人工神经网络在故障诊断系统中的应用

人工神经网络以其独到的联想、记忆、储存和学习功能，在故障诊断领域受到了广泛关注。其中，BP网络是最成熟、应用最广泛的一种网络。但BP网络在实际应用中也存在诸多不足，如学习率的取值需要凭借经验或试算选取，网络学习收敛速度慢以及易陷入局部最小点等。针对BP网络的这些不足，采用了Rumelhan附加惯性冲量和动态调整学习率相结合的改进的BP网络方法，并尝试用该改进算法来对凝汽器进行故障诊断。事实证明，在平均情况下，本系统收敛速度远远快于基本的BP算法。     

Wasserman自适应学习率算法的改进

在Wasserman自适应学习率算法的基础上提出一种新的BP网络改进算法--分层自适应学习率附加动量项算法,并应用该算法建立了凝汽器故障BP网络诊断模型.仿真结果表明该算法较之Wasserman自适应学习率算法能进一步提高网络的学习速度.