神经网络在系统故障诊断中的应用研究 开题报告

参考文献：
[1]Mcculloch W,Pitts W.A Logical Calculus of the Ideas Immanent in Nerous Activity.Bull.Math.Biophys,1943,5：115-133
[2]Hebb D.The Organizatyion of Behaivour.New York:Wiley,1949
神经网络技术发展迅速，在硬件技术方面，一些发达国家，如美国和日本均使用了规模超过1000个神经元的网络系统，这样的系统具有极高的运算速度，而且已经在股票数据分析中得到了应用。另外，为了克服电子元件交叉极限问题，很多国家都在研究电子元件之外的神经网络系统，如光电子元件、生物元件等。在神经网络理论研究方面，主要进展有Boltzmann机理论研究、细胞网络的提出及其分析等。
[6]El—Gamal M A．Genetically evolved neural networks for faultclassification in analog circuits．Neural Computing&Applications，2002，ll(2)：112-12l
[7]Swarup B，Arij it R，Kaushik R．Defect oriented testing of analogcircuits using wavelet analysis of dynamic supply current．Journal ofElectronic Testing：Theory and Applications，2005，2l(2)：147-1 59
[8]Aminian M，Aminiam F．Neural—network based analog-circuit faultdiagnosis using wavelet transform as preprocessor．IEEE Transactionson Circuits and systems II：Analog and Digital Signal Processing，2000，47(2)：l 51-l 56
模拟电路故障诊断理论和方法自20世纪70年代以来，取得了不少阶段性的成果。依据电路方针在实际测试中不同阶段，分为两大类：测前模拟诊断（SBT）和测后模拟诊断（SAT），介于这两种分类之间的还有逼近法及人工智能两种方法。
二、国内外同类研究或同类设计的概况综述(在充分收集研究主题相关资料的基础上，分析国内外研究现状，提出问题，找到研究主题的切入点，附主要参考文献)
本世纪以来，小波分析、信息融合技术及遗传算法等应用于模拟电路故障诊断的研究亦开始起步[6-8]，为形成实用的有效诊断方法开辟了新的途径。
目前，利用神经网进行故障诊断，可以将诊断分为模式识别和知识处理两大类[9],就神经网络在设备故障诊断领域的应用研究来说主要集中在三个方面[10]：
（1）从模式识别的角度，应用神经网络作为分类进行故障诊断；
在过去几十年里，传统的故障诊断技术得到了飞快的发展并在工程中发挥了重要的作用。传统故障诊断技术对于比较简单的设备或单一故障，能够发挥其独特的作用，但对于大型复杂设备多多个故障交互情况，却无能为力。人工智能智能故障诊断技术就是为了解决这样大而复杂为题而产生的一门新型技术，其中基于人工神经网络的故障诊断技术是目前比较流行故障诊断技术。
[9]曾昭君，何铖，史维祥，故障诊断神经网络的发展与前景，机械工程学报，1992,28（1）：1-6
[10]吴今培.只能故障诊断技术的发展和展望，振动、测试与诊断，1999，19：79-86
[11]王仲生.智能故障诊断与容错控制，神经网络故障诊断与容错控制，西北工业大学出版社2005，4：217-219
[3]Rosenblatt F.Principles of Neurodynamics.New York:Spartan,1962
[4]虞和济，陈长征，张省，基于神经网络的智能诊断，振动工程学报，2000，13：202-209
[5]Koivo H N.Artificial Neural Networks in Fault Diagnosis and Control.Control Eng.Practice,1994,29(1):89-101
随着人工智能和计算机迅速的发展，特别是知识工程、专家系统进一步应用，为神经网络故障诊断技术的研究提供了新的理论和方法。为了提高神经网络故障诊断的实用性能，目前主要应丛神经网络模型本身的改进和模块化神经网络诊断策略两个方面研究。神经网络故障诊断技术具有广阔的发展前景[11]。
目前，模拟电路故障诊断方法主要有传统方法和一些新的方法。传统方法有测前模拟诊断法、测后模拟诊断法、逼近法和人工智能法。新方法有基于神经网络、基于小波分析、模糊理论、信息融合、遗传算法、Agent技术、分形理论、粗糙集理论等[12]。
