循環神經網絡的優點精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的循環神經網絡的優點主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：循環神經網絡的優點范文

[關鍵詞]遺傳算法 灰色系統 專家系統 模糊控制 小波分析

一、前言

神經網絡最早的研究20世紀40年代心理學家Mcculloch和數學家Pitts合作提出的，他們提出的MP模型拉開了神經網絡研究的序幕。神經網絡的發展大致經過三個階段：1947~1969年為初期，在這期間科學家們提出了許多神經元模型和學習規則， 如MP模型、HEBB學習規則和感知器等；1970~1986年為過渡期，這個期間神經網絡研究經過了一個低潮，繼續發展。在此期間，科學家們做了大量的工作，如Hopfield教授對網絡引入能量函數的概念，給出了網絡的穩定性判據，提出了用于聯想記憶和優化計算的途徑。1984年，Hiton教授提出Boltzman機模型。1986年Kumelhart等人提出誤差反向傳播神經網絡，簡稱BP網絡。目前，BP網絡已成為廣泛使用的網絡；1987年至今為發展期，在此期間，神經網絡受到國際重視，各個國家都展開研究，形成神經網絡發展的另一個。神經網絡具有以下優點：

(1) 具有很強的魯棒性和容錯性，因為信息是分布貯于網絡內的神經元中。

(2) 并行處理方法，使得計算快速。

(3) 自學習、自組織、自適應性，使得網絡可以處理不確定或不知道的系統。

(4) 可以充分逼近任意復雜的非線性關系。

(5) 具有很強的信息綜合能力，能同時處理定量和定性的信息，能很好地協調多種輸入信息關系，適用于多信息融合和多媒體技術。

二、神經網絡應用現狀

神經網絡以其獨特的結構和處理信息的方法，在許多實際應用領域中取得了顯著的成效，主要應用如下：

(1) 圖像處理。對圖像進行邊緣監測、圖像分割、圖像壓縮和圖像恢復。

(2) 信號處理。能分別對通訊、語音、心電和腦電信號進行處理分類；可用于海底聲納信號的檢測與分類，在反潛、掃雷等方面得到應用。

(3) 模式識別。已成功應用于手寫字符、汽車牌照、指紋和聲音識別，還可用于目標的自動識別和定位、機器人傳感器的圖像識別以及地震信號的鑒別等。

(4) 機器人控制。對機器人眼手系統位置進行協調控制，用于機械手的故障診斷及排除、智能自適應移動機器人的導航。

(5) 衛生保健、醫療。比如通過訓練自主組合的多層感知器可以區分正常心跳和非正常心跳、基于BP網絡的波形分類和特征提取在計算機臨床診斷中的應用。

(6) 焊接領域。國內外在參數選擇、質量檢驗、質量預測和實時控制方面都有研究，部分成果已得到應用。

(7) 經濟。能對商品價格、股票價格和企業的可信度等進行短期預測。

(8) 另外，在數據挖掘、電力系統、交通、軍事、礦業、農業和氣象等方面亦有應用。

三、神經網絡發展趨勢及研究熱點

1.神經網絡研究動向

神經網絡雖已在許多領域應用中取得了廣泛的成功，但其發展還不十分成熟，還有一些問題需進一步研究。

(1) 神經計算的基礎理論框架以及生理層面的研究仍需深入。這方面的工作雖然很困難，但為了神經計算的進一步發展卻是非做不可的。

(2) 除了傳統的多層感知機、徑向基函數網絡、自組織特征映射網絡、自適應諧振理論網絡、模糊神經網絡、循環神經網絡之外，一些新的模型和結構很值得關注，例如最近興起的脈沖神經網絡(spiking neural network)和支持向量機(support vector machine)。

(3) 神經計算技術與其他技術尤其是進化計算技術的結合以及由此而來的混合方法和混合系統，正成為一大研究熱點。

(4) 增強神經網絡的可理解性是神經網絡界需要解決的一個重要問題。這方面的工作在今后若干年中仍然會是神經計算和機器學習界的一個研究熱點。

(5) 神經網絡的應用領域將不斷擴大，在未來的幾年中有望在一些領域取得更大的成功，特別是多媒體技術、醫療、金融、電力系統等領域。

2.研究熱點

(1)神經網絡與遺傳算法的結合。遺傳算法與神經網絡的結合主要體現在以下幾個方面：網絡連接權重的進化訓練；網絡結構的進化計算；網絡結構和連接權重的同時進化；訓練算法的進化設計。基于進化計算的神經網絡設計和實現已在眾多領域得到應用，如模式識別、機器人控制、財政等，并取得了較傳統神經網絡更好的性能和結果。但從總體上看，這方面研究還處于初期階段，理論方法有待于完善規范，應用研究有待于加強提高。神經網絡與進化算法相結合的其他方式也有待于進一步研究和挖掘。

(2)神經網絡與灰色系統的結合。灰色系統理論是一門極有生命力的系統科學理論，自1982年華中理工大學的鄧聚龍教授提出灰色系統后迅速發展，以初步形成以灰色關聯空間為基礎的分析體系，以灰色模型為主體的模型體系，以灰色過程及其生存空間為基礎與內的方法體系，以系統分析、建模、預測、決策、控制、評估為綱的技術體系。目前，國內外對灰色系統的理論和應用研究已經廣泛開展，受到學者的普遍關注。灰色系統理論在在處理不確定性問題上有其獨到之處，并能以系統的離散時序建立連續的時間模型，適合于解決無法用傳統數字精確描述的復雜系統問題。

神經網絡與灰色系統的結合方式有：(1) 神經網絡與灰色系統簡單結合；(2) 串聯型結合；(3) 用神經網絡增強灰色系統；(4) 用灰色網絡輔助構造神經網絡；(5) 神經網絡與灰色系統的完全融合。

(3)神經網絡與專家系統的結合。基于神經網絡與專家系統的混合系統的基本出發點立足于將復雜系統分解成各種功能子系統模塊，各功能子系統模塊分別由神經網絡或專家系統實現。其研究的主要問題包括：混合專家系統的結構框架和選擇實現功能子系統方式的準則兩方面。由于該混合系統從根本上拋開了神經網絡和專家系統的技術限制，是當前研究的熱點。把粗集神經網絡專家系統用于醫學診斷，表明其相對于傳統方法的優越性。

(4)神經網絡與模糊邏輯的結合

模糊邏輯是一種處理不確定性、非線性問題的有力工具。它比較適合于表達那些模糊或定性的知識，其推理方式比較類似于人的思維方式，這都是模糊邏輯的優點。但它缺乏有效的自學習和自適應能力。

而將模糊邏輯與神經網絡結合，則網絡中的各個結點及所有參數均有明顯的物理意義，因此這些參數的初值可以根據系統的模糊或定性的知識來加以確定，然后利用學習算法可以很快收斂到要求的輸入輸出關系，這是模糊神經網絡比單純的神經網絡的優點所在。同時，由于它具有神經網絡的結構，因而參數的學習和調整比較容易，這是它比單純的模糊邏輯系統的優點所在。模糊神經網絡控制已成為一種趨勢，它能夠提供更加有效的智能行為、學習能力、自適應特點、并行機制和高度靈活性，使其能夠更成功地處理各種不確定的、復雜的、不精確的和近似的控制問題。

模糊神經控制的未來研究應集中于以下幾個方面：

(1) 研究模糊邏輯與神經網絡的對應關系，將對模糊

控制器的調整轉化為等價的神經網絡的學習過程，用等價的模糊邏輯來初始化神經網絡；

(2) 完善模糊神經控制的學習算法，以提高控制算法的速度與性能，可引入遺傳算法、BC算法中的模擬退火算法等，以提高控制性能；

(3) 模糊控制規則的在線優化，可提高控制器的實時性與動態性能；

(4) 需深入研究系統的穩定性、能控性、能觀性以及平衡吸引子、混沌現象等非線性動力學特性。

關于神經網絡與模糊邏輯相結合的研究已有很多，比如，用于氬弧焊、機器人控制等。

(5)神經網絡與小波分析的結合

小波變換是對Fourier分析方法的突破。它不但在時域和頻域同時具有良好的局部化性質，而且對低頻信號在頻域和對高頻信號在時域里都有很好的分辨率，從而可以聚集到對象的任意細節。

利用小波變換的思想初始化小波網絡，并對學習參數加以有效約束，采用通常的隨機梯度法分別對一維分段函數、二維分段函數和實際系統中汽輪機壓縮機的數據做了仿真試驗，并與神經網絡、小波分解的建模做了比較，說明了小波網絡在非線性系統黑箱建模中的優越性。小波神經網絡用于機器人的控制，表明其具有更快的收斂速度和更好的非線性逼近能力。

四、結論

經過半個多世紀的發展，神經網絡理論在模式識別、自動控制、信號處理、輔助決策、人工智能等眾多研究領域取得了廣泛的成功，但其理論分析方法和設計方法還有待于進一步發展。相信隨著神經網絡的進一步發展，其將在工程應用中發揮越來越大的作用。

參考文獻：

[1]張曾科.模糊數學在自動化技術中的應用[M].清華大學出版社，1997.

[2]李士勇.模糊控制?神經控制和智能控制論[M].哈爾濱工業大學出版，1996.250-387.

[3]謝聯峻.模糊控制在列車自動駕駛中的應用[J].自動化與儀器儀表，1999，(4).

[4]Collier W C，Weiland，R J Smart Carts，Smart Highways[J].IEEE Spec-trum，1994，31(4)：27-33.

[5]Hatwal H，Mikulcik E C.some Inverse Solutions to an Automobile Path Tracking Problem with Input Control of Steeringand Breaks，Ve-hicle system Dynamics，1986，(15)：61-71.

[6]Kosuge K，Fukuda T，Asada H.Acquisition if Human Skills for Robotic System[C].In：Proc IEEE Int Symp On Intelligen Control，1991.469-489.

[7]王小平，曹立明.遺傳算法―理論、應用與軟件實現.西安交通大學出版社，2002.

[8]Maniezzo V.Genetic evolution of the topologh and weight distribution

of neural network[J].IEEE Trans on Neural Network，1994，5(1)35-67.

[9]Harrald P G，Kamstra M.Evolving artificial neural networks to combine financial forecase[J].IEEE Trans on Evol Computer ，1997，1(1)：39-54.

[10]鄧聚龍.灰色系統理論教程.華中理工大學出版社，1990.

[11]呂宏輝，鐘珞，夏紅霞.灰色系統與神經網絡融合技術探索.微機發展，2000，23(4)：67-109.

