论文部分内容阅读
人工神经网络自开创以来一直深受各国专家学者的重视。已有研究表明人工神经网络可以逼近任意非线性系统,并且有着很高的精度。由于其独特性能,人工神经网络技术日渐成为一种重要的、处理非线性问题的工具,被广泛应用于各种领域,并取得了很大的成功。其中预测和状态监测及故障诊断是人工神经网络的两个重要应用领域。
本文就人工神经网络在传感器漂移信号预测和发电机组状态监测及故障诊断中的应用做了以下工作:首先,本文介绍了发电机组定子和转子的状态监测及故障诊断的现状和发展,探讨了其含义、内容和任务。由于人工神经网络的特点,将其运用于发电机组定子和转子状态监测及故障诊断的有着很大的优势。结合发电机组定子和转子故障的特点,本文设计了一种新颖结构人工神经网络:径向基--信息神经网络(RBINN)。该网络融合了径向基神经网络和信息神经网络的优点,弥补了各自的不足。在详细地探讨其结构和算法的基础上,利用该神经网络对发电机组状态、故障进行了监测及诊断研究。仿真结果表明:RBINN可以根据所提供的测试样本,正确监测和诊断发电机组状态和故障。此外,基于RBINN的状态监测及故障诊断方法具有结构和设计步骤简便的特点。
其次,本文还讨论了基于循环神经网络(RNN)的动态预测。时间序列预测是动态数据分析处理的一个重要方面,在科学、经济、工程等许多应用中都存在着在历史数据的基础上预测未来的问题。面对自然和社会经济现象中大量存在的非线性、非平稳的复杂时间序列,传统的统计分析方法效果欠佳。自从1987年Lapedes和Farber首先应用人工神经网络进行预测以来,人工神经网络预测时间序列方法受到广泛重视。研究结果表明,人工神经网络为高度非线性动态关系的时间序列预测提供了一条有效途径。
本文采用的循环神经网络是一种带有反馈节点的前馈人工神经网络。反馈节点中包含有“历史信息”,这使得循环神经网络具备优良的时序信号处理能力。这种特性已经在某些领域中得到应用。本文将这种特性应用于两种不同类型的传感器漂移信号的预测。由于实践中传感器漂移数据难于取得,为了弥补训练数据的不足完成,本文将历史数据、同类数据用于网络训练。取得较好的预测效果。