畢業(yè)設計（論文）報告紙 共 35 頁 第 1 頁 編號： 南京航空航天大學 畢 業(yè) 設 計 技 術 報 告 課題名稱 發(fā)動機磨損狀態(tài)監(jiān)測中對突變性油樣分析數(shù)據(jù)的預測技術研究 學生姓名 潘國良 學 號 30004219 專 業(yè) 民用飛機運用工程 班 級 300042 指導教師 陳 果 2004 年 6 月 畢業(yè)設計（論文）報告紙 共 35 頁 第 2 頁 目錄 摘 要 . 3 第一章 航空發(fā)動機狀態(tài)監(jiān)測及故障診斷研究現(xiàn)狀 . 5 空發(fā)動機監(jiān)控技術 . 5 動機磨損狀態(tài)監(jiān)測與故障診斷的意義 . 5 第二章 狀態(tài)監(jiān)測技術中的常用預測模型 . 6 間序列 型 . 6 色模型及其應用 . 11 工神經(jīng)網(wǎng)絡 . 14 第三章 突變性油樣數(shù)據(jù)的神經(jīng)網(wǎng)絡多變量預測 . 21 變性油樣數(shù)據(jù)的建模分析 . 21 經(jīng)網(wǎng)絡多變量預測模型 . 22 制程序 . 23 第五章 結論 . 29 第六章 附錄 . 30 致謝 . 34 參考文獻 . 35 畢業(yè)設計（論文）報告紙 共 35 頁 第 3 頁 摘 要 對航空發(fā)動機油樣分析數(shù)據(jù)進行非線性建模，是預測發(fā)動機磨損故障發(fā)展趨勢，是進行發(fā)動機狀態(tài)維修的關鍵。本文在分析發(fā)動機磨損故障規(guī)律和航空發(fā)動機監(jiān)控技術的基礎上，首先介紹了實際中常用的三種預測模型（ 型、灰色模 型及神經(jīng)網(wǎng)絡模型）的原理及實際應用于油樣分析數(shù)據(jù)建模的例子。但是實際油樣分析數(shù)據(jù)由于定期或不定期的加油 /補油和換油的影響而導致數(shù)據(jù)出現(xiàn)突變性特征，從而使得傳統(tǒng)的單變量預測模型預測失效。人工神經(jīng)網(wǎng)絡由于具有高度的并行分布式、聯(lián)想記憶、自組織及學習能力和極強的非線性映射能力，易于建立多變量預測模型，從而為突變型油樣分析數(shù)據(jù)的預測提供了新的思路。所以著重討論了 立 時探討了神經(jīng)網(wǎng)絡參數(shù)對預測精度的影響。最后運用 件編制了程序進行了模型驗證。 關鍵詞 : 航空發(fā)動機，磨損，預測，人工神經(jīng)網(wǎng)絡， 突變性，油樣分析數(shù)據(jù) 畢業(yè)設計（論文）報告紙 共 35 頁 第 4 頁 of is to s is to of On of of s of of in of by As of of or so it is to of is to of on of of of on is by to 畢業(yè)設計（論文）報告紙 共 35 頁 第 5 頁 第一章 航空發(fā)動機狀態(tài)監(jiān)測及故障診斷研究現(xiàn)狀 空發(fā)動機監(jiān)控技術 在發(fā)動機工作過程中，對發(fā)動機的一些參數(shù)及系統(tǒng)的工作情況進行監(jiān)控，是保證發(fā)動機正常工作的重要手段之一。同時，它也為發(fā)動機的視情維護提供了必要的依據(jù)，從而提高發(fā)動機的可維修性。使維護人員能及時根據(jù)監(jiān)控情況，作出分析、判斷而采取相應的維護措施，排除故障或潛在故障，保證發(fā)動機安全工作，延長發(fā)動機的裝機壽命。 