第2篇：循環神經網絡的優點范文

關鍵詞：地下水脆弱性；評價；人工魚群算法；BP神經網絡

中圖分類號：TP27 文獻標識碼：A

眾所周知，水是人類社會賴以生存和發展必不可少的寶貴資源，地下水是水資源的重要組成部分，并已被廣泛開發和利用，在干旱半干旱地區則是主要的生活及工業用水來源。近年來，由于工業化、城市化進程的加快，全球范圍內的地下水資源正遭受不同程度的污染和破壞，造成水資源短缺，并相繼出現了一系列復雜的環境地質問題。目前應用較廣泛的BP神經網絡評價算法存在著網絡參數難確定、收斂速度較慢且易陷入極小值等問題。為了解決上述問題，本文應用魚群算法對BP神經網絡進行了改進，結合地下水安全評價實例進行了測試，并將測試數據與標準BP神經網絡進行了比較與分析，取得了理想的結果。

1.基本BP神經網絡算法

BP神經網絡算法是一種采用誤差反向傳播的多層前饋感知器。其特點是具有分布式的信息存儲方式，能進行大規模并行處理，并具有較強的自學習及自適應能力。BP網絡由輸入層（感知單元）、計算層（隱藏層）、輸出層3部分組成。輸入層神經元首先將輸入信息向前傳遞至隱含層節點，經過激活函數預處理后，隱層節點再將輸出信息傳送至輸出層得到結果輸出。輸入層與輸出層節點的個數取決于輸入、輸出向量的維數，隱含層節點個數目前并沒有統一的標準進行參考，需通過反復試錯來確定。根據Kolmogorov定理，具有一個隱層的3層BP神經網絡能在閉集上以任意精度逼近任意非線性連續函數，所以本文選擇單隱層的BP神經網絡。

2.人工魚群算法

2.1 基本原理

通過對魚類覓食的觀察可知，魚類一般能自行或者尾隨其他同伴找到食物數量相對充足的地方。因此，一般魚類數量較多的地區即為食物相對充足的區域。人工魚群算法是指通過長期對魚類覓食行為的觀察，構造人工魚來模擬魚類的覓食、群聚、尾隨以及隨機行為，從而完成全局最優值的尋找。算法所包含的基本過程如下：

覓食行為：魚類會利用視覺或嗅覺來感知水中食物濃度的高低，以此來選擇覓食的路線。

聚群行為：魚類一般會以群體形式進行覓食，以此來躲避天敵的傷害，并以最大概率獲得準確的覓食路線。

尾隨行為：當群體中的某條魚或幾條魚尋找到食物后，其附近的其他同伴會立刻尾隨而來，其他更遠處的魚也會相繼游過來。

隨機行為：魚在水中的活動是不受外界支配的，基本上處于隨機狀態，這種隨機性有利于魚類更大范圍的尋找食物及同伴。

2.2 行為描述

首先假設1條人工魚，其當前狀態定義為Xr，隨機選擇另一個狀態為Xs=[xsd]（s=1，2，…，N；d=1，2，…，D，這是一個D維向量，其中狀態為Xr的食物濃度為Yr=f（Xr），f（x）為目標函數，人工魚群體中個體間的距離表示為drs=Xr-Xs，其有效視線范圍（感知距離）為Visual，游行步長設置為Step，群體中的擁擠度因子為σ。

2.2.1 覓食行為

魚類覓食是以定義的游行步長為前進單元，通過在其有效視線范圍內感知食物濃度的變化來確定最佳覓食路線。設人工魚當前狀態為Xr，在有效視線范圍內隨機選擇另一個狀態為Xs，通過目標函數確定兩種狀態下的食物濃度分別為Yr、Ys，若Yr

其中Rand為一個（0，1）的隨機數。

2.2.2 聚群行為

人工魚在其有效視線范圍內能夠感知同伴的數目及其中心位置，假設在當前視野范圍內人工魚感知到的同伴數目及其中心位置狀態為Xc，若Yc，nf>σYr，則表明該區域食物濃度較高，并且其周圍并不擁擠，此時人工魚將向此方向前進一步，否則繼續執行覓食行為。其數學表達式為：

2.2.3 尾隨行為

若人工魚在當前視線范圍內感知到的食物濃度最大值為Xmax，如果Ymax，nf>σYr，則狀態Xmax具有較高的食物濃度并且魚群密度較低，適合人工魚進行覓食，則朝著此方向前進一步，反之，若Ymax，nf

2.3 魚群算法優化BP神經網絡的原理

BP神經網絡在求解最優化問題時容易陷入局部極值，并且網絡的收斂速度較慢。魚群算法通過設定人工魚個體，模擬魚群在水中的覓食、尾隨和群聚行為，通過個體的局部尋優，最終實現全局尋優。人工魚在不斷感知周圍環境狀況及

同伴狀態后，集結在幾個局部最優點處，而值較大的最優點附近一般會匯集較多的人工魚，這有助于判斷并實現全局最優值的獲取。因此用人工魚群算法來優化BP神經網絡是一種合理的嘗試。

2.4 具體工作步驟

人工魚群算法用于優化神經網絡時的具體步驟如下：

①設定BP神經網絡結構，確定隱層節點數目；

②設定人工魚參數，主要包括個體間距離、有效視線范圍以及移動步長等；

③人工魚進行覓食、群聚及尾隨行為來優化BP神經網絡；

④通過設定的狀態參量，判斷是否達到目標精度；

⑤若達到精度要求則輸出網絡優化權值，并執行網絡循環，否則繼續改化參數進行優化；

⑥輸出最終優化參數并進行計算機網絡安全評價。

3.算例分析

本文以文獻[2]設定的評價標準作為網絡的訓練數據。主要包括土壤層厚度、土壤層形狀、包氣帶厚度、包氣帶巖性等14項影響因素指標，因此輸入層神經元數取為14。隱含層定為1層。一般而言，隱層節點數目是輸入層節點數目的2倍，因此，本文將隱層節點數目定為28。

算法用Matlab語言實現。通過實驗分析，本文將網絡隱含層節點數設為5，權值調整參數α=0.1，閾值調整參數β=0.1，學習精度ε=0.0001。網絡經過2000次訓練，收斂于所要求的誤差，然后對檢驗樣本及專家評價樣本進行仿真，結果見表1。可以看出網絡評價結果與標準BP神經網絡及模糊綜合評價算法保持一致，但其網絡運行時間卻大幅下降，甚至比應用蟻群算法優化的效果更好。

結論

本文將魚群算法和神經網絡結合起來對地下水脆弱性進行了研究，得到了如下幾個結論：

（1）基于魚群算法優化后的BP神經網絡具有收斂速度快、擬合精度高等優點，克服了標準BP神經網絡收斂速度慢、容易陷入局部極小值的缺點。同時，優化算法編碼過程簡單，并具有較強的魯棒性。

（2）本文采用的實驗數據僅有12個，基于魚群算法優化后的BP神經網絡精度有明顯提高，避免了由于樣本數量少造成的擬合精度低等缺點。

（3）通過將標準BP神經網絡算法與魚群神經網絡算法進行對比發現，后者的收斂速度明顯加快，并且自組織能力也有一定提高，在實際的工程建設中可以將其代替傳統的BP神經網絡算法來進行地下水脆弱性的評價與分析。

參考文獻

[1]賀新春，邵東國.幾種評價地下水環境脆弱性方法之比較[J].長江科學院院報，2005，26（3）：17-21.

第3篇：循環神經網絡的優點范文

關鍵詞：圖像分割；極限學習機；前饋神經網絡

中圖分類號：TP391 文獻標識碼：A 文章編號：1007-9599 （2013） 02-0000-02

1 引言

圖像分割是數字圖像處理到圖像分析過程中的最重要的步驟，是按照一定的相似性準則將圖像中有意義的特征部分提取出來，為進一步圖像分析和圖像理解打下基礎，因此在理論研究和實際應用中都得到了廣泛重視。本文提出了一種基于極限學習機的圖像分割算法，利用其學習速度快、泛化性能好、調節參數可以直接確定等優點，有效地避免神經網絡冗余信息甚至錯誤信息的干擾，仿真實驗結果表明，本算法在改善了圖像分割效果的同時大大縮短網絡訓練時間。

2 極限學習機

單隱藏層前饋神經網絡（SLFN）已經在模式識別、自動控制及數據挖掘等領域取得了廣泛的應用，是因為它有很多優點：（1）具有很強的學習能力，能夠逼近復雜非線性函數；（2）能夠解決傳統參數方法無法解決的問題。然而，基于梯度原理的訓練算法的傳統前饋神經網絡存在諸多問題，成為制約其發展的主要瓶頸，如需要多次迭代、容易陷入局部極小、需要明確性能指標和學習率的確定等的問題。

極限學習機是一種新的單隱含層前饋神經網絡。該神經網絡隨機產生輸入層與隱含層間的連接權值及隱含層神經元的閾值，且在訓練過程中無需調整，只需要設置隱含層神經元的個數，便可以獲得唯一的最優解。與傳統的神經網絡相比，該神經網絡具有學習速度快、泛化性能好、魯棒性好及可控性等優點。

2.1 SLFN的統一模型

2.2 極限學習機

因此，當激活函數 無限可微時，SLFN的參數并不需要全部進行調整， 和b在訓練前可以隨機選擇，且在訓練過程中保持不變。而隱含層與輸出層間的連接權值 可以通過求解以下議程組的最小二乘解獲得： ，其解為 ，其特殊解具有最小范數：其中， 為隱含層輸出矩陣 的Moore-Penrose廣義逆。

3 極限學習機在圖像分割中的應用

本文提出的基于極限學習機的圖像分割算法，具體步驟如下：

（1）采用參考文獻[10]中的方法進行樣本提取，在原圖像上選取特征明顯、最具有代表性的區域生成訓練樣本，并對樣本進行預處理。

（2）確定隱含層神經個數，隨機設定輸入層與隱含層間的連接權值 和隱含層神經元的偏置b。選擇一個無限可微的函數作為隱含層神經元的激活函數，進而計算隱含層輸出矩陣 ；并計算相應的模型泛化性能權值 。

（3）更新訓練樣本集，把輸出層權值加入訓練樣本集，產生新的訓練樣本集。

（4）返回步驟（2）根據新的訓練樣本集預測下一組數據，如此循環直至把所有的預測數據預測完畢。

（5）直到使用本文方法進行圖像分割的效果無法再獲得較明顯的提高，保存并將分類后的得到的結果還原成圖像矩陣，便得到分割后的圖像。

4 仿真實驗及分析

為驗證本文所提方法的正確性和有效性，在MATLAB7.0實驗環境中進行實驗，并分別與脈沖耦合神經網絡算法、BP 神經網絡算法，以及遺傳神經網絡算法的結果進行比較，如圖2所示。在本實驗中，激活函數為sig，隱含層神經元個數為60。實驗中所有算法都運行20次，實驗結果取平均值。在原圖上加入均值為0、方差為 0.03的高斯白噪聲，并將噪聲圖像劃分成6×6的鄰域窗口，圖像的邊緣用邊界復制的方法補充。

圖像分割質量的客觀評價見表1，從表中可以看出采用本文的圖像分割算法PSNR得到提高，均方誤差（（Mean-Square Error）降低了。從主觀上評價，本文提出的基于極限學習機的圖像分割算法得到分割后的圖像不僅較好的克服了噪聲的影響，而且效果明顯清晰，孤立點較少，邊緣信息明顯，突出了目標區域。

為訓練本文的神經網絡，圖中的紅色區域將作為訓練樣本，共計選擇5500個點作為訓練樣本點。將本文算法與上述其他三種算法進行了實驗比較，比較結果見表2。

從表3可以看出，BP神經網絡的樣本訓練時間最長，而本文提出的算法不僅大大縮短了樣本的訓練時間，同時有較好的抗噪性，提高了精度。實驗證明本文的算法為進行圖像分割提供了一個新的思路，是一種比較有效的方法。

