方法应用到实际中，还有待更深入的研究。

作者：王秋彦，鞠建波，金鑫 海军航空工程学院 来源：中电网