發(fā)動機的監(jiān)控包括下面幾個方面： (1)發(fā)動機工作狀態(tài)監(jiān)控，通常由發(fā)動機的指示系統(tǒng)來完成 ;(2)發(fā)動機振動監(jiān)控 ;(3)滑油監(jiān)控 ;(4)發(fā)動機 氣路參數(shù)分析，即目前各發(fā)動機廠家所采用的“飛機發(fā)動機狀態(tài)監(jiān)控系統(tǒng)”。 動機磨損狀態(tài)監(jiān)測與故障診斷的意義 目前，機械設備正朝著大型化、連續(xù)化、高速化、精密化、系統(tǒng)化和自動化方向發(fā)展，設備結構越來越復雜，給設備管理與維修工作帶來新的問題。機械設備一旦發(fā)生故障，所造成的經(jīng)濟損失是十分驚人的。而生產(chǎn)過程的現(xiàn)代化對設備的可靠性、設備維修與更換的經(jīng)濟性提出了更高的要求。在機器設備的維修體系中，預防性定期維修和轉(zhuǎn)至損壞再維修體制主要缺陷是：欠維修和過維修并存，其結果導致，不是設備“帶病工作”，就是設備“無病癥治” ，顯然它已不能滿足企業(yè)“精益化生產(chǎn)方式”的要求。取而代之的，是一種新型的維修體系 智能診斷與預知維修系統(tǒng)。在智能診斷與預測維修系統(tǒng)中，為了使設備的監(jiān)控和維修取得最佳經(jīng)濟技術效果，掌握機械設備的故障規(guī)律，并對其運行狀態(tài)劣化趨勢進行預測就顯得非常重要。 隨著科學技術的發(fā)展，數(shù)據(jù)設備、加工中心等現(xiàn)代化設備不斷出現(xiàn)。這些精密、大型、數(shù)控等結構復雜設備的故障規(guī)律與傳統(tǒng)的浴盆曲線相背離，使人們開始對這些設備的故障規(guī)律進行研究。為此，我們提倡狀態(tài)維修，特別是結構復雜的現(xiàn)代化設備，充分利用潛在故障已經(jīng)發(fā)生并在其轉(zhuǎn)變成為功 能性故障之前的這段時間做好狀態(tài)檢測。針對故障前兆，實施狀態(tài)修理，可使維修工作量和維修費用大幅度地降低，實現(xiàn)少投入多產(chǎn)出的理想效果。 畢業(yè)設計（論文）報告紙 共 35 頁 第 6 頁 第二章 狀態(tài)監(jiān)測技術中的常用預測模型 在狀態(tài)監(jiān)測技術中，趨勢預測主要用于估計故障的傳播、發(fā)展，并對設備的劣化趨勢作出預報。趨勢預測是事故預防和進行無破壞性檢測的重要手段，能幫助維修人員早期發(fā)現(xiàn)異常，迅速查明故障原因，預測故障影響，從而有針對性地進行狀態(tài)或視情檢修，延長檢修周期，縮短檢修時間，提高檢修質(zhì)量，減少備件貯備，將常規(guī)檢修次數(shù)減少到最少，并在最有利的時間進行維修，提高設 備維修的管理水平。下面就一些已有的趨勢預測方法作一歸納介紹。 間序列 型 言 時間序列分析是對一串隨時間變化而又相互關聯(lián)的動態(tài)數(shù)據(jù) (動態(tài)信號 )進行分析、研究和處理的一種方法。 時間序列或動態(tài)數(shù)據(jù)是依時間順序或空間順序或依某種物理順序先后排列的，各有其大小的一列數(shù)據(jù)。這種有序性和大小反映了數(shù)據(jù)內(nèi)部的相互聯(lián)系和變化規(guī)律，蘊含著產(chǎn)生這列數(shù)據(jù)的現(xiàn)象、過程或系統(tǒng)的有關特性，有關的信息。