5 結論

本文針對傳統圖像分割方法中存在著結構設計復雜、所需時間較長等問題，提出了一種基于極限學習機算法的圖像分割方法。極限學習機算法不但訓練速度很快，而且具有最小的訓練誤差和最小的權值范數，并且可以對輸入層權值和隱含層偏差隨機賦值，所涉及的計算量很小，算法高效簡便，得到的輸出權值是全局最優的，實驗證明該算法在圖像分割中具有一定的實用價值。今后研究工作的重點是對于大型圖像分割算法的優化。

第4篇：循環神經網絡的優點范文

【關鍵詞】輸電線路 弧垂 電場 神經網絡

1 引言

隨著我國電力事業的迅速發展，對電力系統的安全性與可靠性也提出了更高的要求。輸電線路是電力系統的重要組成部分，弧垂是輸電線路運行維護的重要指標之一，其大小直接關系到線路的安全性與可靠性，必須控制在一定的范圍內。而輸電線路長時間經受自然界中覆冰、溫升和風吹等氣象的影響，使得線路的弧垂發生較大變化。弧垂過小使得桿塔荷載增大，會產生斷線、倒塔和掉串等事故；弧垂過大會使導線與地面的樹木、建筑物等發生接觸并放電，從而導致線路跳閘。

因此，為了有效監測輸電線路導線的弧垂變化大小、準確判斷線路狀態，采用弧垂監測技術能很好的解決這一問題。目要弧垂監測主要采取人工巡檢法、圖像監測法、直升機巡檢法、GPS定位測距法等，但這些方法在實際中仍存在很多問題，如實時性差、易受外界及天氣影響、效率較低等。因此，需要研究一種新的監測輸電線路弧垂的方法，克服上述方法的缺點。輸電線路弧垂的變化最終都表現在其離地高度的變化上，隨著弧垂離地高度的變化，地面場強會隨之變化，因此可利用地面場強測量技術得到場強信息，再利用反演算法反演出弧垂，通過較少的場強參數，無需改動線路即可得到比較精確的弧垂值，且不易受到周圍環境、氣象等條件的影響。而該弧垂監測技術的研究還未見公開報道。

鑒于此，本文設計了一種基于地面電場變化的輸電線路弧垂監測技術，通過輸電線路下地面場強的計算可以反演出線路的弧垂大小。該技術通過采用本文提出的基于神經網絡的輸電線路下地面測量技術，對場強測量數據進行修正，從而得到輸電線路下地面場強的精確值，再利用本文設計的基于電場信息的輸電線路弧垂反演計算方法得到弧垂值，最后通過基于場強變化的輸電線路弧垂監測系統對弧垂進行監測和報警，保證了輸電線路的安全可靠運行。

2 基于神經網絡的輸電線路下地面場強測量技術

基于神經網絡的輸電線路下地面場強測量技術，主要由測量數據修正模型構建技術和測量數據修正技術組成。測量數據修正模型構建技術將RBF神經網絡與一般神經網絡相結合，構建測量數據修正模型，該模型能夠精確擬合測量數據與理想數據之間的非線性關系，在保證收斂速度快于一般的BP神經網絡的前提下具有更強的泛化能力；測量數據修正技術利用構建的修正模型，可實現對測量數據的修正，有效減少外界環境對測量工作的影響，使其更接近理想值，增加數據可靠性。

2.1 測量數據修正模型構建技術

測量數據修正模型構建技術基于一種測量數據修正模型，該修正模型利用神經網絡可任意精度逼近非線性函數的優點，將RBF神經網絡與一般神經網絡相結合，擬合輸電線路下地面的場強測量數據與場強理想數據之間的非線性關系，可實現對實測數據的精確修正，獲得輸電線路下地面的真實場強值。

因此，本文測量數據修正模型構建技術的實現主要分為兩個步驟：第一步是神經網絡初始模型的構建，第二步是測量數據修正模型的構建。通過設置神經網絡參數，Φ諞徊降耐絡初始模型進行訓練，最終得到測量數據的修正模型。

2.1.1 神經網絡初始模型的構建

本文所提出的神經網絡模型將RBF神經網絡與一般神經網絡相結合，網絡結構分為四層：輸入層、第一隱層、第二隱層和輸出層。其中網絡的輸入層與第一隱層、第一隱層與第二隱層之間采用RBF神經網絡隱層模式，第二隱層與輸出層之間采用傳統神經網絡隱層模式。網絡的初始模型圖如圖1 所示。

如圖1所示，網絡的輸入和輸出均采用二維向量，第一隱層節點數設為m1=2m+1，其中m為輸入的個數，第二隱層的神經元節點初始為m2個。其中，第一隱層每個神經元節點的基函數采用歐式距離、激勵函數采用高斯徑向基函數，第二隱層每個神經元節點的激勵函數采用非對稱型sigmoid函數，輸出層每個神經元節點的激勵函數采用Purelin型線性函數。

2.1.2 測量數據修正模型的構建

構建測量數據修正模型，需要對網絡初始模型的參數進行設置，并基于這些參數對網絡進行訓練，最終得到測量數據的修正模型。本文采用Levenberg-Marquardt算法對網絡初始模型的各個參數進行設置，并在訓練的過程中對神經網絡第二隱層的節點數進行優化，訓練的具體步驟如下：

第一步，樣本庫的構建。樣本庫由理想場強數據和實測場強數據構成。理想場強數據通過基于模擬電荷法的線路電場三維計算模型求得，實測場強數據通過實地測量得到，最終獲取到K（K≥Kmin，Kmin為最小的樣本集大小）組樣本數據，并將其作為本模型的樣本庫。

其中，理想場強數據的計算是通過將線路劃分為多個線單元，利用有限長模擬線電荷法來計算每個線單元周圍的三維電場分布。具體過程為：首先通過電位系數矩陣和導線上電位的單列矩陣計算出到線上的電荷單列矩陣，即輸電線路單位長度所帶的電荷；隨后根據單位長度導線上的等效電荷即可計算出三維空間直角坐標系下場強的各個分量。

第二步，初始化網絡節點。在網絡的初始化過程中，從樣本庫中選取p組數據作為初始訓練樣本，將樣本中的實測場強數據作為輸入層的輸入，將理想場強數據作為輸出層的輸出，第一隱層初始為m1個神經元節點，第二隱層的神經元節點初始為m2。

第三步，對網絡中的所有參數（包含高斯基函數的中心矢量C、基寬向量B和網絡權重系數）進行隨機初始化，設定合適的Levenberg-Marquardt算法參數μ、β、最大訓練步數、網絡訓練誤差及樣本測試誤差，并利用LM算法訓練各參數。具體訓練過程結合表1來詳細闡述：

首次訓練，經過n1次的迭代，網絡收斂（滿足訓練誤差）。隨后從樣本庫中選取獨立于訓練樣本的p組測試樣本，輸入第1步訓練得到的網絡，計算平均測試誤差，平均測試誤差用e表示，定義為：

其中，M1表示測試樣本的數量，E（n）表示理想場強值，Eout（n）表示網絡輸出的修正數據。

若滿足精度要求，則訓練結束；若不滿足精度要求，則將訓練樣本和測試樣本合并組成新的訓練樣本（表1中第2步，訓練樣本數更新為2p），并將第二層的隱層節點數加2，執行第四步。

第四步，重復LM訓練過程，直到平均測試誤差滿足精度要求，否則每次訓練第二隱層節點數就加2。表1中在第N次更新中平均測試誤差首次小于設定的閾值，此時網絡中第二隱層的節點數增加至d2。

第五步，網絡訓練結束，固定網絡參數。

神經網絡初始模型的具體訓練流程圖如圖2所示。

2.2 測量數據修正技術

本文的測量數據修正技術基于2.1.2節構建的數據修正模型，測量數據修正模型構建技術在足夠數量的訓練樣本的條件下，采用LM算法對網絡參數進行訓練，最終得到訓練后的數據修正模型圖如3所示。

如圖3所示，網絡模型的各網絡參數均已固定，經過優化的第二隱層節點數更新為d2。

測量數據修正技術結合了RBF神經網絡，使得收斂速度快于一般BP神經網絡。通過對第二隱層節點的優化更新，使網絡在盡可能簡單的情況下具有更強的泛化能力。在訓練過程中無需預先確定其他參數，避免了支持向量機算法需要預先選擇合適的核函數的缺陷。

測量數據修正技術的實現是將現場測量得到的場強作為該數據修正模型模型的輸入，通過模型內部對數據進行修正，最終得到修正后的場強值，如圖3所示。該技術可實現對實測場強數據的修正，有效降低了環境等因素對場強測量的影響，還原出最真實的輸電線下地面場強值。

3 基于電場信息的輸電線路弧垂反演算法

基于電場信息的輸電線路弧垂反演算法，通過三個步驟完成對輸電線路弧垂的反演監測。首先基于三維輸電導線電場計算模型，選取輸電線路正常情況下的弧垂作為算法的初始可行解；其次，利用禁忌搜索算法，在該初始解的左右領域內進行局部最優搜索，選取其中的最優解作為新的當前解，并對局部最優解的歷史信息進行記錄，最終形成一個禁忌表；最后，通過將禁忌表中的最優解對應的場強數據與基于神經網絡輸電線路下地面場強測量技術測得的實時線路下地面場強數據進行比較，當最優解對應的場強數據與實測數據近似相等時，則將該最優解作為最終反演計算的弧垂值。

3.1 三維輸電導線電場計算模型

三維輸電導線電場計算模型基于線路三相輸電的原理，將交流電線路下的場強依據每一單項交流電的方向進行分解。將實測的場強數據分為xyz三個方向上的分量進行存儲和計算。該模型圖在實際操作中，選取線路實測電場x坐標下橫向分布的N個值作為電場實測值。三維輸電導線電場計算模型模型圖如圖4所示。

對于三維輸電導線電場計算模型下的N個測量點，記和分別為第m（m=1，2，...，N）個測量點的電場測量修正值和計算值，則對應算法的目標函數為：

3.2 禁忌搜索算法

禁忌搜索（Taboo Search，TS）算法是一種亞啟發式（meta-heuristic）隨機搜索算法，通過引入一個內容可變的存儲結構及與該結構相對應的禁忌準則，來避免迂回搜索，最終實現全局尋優。相對于模擬退火和遺傳算法，TS算法更適合于求解導線下方電場與弧垂間的非線性問題。

本文提出的基于電場信息的輸電線路弧垂反演算法，選取輸電線路正常情況下的弧垂作為算法的初始可行解，并利用禁忌搜索算法以尋找弧垂的最優解。弧垂反演算法將初始可行解作為搜索起點，利用移動函數確定該初始解的左右搜索領域，通過計算各領域內解的目標函數來確定局部最優解，并將該局部最優解作為新的當前解。本文反演算法設計禁忌搜索算法的移動函數為：

xnew=x+k*x（k=±1，±2...） （3）

其中，xnew為解x的鄰域解；x為移動操作的移動單位，單位為m。x是迭代次數n的函數，n增加會使x減小、搜索精度提高。

通過對局部最優解的歷史信息進行記錄，將每一局部最優解記為一禁忌對象，最終形成一個禁忌表。禁忌表內記錄每一次搜索得到的禁忌對象，并將該禁忌對象在禁忌表內生存時間初始為|T|。其中，|T|作為該表內的禁忌長度，在每一次迭代中，將上一次迭代得到的局部最優解作為該次迭代的初始解，并對表內每一禁忌對象的禁忌長度減1，當某一禁忌對象的禁忌長度變為0時，將其從禁忌表中刪除。

禁忌表是一個循環表，在搜索過程中被循環的修改，可以有效避免搜索結果陷入局部最優，但仍可能出現循環。因此，必須給定停止準則以避免出現死循環，當最優解滿足精度要求或經過n次迭代最優解無法改進時（其中，n的數值根據搜索精度確認），則停止算法停止。

3.3 基于電場信息的輸電線路弧垂反演的算法流程

基于電場信息的輸電線路弧垂反演的算法流程如圖5所示。

由圖5可知，基于電場信息的輸電線路弧垂反演算法的具體實現步驟如下：

第5篇：循環神經網絡的優點范文

【關鍵詞】BP神經網絡;優化;故障診斷;仿真

Based on Optimized BP Neural Network Simulation Study on Fault Diagnosis of Diesel Engine Fuel System

WANG Shi-wu

（Dept.of Equipment，Bengbu Automobile NCO Academy，Bengbu Anhui 233000，China）

【Abstract】The neural network has many abilities：parallel proeessing self-leaning and self-adapting， approaching any nonlinear function etc， it is an effective way to deal with complex diagnosis problem of nonlinear multivariable and uncertainty，Neural network of these characteristics makes it apply more and more extensive in the field of the fault diagnosis.In this paper，uses the LM improvement study algorithm，use the well-trained nerve network to carries on the diesel engine fault diagnosis and drawn the result，also enable the fault diagnosis to have the artificial intellectualization.