基于神经网络的故障诊断技术具有五大特点，首先，并行结构与并行处理方式。神经网络采用类似人脑的功能，它不仅在结构上是并行的，而且其处理问题方式也是并行的，诊断信息输入之后可以很快地传递到神经元进行处理，提高了计算速度，特备适合处理大量的并行信息。其次，具有高度的自适应能性。系统在知识表示和组织、诊断求解策略与实施等方面可根据生存环境自适应自组织到自完善。再次，具有很强的自学能力。神经网络是一种变结构系统，神经元连接形式的多样性和连接强度的可塑性，使其对环境的适应能力和对外界事物的学习能力非常强。系统可根据环境提供的大量信息，自动进行联想、记忆及聚类等方面的自组织学习，也可在导师指导下学习特定的任务。其次，具有很强的容错性。神经网络的诊断信息分布式的储存于整个网络中相互连接的权值上，且每个神经元储存信息的部分内容，因此即使部分神经元丢失或外界输入到神经网络中的信息存在某些局部错误，也不影响真个系统的输出性能。最后，实现了将知识表示、存储、推理三者融为一体。它们都由一个神经网络来实现。
青岛农业大学
毕业论文(设计)开题报告
题 目：神经网络在系统故障诊断中的应用研究姓 名：20 Nhomakorabea0年3月8日
一、选题依据(拟开展研究项目的研究目的、意义等)
随着现代科学技术的飞速发展，工程设备日趋复杂，自动化程度越来越高，设备运行的安全性和可靠性越来越受到人们的重视，安全保障已经成为系统征程运行的重要组成部分。系统中出现的某些微小的故障若不能及时检测并排除，就有可能造成整个系统的失效、瘫痪，甚至导致巨大的灾难性后果，所以人们总是期望建立一套检测、预警、容错和维修机制，伴随系统运行的全寿命周期，防止和杜绝影响系统正常运行的故障的发生和发展。
[12]欧阳宏志，廖湘柏，刘华.电子科技.模拟电路故障诊断方法综述.西安电子科技大学编辑部.2008.12.75-80
三、研究方案(研究内容、目标、研究方法、技术路线、拟解决的问题、特色或创新点等)
本毕业设计主要研究基于神经网络的模拟电路故障诊断技术。首先在SIMULINK环境中，建立某二级放大模拟电路作为故障诊断的电路模型，获得电路在正常与部分元件发生故障情况下的输入输出测量数据，例如电压、电流，构成用于故障诊断的原始输入样本数据。其中，模拟电路输入的数据（电压或电流）作为神经网络的输入，将编制好的代表故障情况的数据(-1代表开路，0代表正常，1代表短路)作为输出。输入数据经过输入层、中间层、输出层的处理，输入层到中间层的传递函数以及中间层到输出层的传递函数，配合使用S型函数独有的连续可微分特性，分别对正常数据和故障数据进行训练，使神经网络学习记忆住这些数据的特征。这样网络就有了故障诊断的经验。
（2）从预测的角度，应用神经网络作为动态预测模型故障诊断；
（3）从知识处理的角度，建立神经网络的故障诊断专家系统。
在众多的神经网络中，基于BP算法的多层感知器MLP（Multi-level Perceptron）神经网络应用最为广泛且成功，例如齿轮箱故障诊断、设备状态分类器设计、地震预报、农作物虫情预测等。RBF(径向基网络)是一种具有单隐层的神经网络，是神经元数目可以在参数设置时确定，目前该网络应用也比较广泛，如柴油机故障诊断、交通运输能力测试、河道浅滩渐变预测等。PNN（概率神经网络）也是目前应用较多的一种网络，如发动机故障诊断、财务失败预测等，它无需训练，分类效果明显。
当进行网络测试时，训练好的网络将测试数据与其训练时记住的数据进行比较处理，测试数据与故障数据一致时，系统会将故障情况输出，完成测试。
本论文详细介绍人工神经网络的概念，说明神经网络的工作原理及其发展历史，然后在了解人工神经网络这一概念之后，分别从BP网络、RBF网络、PNN网络的原理入手介绍介绍神经网络如何应用到模拟电路故障诊断技术的，详细的介绍这三种网络在模拟电路在故障诊断的诊断原理、网络设计并进行了故障诊断实例验证。
20世纪60年代初，电路的故障诊断作为网络的第三大分支在军事工业上首先开始研究。它主要任务是：在已知网络拓扑结构、输入激励信号和故障下响应时，求解故障元件的物理位置和参数。电子系统包括数字和模拟电路两个部分，数字电路的故障诊断目前已比较成熟并且投入使用。同数字电路相比，模拟电路集成度较低，其故障诊断的发展速度比较慢。
四、进程计划(各研究环节的时间安排、实施进度、完成程度等)
4月1日-4月7日构建模拟电路故障诊断系统模型；
4月7日-4月21日学习神经网络技术原理与实现；
4月22日-5月15日完成基于神经网络的故障诊断模型的建立；
5月16日-5月24日整个系统的程序整合，完成整体的调试；
5.月25日-6月1日完成论文初稿；
神经网络研究已经有40年历史，早在20世纪40年代，心理学家Mcculloch和Pitts就提出了神经元的形式模型[1]，Hebb提出了改变神经元连接强度的规则[2]，在他们至今仍在各种神经网模型中起着重要作用。随后，Rosenblatt，Widrow等人对他们进行了改进并提出了感知器[3](Perceptron)和自适应现行元件[4]（Adaptive linear Element）。后来Hopfield，Rumelhart，Mcclelland，Anderson，Feldman，Grosbberg和Kohonen等人所做的工作又掀起了神经网络研究的热潮。由于神经网络具有并行处理、联想记忆、自组织及自学习能力和极强的非线性映射特性，能对复杂的信息进行识别处理并给予准确处理的分类，因此可以用来对系统设备有故障引起的状态变化进行识别和判断。人工神经网络作为一种新的模式识别技术或新的知识识别处理方法，在设备故障诊断领域显示出了极大的应用潜力[4-5]。