基于BP網(wǎng)絡(luò)對軸承剩余使用壽命的預測分析案例基于BP網(wǎng)絡(luò)對軸承剩余使用壽命的預測分析案例 11.1BP神經(jīng)網(wǎng)絡(luò) 11.2BP神經(jīng)網(wǎng)絡(luò)的原理 11.3BP神經(jīng)網(wǎng)絡(luò)算法 21.4BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點 31.5結(jié)果分析 41.1BP神經(jīng)網(wǎng)絡(luò)所謂“神經(jīng)網(wǎng)路”,就是模仿人類大腦的數(shù)學模型絡(luò)。BP算法是一種基于梯度下降的BP算法。為了最大限度地減少網(wǎng)絡(luò)輸出和BP神經(jīng)網(wǎng)絡(luò)是一種理論較為完善、實踐性較強的智能網(wǎng)絡(luò)，具有接近任何1.2BP神經(jīng)網(wǎng)絡(luò)的原理BP神經(jīng)網(wǎng)絡(luò)是一種多層次的前向型神經(jīng)網(wǎng)絡(luò)，它能有效地訓練非線性可微各層內(nèi)部結(jié)點不相連，如圖3-1所示。xi圖3-1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)BP網(wǎng)絡(luò)的結(jié)構(gòu)由前向和后向兩部分組成。輸出的數(shù)值是根據(jù)從輸入到輸出1.3BP神經(jīng)網(wǎng)絡(luò)算法BP網(wǎng)絡(luò)的近似結(jié)構(gòu)見圖3-2,其中k表示網(wǎng)絡(luò)的迭代步，而u(K)和y(K)是逼近器的輸入。輸入層起始值是由隱含層向前傳遞的。BP是一個網(wǎng)絡(luò)逼近器，+圖3-2BP神經(jīng)網(wǎng)絡(luò)逼近傳遞函數(shù)是BP網(wǎng)絡(luò)的重要組成部分，又被稱為激活函數(shù)，必須是連接可微的。BP函數(shù)經(jīng)常采用S型的對數(shù)或正切函數(shù)和線性函數(shù)。BP網(wǎng)絡(luò)在實現(xiàn)任何功能前都要對其進行學習和訓練。網(wǎng)絡(luò)的學習和訓練需要有很多包括輸入矢量P修正。BP網(wǎng)絡(luò)學習算法有很多種變化形式，如：learndg和learngdm等，對應的訓練函數(shù)有trainrp、traingd、BP網(wǎng)絡(luò)學習規(guī)則的指導思想是：權(quán)值、閾值的修正按照誤差下降最快的方向進行，即負梯度方向。gk表示為當前表現(xiàn)函數(shù)的梯度。BP網(wǎng)絡(luò)在模式識別、圖像處理、系統(tǒng)辨識、函數(shù)擬合、優(yōu)化計算、最優(yōu)預測、最優(yōu)控制等方面都得到了廣泛的應用。該方法具有以下特點：BP網(wǎng)絡(luò)能近似任何非線性映射關(guān)系，只要有足夠多的隱層和隱層結(jié)點；BP神經(jīng)網(wǎng)絡(luò)是一種具有很好推廣性能的全局近似算法；BP網(wǎng)絡(luò)的輸入量和輸入量的相關(guān)信息都是分布在網(wǎng)絡(luò)的連接權(quán)中，單個神經(jīng)元的損傷對輸入量的影響很小，因此BP網(wǎng)絡(luò)的容錯能力很強。BP網(wǎng)絡(luò)具有良好的擬合性能和推廣性能，因此可以應用于神經(jīng)網(wǎng)絡(luò)控制器的開發(fā)。但是BP神經(jīng)網(wǎng)絡(luò)在實際應用中存在著很大的局限性。該方法具有參數(shù)多、收斂速度慢等缺點。由于目標函數(shù)的極值點較多，采用梯度遞減法學習時，會使其陷入局部最優(yōu)；隱含層和隱層的結(jié)點數(shù)量是很困難的。當前，如何依據(jù)具體問題來確定具體的網(wǎng)絡(luò)架構(gòu)，還沒有較好的解決方案，還需要通過實踐來試湊。Y結(jié)束N圖3-3BP神經(jīng)網(wǎng)絡(luò)學習與訓練過程示意圖本文將軸承1_1全壽命周期作為訓練集建立的預測模型，來預測軸承1_3剩余壽命。如下圖3-5所示。圖3-5BP神經(jīng)網(wǎng)絡(luò)預測結(jié)果0.10-0.0802004006008001000120014001600180020