【Key words】BP nerve netwok;Optimize;Fault diagnosis;Simulation

1 BP神經網絡

BP神經網絡是多層前饋神經網絡，它的名字源于網絡權值的調整規則，采用的是后向傳播學習算法，既BP算法。BP網絡是目前應用最廣的神經網絡之一，BP網絡是由一個輸人層，一個或多個隱層以及一個輸出層組成，如圖1所示，上下層之間實現全連接，而每層神經元之間無連接。網絡的學習過程包括正向傳播和反向傳播。在正向傳播進程中，輸入信息從輸入層經隱層加權處理傳向輸出層，經功能函數運算后得到的輸出值與期望值進行比較，若有誤差，則誤差反向傳播，沿原先的連接通道返回，通過逐層修改各層的權重系數，減小誤差。隨著這種誤差逆向傳播修正的不斷進行，網絡對輸入模式響應的正確率也不斷上升。

圖1 三層BP模型神經網絡

研究表明，帶有兩個隱層的BP網絡能形成任何形狀的決策區域。當BP網用作非線性映射時，允許網絡實現輸入到輸出之間的任意映射關系，即可建立故障征兆空間與故障空間的某種映射關系，每當給出一個實測的故障征兆矢量，網絡即能通過狀態演化（前傳和聯想）收斂到與其最相近的模式，從而診斷其故障原因。典型的基于神經網絡模式識別的故障診斷系統結構如圖2所示。

圖2 基于神經網絡模式識別功能的故障診斷系統結構

2 BP神經網絡的不足

BP神經網絡模型雖然在各方面都具有重要意義，而且應用也很廣泛，但它也存在一些不足。從數學上看，它是一個非線性優化問題，不可避免的存在局部極小點，學習算法的收斂速度慢，網絡隱層單元數選取帶有很大的盲目性和經驗性，新加入的樣本要影響已學完的樣本等。

具體來說，BP算法對樣本進行逐個學習時，常會發生“學了新的，忘了舊的”的遺忘現象。故此值得對樣本不斷循環重復，這樣一來其學習時間必然延長。為了克服這個缺點，將逐個學習改為批量學習，即對所有樣本都進行學習后將其誤差相加，然后用這個誤差之和來對網絡的權系數進行調整。但是這樣一來，在誤差求和時，這些誤差有可能互相抵消，這就降低了算法的調整能力，也就是延長了學習的時間。所以，按批量學習其收斂速度也會很慢。同時，批量學習方法還有可能產生新的局部極小點。比如各誤差不為零，但其總和為零，這種情況發生后算法就穩定在這個狀態上，造成新的局部極小點。

3 BP神經網絡學習算法的優化

為了提高神經網絡算法的學習效率及穩定性，在反向傳播（BP）算法中可以引入基于非線性最小二乘法的Levenberg-Marquart（LM）最優算法，替代原BP算法中的梯度下降法尋找最佳網絡連接權值。

LM算法是一種優良的非線性最小二乘優化方法，這種方法的一般模型為：

F（x）=■f■■（x），x∈Rn m≥n

其中m為訓練樣本數，n相當于神經網絡兩層之間的權值個數。

令：

f （x）=f■xf■x…f■x

其目標函數還可寫為F（x）= fT （x） f （x）

則F（x）的梯度為：

grad F（x）=2■f■x■2■f■x■…2■f■x■=f■f■…f■f■f■…f■…f■f■…f■=f■f■…f■=AT f=f （x）

其中，fi= fi（x）;fij=■;A=（fij）m×n

常稱A為雅可比矩陣;fi（x）稱為殘量函數定義為：i（x）=di-yi（x）

其中d i為目標函數，y i為神經網絡輸出。其Hessian矩陣為：

G（x）=■[fi（x）fi（x）T+ fi（x）2fi（x）]=A（x）TA（x）+S（x）

LM算法是二階收斂的Newton算法的變形，又稱變尺度法。牛頓法的權值調整算法如下：

x （k+1）=x（k）-[G（x（k））]-1x（k）= x（k）-（ATA+S）-1 ?f （x（k））

若高階項S可省略的話，則變為Gauss-Newton法：

x （k+1）= x（k）-（ATA）-1 ?f （x（k））

在Gauss-Newton法中，我們要求A是滿秩的。遺憾的是在實際情況中，A為奇異的情況經常發生，使得算法常常收斂到非駐點。這樣造成的結果是線性搜索得不到進一步下降，從而無法找到最優點。LM算法通過引入一個可變因子μ，將一個對角陣μI加到ATA上去，改變了原矩陣的特征值結構使其變成滿秩正定矩陣，從而確保線性搜索的方向為下降的方向。其權值調整規則為：

x （k+1）= x（k）-（ATA+μI）-1 ?f （x（k））

我們可以利用μ來控制迭代，μ可以在一較大的范圍內進行調整。μ較小時即為Gauss-Newton法;μ較大時即為最速下降法。μ參數的引入，以及在迭代過程中μ參數的可調節性，極大地改善了算法收斂的穩定性。

采用LM最優化算法訓練神經網絡，替代原BP算法中的梯度下降法尋找最佳網絡連接權值。仿真試驗證明，這種學習算法提高了BP網絡算法的學習效率及穩定性，并提高了網絡的收斂速度，更好的實現了對柴油機燃油壓力信號的故障診斷。

4 基于優化的BP神經網絡柴油機燃料系故障診斷

4.1 確定故障特征信息

柴油機燃油系統的狀態信息主要體現在高壓油管的壓力波形中，當某處發生故障時，必然使原有供油狀態發生變化，燃油流動的壓力和流速等參數會有相應的改變，反映在壓力波形上將導致波形形態和波形參數值的變化。因此利用壓力傳感器測取高壓油管的燃油壓力波形，并對波形進行分析、提取出故障特征，再利用人工神經網絡模型對特征值進行模式識別就可達到故障診斷的目的。圖3、圖4分別為100%和25%供油量噴油壓力波形圖。

圖3 100% 供油量噴油壓力波形圖

圖4 25%供油量噴油壓力波形圖

4.2 提取特征參數

特征參數的提取是模式識別過程中的重要環節，它關系到模式識別效果的準確性。由于燃油壓力波形是一種規則波形，任一壓力波形都標志著柴油機燃油系統的一種工作狀態。壓力波形的狀態信息主要體現在波形的結構形態上，可以直接從其時域波形上提取波形的結構特征，并表示為便于計算的特征空間。根據分析和試驗，對于燃油壓力波形來說，最大壓力、起噴壓力、落座壓力、次最大壓力、波形幅度、上升沿寬度、波形寬度、最大余波寬度等特征最能表現出柴油機運行時的狀況。為了獲得最佳診斷效果，我們選用這八種參數構成特征向量空間，如圖5所示。

圖5 波形特征

4.3 BP神經網絡的建立及故障診斷過程

4.3.1 數據樣本采集

柴油機燃料系故障主要是供油量不足，主要表現為針閥卡死、針閥泄漏、出油閥失效等。在發動機800r/min時，用傳感器分別采集正常油量、針閥卡死、針閥泄漏、出油閥失效四種狀態的燃油壓力數據，繪制出不同狀態下的燃油壓力波形，對每個波形手動提取出最大壓力、啟噴壓力、落座壓力、次最大壓力、波形幅度、上升沿寬度、波形寬度、最大余波寬度這8個特征值。一般情況下，每個狀態至少采集提取5個實際樣本，每個樣本都包括以上8個特征值，用來建立網絡，訓練網絡，并進行故障診斷。

4.3.2 BP神經網絡的建立和訓練

新建BP神經網絡NewNet，如圖6所示，網絡設計采用三層BP網絡，網絡的輸入層個數為8個，輸出層的個數為4個，隱含層的個數并不是固定的，經過實際訓練的檢驗和不斷的調整，確定隱含層的個數近似遵循下列關系n2=2n1+1。其中n1為輸入層個數，n2為隱含層個數，因此隱含層個數為17個。

圖6 NewNet網絡結構

四種故障模式可以用如下形式表示輸出：

正常油量（1，0，0，0）;針閥卡死（0，1，0，0）;針閥泄漏（0，0，1，0）;出油閥失效（0，0，0，1）。

輸入層至隱層的連接權Wij、隱層至輸出層的連接權Vjt、隱層各單元的輸出閾值θj、輸出層各單元的輸出閾值γj ，都選取為（-1～1）之間的隨機數，然后按照BP網絡的學習步驟進行學習。網絡輸入層的傳遞函數采用雙曲正切S型傳遞函數Tansig，第二層傳遞函數采用S型對數函數Logsig，利用基于非線性最小二乘法的LM最優算法，替代原BP算法中的梯度下降法訓練神經網絡，求出最佳網絡連接權值和閾值。

利用所采集數據樣本，作為網絡訓練的原始樣本，確定初始連接值和閾值后利用Matlab編程，訓練的速度為0.1，訓練誤差精度為0.01，對網絡訓練9000次，得出最終的各個連接權值和閾值，訓練結束。

4.3.3 故障診斷過程及結果

網絡訓練結束后，將表1中的測試數據輸入訓練好地BP網絡。

經過運算后，網絡輸出層得出如下的診斷結果：

Y= 0.9957 0.0042 0.0600 0.0768

0.0002 0.9995 0.0014 0.0015

0.0846 0.0088 0.9965 0.0211

0.0202 0.0133 0.0003 0.9620

從測試結果可以看出，診斷結果與實測值具有良好的一致性，診斷誤差分別為0.0043、0.0005、0.0035和0.0380可見診斷誤差非常小，因此可以判定，該BP神經網絡完全可以滿足柴油機燃油系常見故障的診斷要求。

5 結束語

仿真試驗表明，基于優化的BP神經網絡的故障診斷結果與實測值具有良好的一致性，只要選擇足夠典型的原始故障樣本訓練BP神經網絡，網絡的容錯性和穩定性就較好。針對設備運行的復雜性，僅選用單一的診斷參數往往會做出錯誤的判斷，而基于神經網絡的故障模式識別方法能充分利用信息特征，實現輸人與輸出之間的映射關系，得出準確的診斷結果。

【參考文獻】

[1]黃麗.BP神經網絡算法改進及應用研究[D].重慶師范大學，2008：6-15.