從系統(tǒng)分析角度來看，如將動態(tài)數(shù)據(jù)作為某一系統(tǒng)的輸出，則這一輸出應包含三方面的信息 :第一，系統(tǒng)本身 有關的固有特性 ;第二，輸入的特性，即同此系統(tǒng)有關的外界特性 ;第三，輸人同系統(tǒng)的關系，即有關的外界同系統(tǒng)的關系。研究、分析與處理動態(tài)數(shù)據(jù)，正是為了揭示數(shù)據(jù)本身的結構與規(guī)律，了解系統(tǒng)的特性，明了系統(tǒng)與外界的聯(lián)系，推斷數(shù)據(jù)與系統(tǒng)的未來情況 . 動態(tài)數(shù)據(jù)或時間序列就是離散的隨機過程、有序的隨機變量的集合。隨機過程的每一樣本就是所觀測的一次有序的隨機數(shù)據(jù)的集合，每一樣本中的每一觀測數(shù)據(jù)是相應隨機變量的一次實現(xiàn)。 動態(tài)數(shù)據(jù)的分析與處理，一般是直接由數(shù)據(jù)本身計算出其統(tǒng)計特征。例如，數(shù)據(jù)的一階矩與二階矩。然而，由于一階矩和二 階矩等統(tǒng)計特征的真值不可能獲得，而由數(shù)據(jù)直接獲得的估計一般是劣估計，這在數(shù)據(jù)較少時尤為突出。這種傳統(tǒng)的方法常稱為非參數(shù)模型法。對動態(tài)數(shù)據(jù)，采用合適的建模方法，擬合適用的參數(shù)，再用此參數(shù)模型進行分析與處理的方法，就是參數(shù)模型法。傳統(tǒng)的回歸模型就是一種參數(shù)模型。 畢業(yè)設計（論文）報告紙 共 35 頁 第 7 頁 回歸模型是靜態(tài)模型，該模型在 t 時刻的“擾動”只影響到就是說，從 t 到 1t 時，“擾動”被“忘掉”了，即模型是無“記憶”的或非動態(tài)的，因而回歸模型只有一個變量對另一些變量的靜態(tài)相關。這種靜態(tài)相關性在 型的條件回歸形式中也有，然而在它的無條件形式中還有擾動或記憶，即 t 時刻的擾動能被“記住”，并且繼續(xù)在后續(xù)時刻起影響，正是這種記憶或動態(tài)造成數(shù)據(jù)的相關性，顯示出 型處理和分析動態(tài)數(shù)據(jù)的有效性。 型 1 對于平穩(wěn)、正態(tài)、零均值的時間序列 以擬合 qj （ 2 其中 ),( 型的階， ),(2121 為參數(shù)。 代入后移算子 B，上式可寫為： )1()1( （ 2 簡寫為： tt ()( （ 2 顯然，此模型是將序列 tj ()()(0 1 (2其中 0)(G(2式中，數(shù)，作為“權”，即而可采用統(tǒng)計學方法進行處理 模 假設 )(),2(),1( 是平穩(wěn)、零均值、正態(tài)樣本序列， 畢業(yè)設計（論文）報告紙 共 35 頁 第 8 頁 1長自回歸白噪化建模、 估計參數(shù) 、 設長自回歸的階數(shù) 倍數(shù)，回歸系數(shù)為 ),(21 ，殘量方差估計為 2。計算公式為 121 ),( (2 12 )0( (2其中： )(1)( i (2 )(1)( (22求殘量 )( t 序列 應用及樣本 )(),2(),1( 計算 )()( ,2,1 (23檢驗 )( t 的獨立性 檢驗殘量 )( t 是否為白噪聲序列，檢驗統(tǒng)計量 )2(12)( 服從自由度為)2( 2X 分布。在給定顯著性水平 下，查 2X 分布表得臨界值 )2(2 。當 )2(2 則認為 )( t 為白噪聲序列；否則，認為非白噪聲序列。 4 型的參數(shù)估計 給定階數(shù) p 和 q ，根據(jù)樣本 )( 白噪聲估計值 )( t ，估計 ,( 型的參數(shù) 和 2 ，計算公式： 畢業(yè)設計（論文）報告紙 共 35 頁 第 9 頁 )0(2(2其中： )(1)( ,2,1 (2 )(1)( ,2,1 (2 )(1)( (2)()( K (2 )( )( )( 1)( 1)( 5 則 在階數(shù)范圍 )120,120( 尋找一對 )( ，使得 達到極小化，則極值點可作為 ),( 估計。 相對應的參數(shù)值 可作為的估計。此時， 式為： )()()0(mi n 112 (2且要求滿足 22 (2測 1用直接法求預測初識值 )(0 畢業(yè)設計（論文）報告紙 共 35 頁 第 10 頁 )2()1( )()(0000 、 (2 1)()(0 j ,2,1 (2 1)( 1l (2 10li (2其中： 10I0 1 (20 1 (22預報向量遞推 )(),2(),1()( 21121)(0001000100010(20 1 (2當 時，上式第三項為零。 其中 lj 10 10 G (23 q 步以后的預極值 畢業(yè)設計（論文）報告紙 共 35 頁 第 11 頁 )()2()1()(20 (2色模型及其應用 任何動態(tài)過程都可以稱之為系統(tǒng)。當系統(tǒng)的參數(shù)及其內(nèi)部的結構和與外部聯(lián)系的關系（即傳 遞函數(shù)的特性）已知時，其輸入輸出關系便確定了。這種系統(tǒng)可稱之為“白色”系統(tǒng)。當系統(tǒng)的參數(shù)和內(nèi)部結構及特征無法獲知時，這種系統(tǒng)便稱之為“黑色”或黑箱。而對系統(tǒng)的參數(shù)，結構和特征部分已知，部分未知時，這種系統(tǒng)則稱之為“灰色”系統(tǒng)?；蛘吒爬ǖ卣f，部分信息已知，部分信息未知的這類系統(tǒng)便可稱之“灰色”系統(tǒng)。 灰色系統(tǒng)理論是用一種新穎思路和獨特方法研究利用已知信息來確定系統(tǒng)之未知信息而使系統(tǒng)由“灰”變“白”的過程，又稱為系統(tǒng)的“白化過程”。一臺運行中的設備就是一個復雜的灰色系統(tǒng)。它主要表現(xiàn)在其故障（輸入）和征兆（輸出 ）之間關系的隨機性和模糊性?；疑到y(tǒng)理論則把這種關系稱為“灰色”關系，進行統(tǒng)一處理?；疑到y(tǒng)理論包括灰色系統(tǒng)建模、關聯(lián)度分析以及灰色模型預測等 色系統(tǒng)理論的數(shù)據(jù)處理方法 灰色系統(tǒng)理論采用了一種獨特的數(shù)據(jù)處理方法：累加處理或累減處理。其目的是為了削弱信號中的隨機成分而加強其確定性成分（單調(diào)性趨勢或周期性趨勢）從而提高其信噪比 A 數(shù)據(jù)累加處理 數(shù)據(jù)累加又稱為累加生成，簡記為 社原始數(shù)據(jù)為 )( )0(,2,1( ,則對其進行如下處理，稱一次累加處理為 1記為： ik (1)1( )()( ),2,1( (2由此可得 1新數(shù)列 )( )1(,2,1( ，仿此可求得 數(shù)列為)( )( im ),2,1( ,對于含有單調(diào)趨勢的信號來說，當 調(diào)趨勢數(shù)列可用指數(shù)函數(shù)來逼近。 