[2]孫即祥.現代模式識別[M].國防科技大學出版社，2001，5.

[3]李國勇.智能控制及其MATLAB實現[M].電子工業出版社，2005，5.

[4]李煥良，等.基于BP神經網絡的電氣系統故障診斷[J].起重運輸機械，2005，6：55-56.

[5]王俊生.柴油發動機燃油系統的故障分析研究[J].山西建筑，2003，4：250.

第6篇：循環神經網絡的優點范文

關鍵詞:中央空調；末端設備；智能控制；節能

中圖分類號：TE08文獻標識碼： A

一、前言

能源是經濟發展的重要基礎，當前我國的能源供給十分緊張，對經濟發展和社會進步帶來一定的阻力。因此，走可持續發展路線是經濟發展的必由之路。節能減排要滲透到社會生活的方方面面。當前，空調是大型建筑和辦公的必要設備，其能耗是驚人的。因此，要重視空調節能，提高空調能源利用。

二、中央空調末端設備控制

中央空調末端控制設備具備智能和遠程控制的功能,是實現空調系統節能控制與管理的基本要求。傳統的中央空調末端設備基本上是獨立運行,調節目標和運行狀態完全取決于用戶,顯然無法支持空調系統運行管理節能。在這種控制器的支持下,不僅可以實現空調末端設備的節能運行,更重要的是可以通過控制網絡將數量眾多的末端設備集成在一個管理平臺上,充分利于現代網絡控制與管理的技術手段,有效降低末端設備的運行能耗。

圖1中央空調末端控制器原理框圖

三、中央空調應用節能控制的重要性

通常中央空調在整體建筑結構中占據大概50%的能耗，綜合大樓以及商場則有著更高的耗能。現今，我國大部分的建筑的中央空調系統中均出現沒有正確的計算空調負荷等問題，造成冷熱源機組有著較大的容量選擇，產生“大馬拉小車”的現象。中央空調系統設計自控節能控制時沒有考慮實際情況，有著缺少細膩的設計；在設計水泵運行的定流量時，倘若沒有正確的管理系統，則會導致出現嚴重浪費能源的情況。通常情況下，大部分間接式類型的中央空調主要包含末端循環水系統、冷卻循環水系統、冷凍水系統等方面，與廣地域、多調節、過工況、多設備的冷卻劑以及載冷劑、制冷劑等復合系統有著較大的關系。一般中央空調系統中的實際運行情況、設備負荷等對系統運行的效率起到決定性的作用。因為中央空調系統所采用的設備主要是通過不相同的供應商進行生產，系統控制主要重視控制方法、制冷主機控制器等方面的內容，主機的冷卻水系統控制、工況參數控制、主機負荷等均是給予重視，對于中央空調系統在運行中冷凍循環水的具體參數、末端風系統運行情況、冷循環水系統運行情況則較少考慮，造成中央空調系統的系統參數、設備工作工況無法在最好的狀態下運行，導致在一定程度上浪費能源。

四、空調智能控制系統節能方法

針對所列的傳統控制方式存在的不足，研究智能化控制系統，實現對環境溫度的自動監測，對是否存在人進行智能識別，從而對水泵進行靈活調節，對通風和制冷系統進行控制。

1、建立各類系統

為了對建筑環境中的溫度進行實時監測，需要用到精度較高的溫度傳感器以及回風監測裝置；將采集的室內溫度傳送給中央控制器，該控制器實現對建筑環境溫度的調節。為了對建筑中是否有人進行識別，要用到紅外傳感器，該傳感器將相關信息傳遞給中央控制器，該控制器將會停止無人房間的溫濕度和通風量，并且還能夠保證有人房間的溫濕度以及通風量。

2、建立控制系統

在智能控制系統中，控制方式采用的是以溫差為主的方式，它在保證系統的正常運行前提下不需要在各個支路中添加調節閥門；對水壓和水流量進行調節是在水泵中進行的，它按照預先的比例進行分配，由于商用建筑中各個房間的負荷工況是類似的，適宜于采用預先流量分配法。對冷凍系統最省流量進行計算，設定水泵的轉速為最小值。

3、選擇控制方式

在水系統中，應該建立變頻調速控制方案，包括：以壓差為主的控制方案和以溫差為主的控制方案。對于前者而言，它依據制冷機中的出水壓力和回水壓力的差值保證樓層冷凍水具有恒定壓力。當壓力差在下限值以下，說明系統的負荷較小，應該相應的提高壓差；當壓力差高于上限值時，說明系統的負荷較大，需要適當增加水泵的轉速。對于以溫差為主的控制方案來說，它依據制冷主機的回水溫度和出水溫度，對各樓層的壓力進行調節：當溫差較小時，說明負荷較小，應該將水泵的轉速降低；當溫差較大時，壽命負荷較大，應該提高水泵的轉速，降低溫差。這種控制方式最大化的利用了能源，達到了節能的目的。

五、空調節能系統控制技術

1、模糊控制

在智能控制技術中，模糊控制系統是一個重要的分支，其基礎為：模糊集合論、模糊語言變量及模糊邏輯的規則推理；結合運用計算機技術共同構成一種數字控制系統，系統中存在具有控制作用的反饋通道閉環結構。在當前的制冷領域，模糊控制已經得到了廣泛的應用。在商用中央空調的智能控制系統中，模糊控制依靠各個房間的溫度傳感器得到各自的溫度值，從而計算出溫度的變化率，然后采用模糊算法控制中央空調的運行狀態，從而控制變頻壓縮機和風扇等的轉速。

2、神經網絡控制

在神經網絡控制中，模仿的是人類大腦中的神經系統，建立類似與以神經細胞為基礎的模型，其節點為神經元，其活動網絡為網絡拓撲結構。在神經網絡系統中，最簡單的處理單元是神經元。采用神經網絡控制，在理論上可以實現與非線性映射的一一對映，即：無限逼近非線性映射，從而解決了復雜和不確定的系統控制問題，并且保證了整個系統的穩定性、魯棒性以及容錯性。在該網絡中，有多個輸入和多個輸出，因此實現了對環境變化的實時控制。在中央空調節能控制中應用神經網絡具有十分重要的現實意義，通過傳感器得到各個房間內的濕度、溫度、人數等信息，并輸入神經網絡控制系統中，通過相關程序計算出人體的舒適度值，通過反饋控制實現最優化控制。

3、控制技術優化選擇

如今，對商用中央空調的控制不再是機械式的恒溫控制，已經步入到以計算機為基礎的智能控制階段。作為一個變量多、復雜程度高、時間變化大的系統，該系統中各項因素之間的關系十分復雜，存在嚴重的非線性和強耦合關系。神經網絡控制以及模糊控制在解決這類問題時具有明顯的優越性。其中，前者的主要優點在于：它具有自適應功能，但該優點也正是它的一個不足之處，這是因為，在專家系統中得出的規則無法直接在神經網絡中得到應用。相比之下，模糊控制系統則是由專家系統直接提供規則，這些規則填充于規則矩陣中，在這一點上，它要比訓練一個神經網絡簡單得多；但是模糊控制也存在弊端，模糊控制的自適應能力較差。結合上文分析，聯想到將神經網絡控制和模糊控制相結合，共同應用于中央空調節能系統中，實現最優控制。采用神經網絡控制對采集到的溫度、濕度以及人數等參數進行處理，得到人體的舒適度值；采用模糊控制將人體的舒適度值控制在最佳值附近，實現空調的智能化控制，同時也實現了節能。

六、加強對空調的維護保養管理

為防止安全事故發生,應該不斷加強中央空調的維護保養,確保中央空調正常運轉,嚴格要求機械操作人員認真做好中央空調的維護保養工作,具體要求如下:要求機械操作人員每天認真填寫中央空調運行、運轉記錄；機械操作人員嚴格執行三檢制：即工作前、工作中、工作后都應對自己所操作的機械進行認真的檢查；組織專業人員定期對中央空調進行安全性能檢查。這樣，既保證了中央空調的正常運轉，又充分發揮了中央空調的使用效率，并消除了一切使中央空調遭到損壞、人身受到傷害的因素或現象，從而避免了機械事故的發生，確保節能減排工作的順利實施。中央空調的操作人員和管理人員都應該嚴格執行持證上崗制度，定期培訓。

七、結束語

總之，采取正確有效的節能手段和方法，實現中央空調智能系統的節能，對于國家經濟的發展具有重要的意義。

參考文獻

第7篇：循環神經網絡的優點范文

關鍵詞：神經模糊系統;堆垛機;故障診斷

中圖分類號：F253.9 文獻標識碼：A

Abstract： Stacker is a kind of complex logistics equipment， it's complex fault showing fuzzy relationship between the cause and symptom. Neuro-fuzzy system is used to diagnose the complex fault of the stacker in this paper. Fusion the BP neural network and Mamdani fuzzy system， combined experience of the experts in the maintenance field to sign the membership of fault symptoms， and using PSO to optimize BP-NN parameters. Simulation results show that the system can effectively determine the cause complexity， improve equipment maintenance efficiency.

Key words： neuro-fuzzy system; stacker; fault diagnose

0 引 言

航空貨運伴隨經濟全球化進程和日益激烈的企業競爭得到了飛速發展。航空貨運是高附加值高速高效的貨運手段，在貨物運輸總時間中，機場貨運站貨物處理時間占據了近80%，因此貨運站工作效率高低直接影響到航空貨運的效率。貨運站中物流裝備的工作效率及平均無故障運行時間是保障整體效率的關鍵因素之一。

升降式轉運車（Elevating Transfer Vehicle， ETV）是大型機場貨運站內結構剛度、制作精度、安全性要求最高、貨物存取動作最多、控制策略最復雜的大型機電設備，是一個大型航空貨運站貨運能力的標志。作為控制性核心設備，在ETV發生較復雜故障時，能夠快速診斷并處理，就顯得尤為重要。

ETV的基本結構如圖1所示，由于ETV本身的復雜性，它的復雜性故障原因與征兆之間呈現出較復雜的邏輯關聯關系，呈現出“多因一果”、“多因多果”、“一因多果”等特點，很難用單一的判別函數進行故障分離和解析。因此，考慮使用神經網絡+模糊推理系統融合的模式進行診斷判別研究。

1 模糊神經網絡

模糊推理（Fuzzy System， FS）技術和神經網絡（Neural Network， NN）能夠很好的融合，源于兩者的相似性。兩者均是具有并行處理能力的非線性輸入/輸出系統。FS和NN融合，將符號處理（物理符號機制）和非符號處理（聯絡機制）進行了有效關聯，將不精確處理與精確處理做了很好的互補。因此，融合有助于提高模糊推理系統的自適應能力，同時提高了NN的全局性能與可觀測性。這里選用Mamdani模型FS和BP-NN進行融合。