畢業(yè)設計（論文）報告紙 共 35 頁 第 12 頁 圖 2機性）的原始序列，圖 2的數(shù)列，顯然隨機性已被明顯地削弱 圖 2 數(shù)據(jù)累減處理 在灰色建模時，常需要對累加數(shù)據(jù)數(shù)列再進行累減處理，它是累加處理的逆運算，記為 令 )(),( 1)()0( m ，則 1()1,(),(),( 1)1()0()0()1( m (2j )()1,(),(),( 1)1()1()1()1( (2色系統(tǒng)的建模 灰色系統(tǒng)模型簡稱 它是基于原始數(shù)列所得的 1為 GM(n， N)。其中 作預測用的模型一般為 n， 1）模型。其中最重要的同時也是在實際中應用得最多的是 1， 1）模型。 1， 1），包含一個變量的一階微分方程式： 圖 2 畢業(yè)設計（論文）報告紙 共 35 頁 第 13 頁 )()( )1()1( (2設微分方程系數(shù) a 和參數(shù) u 組成之間向量為 T ，則 用最小二乘法解出： , (2中 B=1)1()(211)2()3(211)1()2(21)1()1()1()1()1()1()1(a )2,( )1(X )1(a )3,( )1(X )1(a ),( )1( (21， 1）的解為： )( )0(1)1( 1(2對 )1(1 )( )0(1)0( 1(2M（ 1， 1）模型的拓展 2 對非等間隔和突變性數(shù)據(jù)的預測 在很多實際工程問題上，初創(chuàng)的 1， 1）模型表現(xiàn)出其薄弱環(huán)節(jié)。于是在 1，1）模型的基礎上，又建立了許多灰色模型。由于初創(chuàng)的 1， 1）模型是建立在等時空距的基礎上，為進一步拓展其應用的范圍，針對工程中的非等時空距問題，可以直接應用非等間距 型建模。當原始數(shù)據(jù)列發(fā)生轉(zhuǎn)折或周期性趨勢變化時， 1， 1）模 型的精度相當差，為了能夠識別這類變化中的磨損趨勢，可以采用灰色預測校正模型來實現(xiàn)磨損趨勢的預報。 文獻 3在綜合以上兩種模型的基礎上，構建了非等間距灰色預測校正模型。 對某艦船用德國 司制造的 柴油機上進行的 了非等間隔和轉(zhuǎn)折性數(shù)據(jù)的建模 。 計算結果入圖 2。 畢業(yè)設計（論文）報告紙 共 35 頁 第 14 頁 圖 2結果表明應用灰色理論方法進行故障預測具有較高的精度，預測方法切實可行，能夠比 較真實地反映故障的發(fā)展情況 ，在工程應用上具有現(xiàn)實意義； 工神經(jīng)網(wǎng)絡 工神經(jīng)網(wǎng)絡及其特征 人工神經(jīng)網(wǎng)絡是采用物理可實現(xiàn)的器件或采用現(xiàn)有的計算機來模擬生物體中神經(jīng)網(wǎng)絡的某些結構與功能，并反過來用于工程或其它領域。 圖 2中 1x ， 2x ， ，w ， 2w ， ， 為其它n 神經(jīng)元與第 i 個神經(jīng)元的突軸聯(lián)接，其符號的正負分別表示為興奮性突觸和抑制性突觸；其數(shù)值的大小表示突觸的不同的化學變化情況。 每個人工神經(jīng)元滿足： 1(2iu=g (2 iy=f ( (2圖 2人工神經(jīng)元的示意圖 其中式（ 2示神經(jīng)元 i 突觸后電位的累加值，i為閾值 。式 （ 2， 畢業(yè)設計（論文）報告紙 共 35 頁 第 15 頁 細胞 i 的狀態(tài)，i 的輸出 。 人工神經(jīng)網(wǎng)絡是對生物神經(jīng)系統(tǒng)的模擬，其信息處理功能是由網(wǎng)絡的單元（神經(jīng)元）的輸入輸出特性（激活特性），網(wǎng)絡的拓撲結構（神經(jīng)元的連接方式）所決定的。按突出修正假說，神經(jīng)網(wǎng)絡在拓撲結構固定時，其學習歸結為連接權的變化。 