Mamdani模型選用極大―乘積復合推理范式，規則形式一般為：

設U■，U■，…，U■為n個有界論域，記U■=a■，b■。每個論域按一定規則劃分為l個凸模糊子集R■，其隸屬度函數記為μ■x■。模糊規則集表示為：

M■： if x■ is R■ and x■ is R■ and

… and x■ is R■ then y is y■

其中j=1，2，…，m，m為模糊規則數。結論“y is y■”由前提和第j條模糊規則得到。

μ■=μ■x■?μ■x■…μ■x■?μ■ （2）

最終系統的輸出可以用“重心法”求得，其中ε■為第j條規則權重（重要度）。

y=■ （3）

堆垛機故障診斷屬于多輸入―多輸出（MIMO）的模糊推理系統，為研究方便，可以將其分解成多個多輸入―單輸出（MISO）的系統，給出系統結構如圖2所示。

該系統分成5層，第一層為輸入層，第二層對應模糊系統條件（IF），輸出輸入變量對應模糊集的隸屬度函數，在本系統中，隸屬度生成函數使用高斯函數：

μ■=e■ 1≤i≤n， 1≤j≤m （4）

第三層是推理層，輸出對應每條規則的適應度，π■節點是乘法器。輸出為所有輸入的乘積，設為α■，α■的計算如（5）所示：

α■=■μ■■ i=1，2，…，n; j=1，2，…，m （5）

第四層計算式（3）中的分子和分母值。分子為■w■?α■?y■，其中w■等價于式（3）中的ε■。第四層的計算結果和第五層一起實現最終的去模糊化處理工作。

由圖2結構看，該神經模糊系統本質和多層前饋神經網絡是一致的，可以參考BP神經網絡的誤差反傳算法來調整參數。這里面主要需要調整的參數為隸屬度函數的寬度σ■■和中心值c■■，此外還有第四層輸出規則置信度w■。參數調整公式有：

■ （6）

式中，η為學習率，一般取大于零的數。c為輸出的數據個數，m■是u■的模糊分割數。

2 故障征兆采集與模糊處理

根據現場試驗和專家維修經驗，通過技術資料整理歸納，做出故障征兆信息的隸屬度分布。

X■：“噪音及振動”=■+■+■+■+■

X■：“變頻器電流”=■+■+■+■+■

X■：“定位超時”=■+■+■

X■：“運行速度超標”=■+■+■+■+■

X■：“存取貨超時”=■+■+■

X■：“動作執行步驟不完備”=■+■+■

+■+■

X■：“電機過熱”=■+■+■

X■：“安全互鎖失效”=■+■

X■：“動作執行錯誤”=■+■

對復雜故障，主要界定一級故障原因。堆垛機復雜故障一級原因主要有：y■檢測控制光電未報警失效;y■通信故障;y■軟件故障;y■變頻器故障;y■電機減速器滾筒故障;y■鋼結構變形故障。同時確定故障的模糊范疇描述，如表1所示：

根據設計人員、維修人員、工程專家及現場歸納，做出如表2所示的故障征兆與故障原因對應關系的模糊規則庫，同時該庫作為神經模糊系統網絡的訓練樣本。

3 神經網絡訓練與故障診斷

神經模糊系統結構模型本質是BP神經網絡，因此也存在著一些BP神經網絡固有的缺陷，例如容易陷入局部極值、收斂速度慢等。此外，隸屬度函數的參數a和c■■，以及規則權重值w■等都嚴重依賴專家經驗，而BP網絡訓練時對初始權值和閾值非常敏感，容易造成優化失敗。采用粒子群算法優化BP神經網絡是目前比較通用的一種做法，它是利用粒子群算法經驗參數依賴度低、全局搜索能力強、并行計算等優點來提高BP權值訓練速度，避免陷入局部極小比，提升其推廣概括能力。

本文采用的粒子群優化BPNN的方式是：在確定神經網絡結構的基礎上，將BP網絡的權值按統一的次序排列為一個向量的元素，將該向量作為粒子群中的一個粒子，然后將BP神經網絡正向傳播過程得到的誤差作為PSO算法的適應度函數，由BP神經網絡和PSO算法的循環迭代來找到最佳的BP網絡的權值。

采用PSO優化方法，其中粒子編碼長度為（5+5+3+5+3+5+3+2+2）×2+7×6=108。設定訓練目標均方誤差目標為0.001，最大循環次數為10 000次。PSO的參數設定為：c■，c■分別設為2.5、1，慣性權重w采用由shi提出的線性遞減權重策略，即：

w=w■-■×t （7）

式中：w■=0.9，w■=0.4，t為當前迭代次數;最大限制速度V■。算法優化網絡訓練情況如圖3所示。網絡的仿真輸出如表3所示，采用PSO優化方法，經過130次左右的訓練，誤差滿足要求，網絡訓練成功。

系統輸出故障原型的隸屬度向量y，通過判斷分析y來確定故障原因。故障原因分析可以采用最大隸屬度原則，即將輸出層中最大隸屬度節點作為故障原因，這種方法雖然可行，但是和實際現場是有差異的。作為一臺機電一體化設備，堆垛機融合了計算機技術、通信技術、電子技術、控制理論等多門學科理論與技術，其復雜故障，往往不是一個單一的原因造成的，往往是由主要原因和輔助原因共同作用產生的結果，這就是“一果多因”的情況。因此需要根據輸出結果，綜合表1設定的故障模糊輸出隸屬度，來綜合判定系統的輸出代表的故障類型。

選擇一個非樣本輸入，檢測系統的容錯和泛化能力。輸入故障征兆：

X=■+■+■+■+■+■+■+■+■

得到網絡輸出為：

Y=0.0000;0.0012;0.0002;0.6014;0.9927;0.0001

采用故障模糊隸屬度判斷，該故障主要原因應該是電機故障，但是變頻器可能也有故障存在，優化計算得到的結論與工程現場實際做出的判斷相符合。根據分析建立的故障診斷系統，加入了在北京首都國際航空貨運站中集天達空港工程有限公司堆垛機控制系統中，作為控制系統的一個獨立功能模塊存在。通過實際驗證，系統能夠有效準確地對堆垛機復雜故障作出有效的故障原因分析，對復雜多原因的情況，能夠給出可能原因的置信度，使維修工作能夠有重點，同時不放過其他可能性，更加符合現場的實際應用。

4 總 結

經現場統計，使用了該系統后，堆垛機的MTBF從原設計的500小時提升到了978小時左右，說明該系統對故障的定位分析準確。將故障處理在萌芽狀態，是提升MTBF的有效途徑。同時由于建立了故障征兆信息實時提取系統，將定量的一些指標參數實時輸入系統，其系統就具備了故障的預判功能，在征兆剛出現的時候，就能夠綜合判斷可能會發生的故障，從而為設備的維護保養提供了科學的參考依據。

參考文獻：

[1] Javier Garcia F， Virginia Izquierdo， Miguel Luis J.de， et al. Fault diagnostic system using analytical fuzzy redundancy[J]. Engineering Application of Artificial Intelligence， 2000，13（2）：441-450.

[2] Vemuri AT， Marios M P. Neural network-based robust fault diagnosis in robotic systems[J]. IEEE Trans. on Neural Networks， 1997，8（6）：1410-1419.

[3] 李醫民，胡壽松. 模糊神經網絡技術在故障診斷中的應用[J]. 系統工程與電子技術，2005，27（5）：948-952.

[4] 湯F安. 基于軟計算融合的城市道路交通資源選址研究[D]. 蘭州：蘭州交通大學（博士學位論文），2011.

[5] 牛強. 語義環境下的礦井提升機故障診斷研究[D]. 徐州：中國礦業大學（博士學位論文），2010.

第8篇：循環神經網絡的優點范文

摘 要：針對現有的積冰后阻力系數預測模型與實驗數據誤差較大，而且無法滿足三維機翼的預測需求的問題，提出了一種基于廣義回歸神經網絡的改進預測方法。基于現有的積冰理論和實驗結果，分析了可能影響積冰外形的環境參數，并針對三維機翼的特點對上述參數進行修正，從中抽取了影響最大的一組影響因素作為網絡的輸入。為了達到最優的結果，采用交叉驗證的方法預估平滑參數。仿真結果表明，該方法對于無后掠機翼的預測結果的精確度顯著高于現有的Bragg，Gray，HPC模型，同時對于有后掠的機翼依舊能保持較高的精度。

關鍵詞：飛機積冰 飛行力學 廣義回歸神經網路 阻力預測

中圖分類號：V24 文獻標識碼：A 文章編號：1674-098X（2016）08（a）-0014-05

Prediction of Wing Drag Coefficient in Icing Conditions Based on Generalized Regression Neural Network

Tian Muyin Su Yuan

（School of Aeronautics Science and Engineering， Beihang University， Beijing， 100191， China）

Abstract： For the large errors between existing iced wing drag coefficient prediction models and results of experiment， animproved prediction method used generalized regression neural network， also known as GRNN， was developed. Based on the previous research results， those critical icing condition parameters werechosen and adjusted to 3D ice accretion. With all the parameters defined， they became the input of the neural network. In order to obtain the best fitting result， K-fold cross validation was used to determine the smoothness parameter. The preliminary results show thatthe calculated drag coefficient matched well with experiment data from various sources and this method performed better than existing model.

Key Words：Aircraft icing； FLight dynamic； GRNN； Drag coefficient prediction

飛機積冰一般是指過冷水滴或冰晶撞擊到機體表面積聚形成冰層的現象。飛機積冰，特別是翼面積冰會導致操縱效率和安全裕度降低，嚴重時會造成機毀人亡。AOPA統計了1990―2000年的飛行事故，在所有由氣象因素導致的事故中，積冰事故占12%，達到388起[1]。鑒機結冰的嚴重危害，人們對于它的研究可以追溯到20世紀初，并且在20世紀30年代就有了簡易的除冰系統[2]。1948年，Preston和Blackman[3]進行了首次成功的結冰飛行實驗。實驗中阻力系數增加了81%，駕駛員明顯感到飛機幾乎要超出可控邊界。

目前為止最為完整的試飛數據來自于NASA對DHC-6雙水獺飛機的實驗。實驗詳細測量了不同冰形，不同結冰條件下的飛機性能，并通過改進的最大似然法和改進的逐步回歸法對氣動導數進行辨識[4]。與此同時，飛機的推力、著陸襟翼和迎角等因素的影響也被加以研究。

NASA還與FAA合作進行了平尾結冰項目[5]（TIP）的試飛工作，獲得了操穩特性受積冰影響的規律[6]。

相比行試驗，冰風洞實驗由于其安全、高效、相對廉價的特性成為了獲得結冰后飛機部件性能數據的主要手段。目前國際上最著名，數據也最權威的冰風洞是NASA的IRT風洞。國內由于之前投入較少，這種大型冰風洞還處于摸索和建設階段。

基于風洞實驗數據，前人建立了多種積冰后的阻力系數預測模型，分別是NASA的Bragg（Olsen）模型[7]、NASA的Gray模型[8]和Han的HPC模型[9]。

Bragg（Olsen）模型是Bragg教授根據IRT風洞中NACA 0012翼型的實驗結果所歸納出的一個十分簡單的分段線性模型。它只包含了3個參數：累積系數Ac，總收集效率E，凍結系數n的函數g（n）。由于基礎數據較為單一，形式簡單，該模型的精度在所有模型中最差。