向傳播神經(jīng)網(wǎng)絡（ 反向傳播神經(jīng)網(wǎng)絡（ 結構如圖 2稱 這一 神經(jīng)模型中引入了中間隱含神經(jīng)元層。故標準的 型由三個神經(jīng)元層次組成，其最下層稱為輸入層，中間層稱為隱含層，最上層稱為輸出層。各層次之間的神經(jīng)元形成全互連接，各層次內(nèi)的神經(jīng)元之間沒有連接 能存儲任意連續(xù)值模式對（kA， k =1， 2， ，m 。在第 k 個模式對中，模擬值 模式 （ ， ， k C =（ ， 。網(wǎng)絡通過多層次誤差修正梯度下降離線學習，按離散時間方式進行。其中輸入層的 n 個單元對 應于n 個分量，而輸出層的 q 個單元對應于q 個分量。 誤差反向傳播算法（ 通過一個使代價函數(shù)最小化過程來完成輸入到輸出的映射。通常代價函數(shù)定義為所有輸入模式上輸出層單元希望輸出與實際輸出的誤差平方和。當然，代價函數(shù)也可以有其它形式。 P 學習算法 下面以代 價函數(shù)取誤差平方和的形式為例，說明圖 3個學習算法的數(shù)學原理將在這之后給予介紹，誤差反向傳播學習算法的步驟如下： （ 1）給輸入層單元到隱含層單元的連接權h =1， 2， n ， i =1， 2， ， p ，隱含層圖 2基本的 絡拓撲結構 畢業(yè)設計（論文）報告紙 共 35 頁 第 16 頁 單元到輸出層單元連接權i =1， 2， p ， j =1， 2， q 以及隱含層單元的閾值i，輸出層單元的閾值+1）區(qū)間的隨機值； （ 2）對于樣本模式對（kA， k =1， 2， m ）進行下例操作： 將 值送到輸入層單元，通過連接權矩陣 V 送到隱層單元，產(chǎn)生隱層單元新的激活值 ib=f （1） （ 2 式中 i =1， 2， ， p ， f 為 f （ x ） =（ 1+） 1 (2計算輸出層單元的激活值 1） j =1， 2， ， q （ 2 計算輸出層單元的一般化誤差 jd=1 kj （ 2 式中 j =1， 2， ， q ， j 的希望輸出； 計算隱含層單元對于每個 aj ( （ 2 式中 i =1， 2， ， p ；上式相當于將輸出層單元的誤差反向傳播到隱含層； 調(diào)整隱含層到輸出層的連接權 （ 2 式中 i =1， 2， ， p 和 j =1， 2， ， q ， 為學習率 10 。 調(diào)整輸入層到隱含層的連接權 畢業(yè)設計（論文）報告紙 共 35 頁 第 17 頁 （ 2 式中 h =1， 2， ， n 且 i =1， 2， ， p ， 10 ； 調(diào)整輸出層單元的閾值 2 式中 j =1， 2， q ； 隱含層單元的閾值 i=2 式 中 i =1， 2， ， p ； （ 3）重復步驟（ 2），直到對于 k =1， 2， ， m 誤差j =1， 2， ， q 變得足夠小或變?yōu)榱銥橹埂?從上面的學習過程可以看出，誤差反向傳播學習分成兩個階段；在第一階段，對于給定的網(wǎng)絡輸入，通過現(xiàn) 有連接權將其正向傳播，獲得各個單元的實際輸出，在第二階段，首先計算出輸出層各單元的一般化誤差，這些誤差逐層向輸入層方向逆向傳播，以獲得調(diào)整各連接權所需要各單元參考誤差。學習后的網(wǎng)絡在回想時使用正向傳播公式，即式（ 2是（ 2 P 的算法的改進 為了克服 多學者從不同的側(cè)面對 （ 1） 步長算法 一般最優(yōu)梯度法中，步長 是由一維搜索求得的，求解有下面幾個步 驟： 給定初始權 )0(W 和允許誤差 0 ； 計算誤差 ()0( ； 畢業(yè)設計（論文）報告紙 共 35 頁 第 18 頁 若 )( ，則停止計算；否則從 )(0 )(一維搜索，求出最優(yōu)步 長 )(0n； 進行權的迭代： )(000 0)()()1( 并轉(zhuǎn) 。