Gray模型的數據來源于無后掠的NACA 65A004翼型實驗，包含參數較多。相比于Olsen模型，增加了積冰時的迎角和正常飛行時的迎角，總的收集效率E。

由于數據來源的限制（只對某一種翼型進行了風洞測試），Gray模型和Olsen模型一樣存在著精度較差，適用范圍窄的問題。

在20世紀末，由于CFD技術的發展，這種工程方法一度銷聲匿跡。然而CFD方法雖然精度較高，但是計算速度慢、硬件要求高的特點使得它無法用在對實時性要求非常高的在線預測上，工程方法再次體現了其生命力。HPC模型[9]是Yiqiang Han于2012年利用Gray，Flemming，Olsen，Shin等人的實驗數據，與自身進行的冰風洞試驗作對比，采用線性回歸方法得出的估算模型。

與之前兩個模型相比，HPC模型考慮的影響因素更多（具體符號含義見1.2節），涉及多種翼型和外界環境條件，所以擬合出的近似公式精度遠高于它們，誤差約為±33.4%。

當前，大多數飛機的機翼都存在著一定的后掠，而后掠效應會使得機翼前緣的冰型發生改變，從而改變機翼的氣動系數。以上的3個模型都僅針對二維翼型，未能體現出后掠的影響，該文的預測模型會將后掠效應也考慮在內，以使其具有更好的適用性。

1 通過外界條件預測積冰后機翼阻力系數

1.1 廣義回歸神經網絡（GRNN）簡介

廣義回歸神經網絡（Generalized Regression Neural Network）是由Donald F Specht于1991年提出的，是徑向基神經網絡的一種。它具有以下優點[10]：

（1）很強的非線性映射能力及高度容錯性、魯棒性，適宜解決非線性問題。

（2）它的網絡結構相對簡單，除了輸入和輸出層外，一般只有兩個隱藏層：模式層和求和層（圖1）。而模式層中隱藏單元的個數與訓練樣本的個數是相同的。

（3）它的網絡訓練非常簡單。當訓練樣本通過隱藏層的同時，網絡訓練隨即完成。而不像前饋神經網絡一樣，需要非常長的訓練時間和高的計算成本。

（4）由于簡單的網絡結構，大家不需要對網絡的隱藏層數和隱藏單元的個數進行估算和猜測。由于它是從徑向基函數引申而來，因此只有一個自由參數，即徑向基函數的平滑參數。而它的優化值可以通過交叉驗證的方法非常容易地得到。

（5）最后，它的一個非常值得強調的優點就是，網絡計算結果的全局收斂性。標準的前饋神經網絡的計算結果則經常不能達到全局收斂，而停止在局部收斂。

1.2 訓練樣本的參數選擇

由機積冰是一個非常復雜的相變過程，很多氣象參數和飛行狀態參數都會對其產生重要影響。為了提高神經網絡的泛化能力，需要對各類積冰影響參數作出選擇和組合。

根據目前的研究，顯著影響積冰形狀和位置的因素有如下幾個[7，9，13]：平均水滴直徑（MVD）、液態水含量（LWC）、環境溫度T，積冰時間τ，來流速度V，來流迎角α，積冰迎角αi，機翼后掠角Λ，機翼自身的幾何特性。

機翼自身的幾何特性影響的是水滴撞擊位置的分布，所以這種影響可以用當地收集效率β來表示，考慮到計算的可行性，進一步特化為駐點處的當地收集效率β0，其計算方法為：

（1）

當存在后掠時，若后掠角為Λ，此時駐點處的當地收集效率β0，Λ可以表示為一個與后掠角有關的函數：

（2）

式（1）中K0是修正慣性參數，由Langmuir和Blodgett提出[2]，表達式為：

（K-）當 （3）

上式中，慣性參數K取為：

（4）

V為來流速度；MVD為過冷水滴直徑；ρw為液態水的密度；d為機翼前緣半徑，μa為空氣動力粘度。

λ/λStokes為無量綱的水滴范圍參數，根據過往的實驗數據可以近似定義為：

（5）

Reδ被定義為水滴的雷諾數，用來流速度V，水滴直徑MVD，空氣密度ρa，空氣粘度μa進行定義：

Re （6）

液態水含量和積冰時間的影響主要可以被歸結到一個被稱為累積系數（Ac）的參數上。

（7）

機翼積冰（特別是明冰）與機翼表面的水膜流動息息相關，即使其他條件一致，隨著表面張力的變化，機翼的冰型也會隨之發生變化。2003年，Anderson和Tsao[12]引入了韋伯數WeL的概念用來描述表面張力的影響：

（8）

上式中V為來流速度；L為特征長度，該文中將L取為前緣半徑（d）的兩倍；ρw為液態水的密度，σ為過冷水滴的表面張力。該參數對霜冰影響不大，對于明冰的影響較為顯著。

根據文獻[13]，NASA的Glenn中心曾經提出過一種比例理論，即他們認為：對于兩個等比縮放的機翼，若保持β0，Ac，凍結系數n0，WeL相同，其表面生成的冰型也應是近似等比縮放的。所以根據這個理論和前人所提出的模型，該文選用的積冰參數如表1所示，它們將作為輸入變量被導入至廣義回歸神經網絡。前文提到的由于難以精確計算，故該文不將其直接列入選用的積冰參數之中，而是通過多個冗余參數來近似代替。

1.3 訓練樣本的數據來源

該文所用的訓練數據來自于已出版的公開文獻，以NASA Glenn中心的IRT風洞實驗數據為主，具體引用狀況如表2所示。

2 實驗分析

2.1 網絡的搭建與訓練

由于網絡結構簡單，所以不需要對隱藏層和隱藏單元的個數和結構進行猜測，只需要求出徑向基函數的平滑參數，即SPREAD值。由于訓練樣本較少，采用交叉驗證的方法訓練GRNN網絡，并循環找出最佳的SPREAD值，以達到最好的訓練效果。該文所用網絡采用matlab的神經網絡工具箱進行實現。

因為表2中的文獻數據部分參數有缺失和錯誤，所以經過刪減后訓練樣本的最終數目為256組。

2.2 結果與分析

圖2中阻力系數為冰風洞試驗結果，為廣義回歸神經網絡的預測結果。

在所有256組數據中，79.29%的數據落入10%的誤差區間內，90.20%的數據落入30%的誤差區間內，96%的數據落入50%的誤差區間。

NASA的Bragg（Olsen）模型和Gray模型的誤差大致在50%～70%，HPC模型的誤差至少為33.4%。通過圖3、圖4可以看出：與前人的模型相比，即使由二維翼型擴展到了帶后掠的機翼，廣義回歸神經網絡的結果誤差依舊更小，特別是在嚴重積冰（阻力增量較大）的區域的吻合度遠優于HPC模型，說明該方法能更好地預測積冰后的阻力系數；同時該方法依舊保有工程方法計算速度快的特點，平均僅耗時0.2 s。偏離中心線較遠的數據主要來源自帶有后掠角的積冰實驗，這可能是后掠翼積冰的訓練樣本相對較少所致，也有可能是因為Tsao擬合出的式（2）存在著一定的誤差。

3 結語

基于廣義回歸神經網絡，提出了一種考慮到后掠效應的積冰后機翼阻力系數預測模型。仿真結果表明：在機翼沒有后掠角的情況下，該方法的估計精度遠優于現有的預測模型；除此之外，該模型還能預測現有模型無法做到的有后掠角的情況下的阻力系數，并依舊能夠保持較高的預測精度。

參考文獻

[1] Safety Advisor.Aircraft Icing [EB/OL]. [2013-05-01].https：///-/media/files/aopa/home/pilot-resources/asi/safety-advisors/sa22.pdf？la=en.

[2] Michael B Bragg， William R Perkins，Nadine B Sarter， et al. An Interdisciplinary Approach to Inflight Aircraft Icing Safety [M].AIAA， 1998.

[3] Preston G M， Blackman C C. Effects of Ice Formations on Airplane Performance in Level Cruising Flight [M].National Advisory Committee for Aeronautics，1948.

[4] Ratvasky T P， Ranaudo R J. Icing Effects on Aircraft Stability and Control Determined from Flight Data. Preliminary Results， NASA TM 105977 [R].AIAA，1993.

[5] Ratvasky T P， Van Zante J F， Riley J T. NASA/FAA Tailplane Icing Program Overview [M].National Aeronautics and Space Administration， Lewis Research Center，1999.

[6] Ranaudo R J， Mikkelsen K L， McKnight R C， et al. The Measurement of Aircraft Performance and Stability and Control after Flight through Natural Icing Conditions [Z].1986.

[7] Olsen W， Shaw R， Newton J. Ice shapes and the resulting drag increase for a NACA 0012 airfoil [Z].National Aeronautics and Space Administration，1984.

[8] Gray V H. Correlations among ice measurements， impingement rates icing conditions， and drag coefficients for unswept NACA 65A004 airfoil [Z].1958.

[9] Han Y， Palacios J. Analytical and experimental determination of airfoil performance degradation due to ice accretion [C]//4th AIAA Atmospheric and Space Environment Conference.2012.

[10] 聞新，周露，李翔，等.MATLAB神經網絡仿真與應用[M].北京：科學出版社，2003.

[11] Langmuir Irving， Blodgett， Katharine B.A Mathematical Investigation of Water Droplet Trajectories [M].Army Air Forces Headquarters，1946.

[12] Anderson David， Tsao J C. Additional Results of Ice-Accretion Scaling at SLD Conditions [C]//41st Aerospace Sciences Meeting and Exhibit.2003.

[13] Tsao J C， Lee S. Evaluation of Icing Scaling on Swept NACA 0012 Airfoil Models [R].NASA，2012.

[14] Shin J， Bond T H. Results of an icing test on a NACA 0012 airfoil in the NASA Lewis Icing Research Tunnel [R].National Aeronautics and Space Administration，1992.

[15] Gray V H. Prediction of aerodynamic penalties caused by ice formations on various airfoils [R].National Aeronautics and Space Administration，1964.

[16] Bowden D T. Effect of Pneumatic De-icers and Ice Formations on Aerodynamic Characteristics of a Airfoil [Z].Technical Report Archive & Image Library，1956.

第9篇：循環神經網絡的優點范文

關鍵詞：變壓器油；油氣分離；在線監測；油中溶解氣體；診斷

Abstract: this paper mainly introduces the gases dissolved in transformer oil on-line monitoring technology, this paper summarizes the main research results at home and abroad, and finally proposes some fault diagnosis method.