但是在 （學習率）是不變的，其原因是由于 )(一個十分復雜的非線性函數(shù)，很難通過最優(yōu)求極小的方向得到最優(yōu)的步長 ?？墒菑?平坦區(qū)存在，如果在平坦區(qū)上 太小使迭代次數(shù)增加，而當 長太大又使誤差增加，反而使迭代次數(shù)增加影響了學習收斂的速度，變步長方法可以使步長得到合理的調(diào)節(jié)。這里推薦一種方法：先設一初始步長，若一次迭代后誤差函數(shù) 將步長乘以小于 1的常數(shù) 沿原方向重新計算下一個迭代點，若下一次迭代后誤差函數(shù) 將步長乘一個大于1的常數(shù) ，這樣既不增大太多的計算，又使步長得到合理的調(diào)整。 1 ，當 0E 1 ，當 0 E （ 2 這里 、 為常數(shù)， )1()(00 多文章都討論了這種步長改變和選擇的方法。確定了步長以后，可得到其迭代公式： )()()()1(0000 (2由于 )(0 對連接權 W 的負梯度，則變步長算法可對照式（ 2成 ()()1( 000 （ 2 （ 2） 加動量項 為了加速收斂和防止振蕩，在許多文獻中都建議引入一個動量因子 a )()()()()1( 00000 （ 2 其中第三項是記憶上一時刻權的修改方向，而在時刻01(0 畢業(yè)設計（論文）報告紙 共 35 頁 第 19 頁 向與0式（ 2寫為 )()()()()()1( 000000 )1()( )1()()()( 000000 （ 2 上式中動量因子 10 a 。建議在 )(0n進行調(diào)整時，碰到 0E ， 要減小時，讓 a =0，然后調(diào)節(jié)到 增加時，使 a 恢復。 P 神經(jīng)網(wǎng)絡設計 1輸入與輸出層的設計 輸入的神經(jīng)單元可以根據(jù)需要求解的問題和數(shù)據(jù)表示的方式而定。如果輸入的是模擬信號波形，那么輸入層可以根據(jù)波形的采樣點數(shù)決定輸入單元的維數(shù)，也可以用一個單元輸入，這時輸入樣本為采樣的時間序列。如果輸入為圖象，則輸入單元可以為圖象的像素，也可以是經(jīng)過處理后的圖象特征 輸出層維數(shù)根據(jù)使用者的要求來確定。如果 絡用作分類器，其類別為 m 個，有兩種方法確定輸出層神經(jīng)元個數(shù)： 輸出層 有 訓練樣本集中 于第 j 類，要求其輸出為 0,0,0,1,0,0,0( 即第 j 個神經(jīng)元輸出輸出為 1，其輸出均為 0 輸出層有 神經(jīng)元。這種方式是根據(jù)類別進行編碼。 2隱層的數(shù)目 1989 年 明了對于任何在閉區(qū)間的一個連續(xù)函 數(shù)都可以用一個隱層的 而一個三層的 絡可以完成任意的的 n 維到 3隱單元數(shù)數(shù)目的選擇 對于隱單元數(shù)的選擇是一個十分復雜的問題，往往根據(jù)設計得的經(jīng)驗來確定，因而沒有一個很好的解析式來表示?？梢哉f隱單元數(shù)與問題的要求，輸入輸出單元的多少都有直接的關系。 畢業(yè)設計（論文）報告紙 共 35 頁 第 20 頁 對于要作分類的 絡，可以參照感知器中間隱單元數(shù)的公式 11 )(11 ，但由于 此比感知器要求的隱單元數(shù)目少。隱單 元數(shù)太多會導致學習時間過長，誤差也不一定最佳：隱單元數(shù)太少，容錯性差，不能識別以前沒有看到的樣本。