Keywords: transformer oil; Oil and gas separation; Online monitoring; The dissolved gas; diagnosis

中圖分類號：TU74文獻標識碼：A 文章編號：

1變壓器油中溶解氣體在線監測

1.1油氣分離技術

油氣分離技術是絕緣油中溶解氣體色譜在線監測系統的核心，也是難點之一，怎樣快速高效的分離油氣且能夠自動、長壽命、無污染以及不消耗絕緣油溶解在變壓器油中的微量故障特征氣體，是變壓器油溶解氣體色譜在線監測技術發展的趨勢。

(1)膜油氣分離裝置。在學者們對滲透膜進行了大量研究，用高分子材料分離膜滲透出油中氣體，并制作成相應的在線監測系統對變壓器油進行分析后，又相繼研制成功了聚酰亞胺、聚六氟乙烯和聚四氟乙烯等各種高分子聚合物分離膜，以及相應的監測裝置。由于聚酰亞胺等透氣性能和耐老化能力差，而聚四氟乙烯的透氣性能好，又有良好的機械性能和耐油等諸多優點，因此國內外早期產品選用聚四氟乙烯作為油中溶解氣體監測儀上的分離膜。

(2)波紋管頂空式分離技術。利用波紋管的不斷往復運動，將變壓器油中的氣體快速的脫出，具有效率高、鶯復性好的優點。并且采用循環取油方式，油樣具有代表性。但由于頂空方式的油樣與氣樣之間沒有隔離，脫出的氣樣中會含有少量的油蒸汽，從而造成對色譜柱的污染，降低色譜柱的使用壽命。且波紋管的壽命有限，同時由于波紋管的磨損，對變壓器油存在一定程度的污染。

(3)動態頂空式分離技術。主要原理是以載氣在色譜柱之前往油中通氣，將油中溶解氣體置換出來，送入檢測器檢測，根據油中各組分氣體的排出率調整氣體的響應系數來定量。這種方式脫氣速度較快，但由于要不斷通入載氣，不能使用循環油樣，以免載氣進入變壓器本體油箱，因此油樣代表性差。另外，在脫氣完畢后，必須把油樣放掉，這樣每次檢測必然消耗少量的變壓器油。

(4)真空鼓泡式分離技術。在恒溫狀態下，將油氣分離裝置抽為真空，然后將油樣導入脫氣裝置，從油中析出氣體在氣泵的作用下對油樣進行鼓泡，待液相油中氣體濃度與氣相濃度達到溶解平衡時，停止鼓泡。該方法的優點是脫氣率高、重復性好，不污染變壓器油，油氣分離速度快，可實現連續脫氣。

1.2混合氣體分離

混合氣體的分離和檢測主要有單組分氣體檢測和多組分氣體的分離和檢測。單組分氣體的檢測主要是對氫氣和可燃總烴進行的檢測。利用滲透膜進行油氣分離，常用的氫氣檢測器主要有鈀柵極場效應管、催化燃燒型傳感器和燃料電池。多組分氣體檢測器主要有熱導檢測器、陣列式氣敏傳感器法、半導體氣敏傳感器、紅外光譜技術和光譜聲譜技術。

1.3數據采集和處理

色譜數據采集器將采集到的氣體濃度電壓量通過通訊總線上傳給安裝在主控室的數據處理服務器，數據處理服務器根據儀器的標定數據進行定量分析，計算出各組分和總烴的含量以及各自的增長率。

1.4故障診斷

在線監測軟件根據各種氣體含量對變壓器狀態進行狀態評價，從而實現變壓器故障的在線監測，預測變壓器潛伏性故障

2主要研究成果

2.1國內成果

(1)BSZ系列大型變壓器油色譜在線監測裝置BSZ系列大型變壓器油色譜在線監測裝置是由東北電力試驗研究院和本溪供電局聯合研制的。它由油樣引入系統、檢測部分和在線遙控器3部分組成。采用自動全脫氣進樣、色譜儀分析、定期向遙控顯示器發送檢測結果。檢測的氣體是甲烷、乙炔、乙烯、乙烷。BSZ一1型裝置于1993年3月研制成功，在試運行期間，裝置獲得了良好的效果。隨后又相繼推出了BSZ一2、BSZ一3型，并不斷的提高改善監測的穩定性、抗干擾能力、報警功能、油循環系統、工藝水平等。

(2)TRAN變壓器早期故障監測儀

TRAN型變壓器早期故障監測儀系北京電子管廠生產，其前身為BGY—l型變壓器在線監測裝置。BGY—l型氫氣監測儀，其性能不穩定，容量出現誤報，需經常調整、標定、維護，顯得麻煩。因此，雖然當時大力在各省推廣，但后來基本上全部退出使用。TRAN型監測儀在BGY—l型裝置的基礎上，改單通道為雙通道，增加了判別油中產氣速率的功能，提高了裝置的可靠性。TRAN儀器采用高分子薄膜透氫，以鈀柵場效應管作為檢測器，通過溫度補償來測量氣室中氣體濃度，從而換算出油中氫氣濃度。如果超過警戒值，則發生聲光報警。

(3)DDG一1000氫氣在線監測儀

DDG一1000變壓器油中溶解氫氣在線監測儀是中國電科院研制的產品。該裝置采用特制的聚芳雜環高分子膜透氫和載體催化敏感元件作為檢測器。該儀器結構簡單，安裝方便，能自動定時檢測并顯示測試結果，己在變電站和電廠投運6臺，最小檢測濃度可達lυL／L。

(4)MGA2000-7H系色譜在線監測系統

MGA2000-7H色譜在線監測系統是寧波理工的第三代在線監測系統，采用納米晶半導體材料添加稀有金屬，廣譜型納米晶半導體氣體檢測器，由于納米晶材料具有松散的顆粒結構，利于氣體的迅速擴散，從而提高了響應速度和檢測靈敏度。

2.2國外成果

(1)HYDRAN201R型監測儀

HYDRAN201R型監測儀是由加拿大SYPROTEC公司研制的產品。HY—DRAN201R工作原理是采用可滲透氣體的聚四氟乙烯薄膜來測量溶解氣體的擴散率。測試時，安裝在變壓器上的傳感器的薄膜與油接觸，溶解氣體滲過膜進入燃料電池空腔內，在空腔內，氣體迅速被燃料電池消耗掉。每個氫分子到達燃料電池的陽極時便會產生2個電子與2個氫離子，周圍空氣中的氧在陰極處與氫離子發生還原反應生成水。由燃料電池所產生的電子流通過讀取一個負載電阻上的電壓值來測定，經過信號放大，顯示出油中氫氣的濃度。傳感器的輸出取決于通過膜滲透的速率，而滲透速率又與油中溶解氣體的濃度成正比。

(2)Transfix變壓器油中溶解氣體及微水在線監測系統

Transfix變壓器油中溶解氣體及微水在線監測系統是英國凱爾曼公司的產品。該產品突破性地采用了英國凱爾曼公司專利的光聲光譜(PAS)檢測技術，采用穩定可靠的光聲光譜檢測模塊，是新一代的油中溶解氣體及微水在線監測裝置，可提供油中八種溶解氣體及水分含量，但其檢測精度不高、高透過率的濾光片難以制造以及對油蒸汽污染敏感，環境適應能力較差。

(3)DRMCC變壓器在線監測系統

DRMCC變壓器在線監測系統是澳大利亞wilson變壓器公司推出的產品。該系統同時通過油色譜分析法、微水分析法和熱比模式法來綜合判斷變壓器的絕緣狀況。該系統已經在澳大利亞、美國和日本等發達國家相繼使用，用戶給予了相當高的評價。

3故障診斷方法

IEC推薦的三比值法廣泛應用于電力部門，但經過長時間的實踐，發現其編碼與變壓器故障之間并非一一對應，有些故障類型并沒有相應的編碼，出現缺碼現象。針對這種情況，研究人員應用神經網絡、支持向量機、模糊數學、粗糙集等現代數學手段對三比值法進行改進，提高變壓器故障識別能力和診斷的準確率。

3.1人工神經網絡(ANN)

人工神經網絡方法是一種全新的、有前景的故障診斷方法在知識獲取上，不需要由知識工程師整理、總結以及消化領域專家的知識，只需要用領域專家解決問題的實例或范例來訓練神經網絡，其知識獲取具有更高的效率，神經網絡的知識推理是通過神經元之間的相互作用實現的，從總體上講，神經網絡的推理是并行的，速度快。

在神經網絡中，允許輸入偏離學習樣本，只要輸入模式接近于某一樣本的輸入模式，則輸出也會接近學習樣本的輸出模式，這種性質使ANN具有聯想記憶能力，在許多領域的故障診斷系統中得到了應用，王財勝將BP神經網絡應用于變壓器故障診斷，建立起學習樣本集，提出了兩種輸入方式，并用它對神經網絡進行訓練。通過驗證，結果顯示該BPNN診斷法有較高的準確性。

3.2支持向量機

支持向量機（Support Vector Machine，SVM）是在統計學理論基礎上發展起來的一種新的、非常有效的機器學習方法。利用最小二乘支持向量機，變電站的實際運行數據，采用結構風險最小化原理，使用非線性回歸，分析變壓器油中溶解氣體之間的復雜關系對并其進行診斷。數據的分析精度的控制主要由遺傳算法以及支持向量機參數的優化構成。

3.3模糊理論

模糊診斷不需要建立精確的數學模型，適當運用隸屬函數和模糊規則，進行模糊推理就可以實現模糊診斷的智能化。模糊聚類法(ISODATA)是一種較好的模糊系統辨識方法，利用模糊關系矩陣解決不完全對應問題，用模糊綜合評判的方法診斷電氣設備故障。

張冠軍將此方法應用到變壓器故障診斷中，通過動態聚類的方法構造最優模糊分類矩陣和聚類中心，然后按與中心最近原則確定故障類別。在此基礎上，孫才新結合模糊集理論和各種聚類算法提出模糊模式動態多層聚類算法，選用模糊貼近度作為樣本之間的相似性尺度，采用動態分類求取最優分類結構，逐步對樣本集進行更為細致的分類，獲得了較高診斷正確率。

3.4粗糙集理論

粗糙集理論是一種較新的軟計算方法，它能夠有效地分析和處理不精確、不一致、不完整等各種定性、定量或者混合性的不完備信息，可以描繪知識表達中不同屬性的重要性，進行知識表達空間簡化。

鑒于電力變壓器信息的不完備性及復雜性，莫娟提出了一種能較好處理不完備信息的變壓器故障診斷模型。該模型基于對大量電力變壓器故障征兆及故障類型的分析統計，利用粗糙集進行約簡以獲取診斷規則。同時，還可通過豐富訓練樣本、修正決策表的自我完善方法使診斷效果不斷提高。實例表明，該方法的確能夠提高故障細分、診斷的正確性。

4結束語

變壓器在線監測的最終目的是保障變壓器的安全運行。高效益的在線監測能在長期運行中降低設備的事故率，實現狀態檢修，減少維護工作量，降低維修費用。油中溶解氣體在線監測是一項很有發展前景的技術，對于監測裝置，小型化、智能化、簡單化以及高可靠性是其發展的方向，而將更加快速、準確的診斷方法應用其中，也是變壓器在線監測與故障診斷技術的發展趨勢。

參考文獻：

[1]趙福生。BSZ 系列變壓器油色譜在線監測裝置。變壓器，2002，39(增刊1)

[2]賈瑞君。變壓器油中溶解氫氣在線監測儀的研制。電網技術，1998，22(1)

[3]王聯群，馬麗。變壓器油中溶解氣體在線監測技術的發展現狀。湖南電力，1999，19(5)

[4]呂政揚，劉晚安。變壓器在線監測技術的新突破。西北電力技術，2003。(2)

[5]王財勝，孫才新，廖瑞金。變壓器色譜監測中的BPNN故障診斷法。中國電機工程學報，1997，17(5)

[6]張冠軍，錢政，嚴璋。變壓器絕緣診斷中的模糊ISODATA法。高電壓技術，l999，25(1)

[7]鄧乃揚、田英杰，數據挖掘中的新方法—支持向量機。北京：科學出版社，2004

[8]孫才新、陳偉更，電氣設備油中氣體在線監測與故障診斷。北京：科學出版社，2003