因此存在一個最佳的隱單元數(shù)，提供以下幾個公式供參考。 （ 2 式中 k 為樣本數(shù)， 1n 為隱單元數(shù)， n 為輸入單元數(shù)。如果 1， 01 1 （ 2 其中 a 為 110之間的常數(shù) 1 （ 2 對于用于數(shù)據(jù)壓縮情況下的網(wǎng)絡，隱單元與輸入單元的比為其數(shù)據(jù)的壓縮比，它可參照（ 3考慮。 還有一種考慮是使隱單元的數(shù)目可變，或初始放入足夠多的隱單元，然后把學習后那些不起作用的隱單元逐步去掉，一直減小到不可收縮為止。也可在初始放入比較少的隱單元，學習一定次數(shù)后，不成功再增加隱單元數(shù)，一直達到比較合理的隱單元數(shù)為止。 4初始值的選取 由于系統(tǒng)是非線性的，初始值對于學習是否達 到局部最小和是否能收斂的關系很大。一個重要的要求是希望初始權在輸入累加使每個神經(jīng)元的狀態(tài)值接近于零，這樣可保證一開始不落到那些平坦區(qū)上。權一般取隨機數(shù)，而且權的值要比較小，這樣可以保證每個神經(jīng)元一開始都在它們的轉(zhuǎn)換函數(shù)變化最大的地方進行 對于輸入樣本同樣希望能夠歸一，使那些比較大的輸入仍落在神經(jīng)元的轉(zhuǎn)換函數(shù)梯度大的那些地方 畢業(yè)設計（論文）報告紙 共 35 頁 第 21 頁 第三章 突變性油樣數(shù)據(jù)的 神經(jīng)網(wǎng)絡多變量 預測 變性油樣 數(shù)據(jù)的建模分析 油樣分析技術 目前已廣泛應用于機械工況監(jiān)測、磨損機理研究等領域，它不僅能檢驗在用油中磨損顆粒的濃度、大小，而且 能了解顆粒的形貌及組成，從而更深入地認識磨損顆粒的過程和機理。大量試驗表明，潤滑油中的磨損顆粒攜帶有關機械磨損狀態(tài)的詳細信息，這些信息通過磨損顆粒的濃度、尺寸、形狀及組成表現(xiàn)出來。根據(jù)這些特征，可以斷定零件所處的磨損狀態(tài)以及該狀態(tài)下發(fā)生的磨損類型，可以定量地分析磨損的嚴重程度，檢測出運行中機械的不正常情況，考察油品對機械的適用性及在使用過程中的質(zhì)量衰變規(guī)律 。 理想狀態(tài)下油樣的分析是比較有規(guī)律的。 實際中，由于加油 /補油和換油，濃度的變化使得磨損顆粒濃度產(chǎn)生變化。所以實際油樣分析數(shù)據(jù)出現(xiàn)突變性特征，從而導致傳統(tǒng)的預測方法失效。 對于突變性數(shù)據(jù)建模型，傳統(tǒng) 是針對平穩(wěn)的、零均值、正態(tài)分布的隨機序列的線性模型，因此不適合進行非線性預測；統(tǒng)計回歸法進行非線性預測時需要知道序列的非線性模型，且回歸階次難于確定?；疑到y(tǒng)模型相當于指數(shù)回歸模型，但是在實際應用中，一個非負序列累加生成序列未必有指數(shù)規(guī)律，累加生成和累減還原的方法建模必將加大模型的誤差，因此在實際應用中，要慎用灰色系統(tǒng)法，通常，當序列的趨勢呈指數(shù)函數(shù)遞增或遞減時，灰色模型 1， 1）具有相當高的精度，當系統(tǒng)發(fā)生轉(zhuǎn)折或周期性變化時，其精度就變得相當差，灰色 預測 需要對原始序列進行平滑，同時需要人工選取分段點，建模復雜，且通用性較差。神經(jīng)網(wǎng)絡方法是由于人工神經(jīng)網(wǎng)絡具有逼近任意非線性函數(shù)和一定的泛化能力，在預測領域顯示出了強