循环神经网络的优点精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的循环神经网络的优点主题范文，仅供参考，欢迎阅读并收藏。

第1篇：循环神经网络的优点范文

[关键词]遗传算法 灰色系统 专家系统 模糊控制 小波分析

一、前言

神经网络最早的研究20世纪40年代心理学家Mcculloch和数学家Pitts合作提出的，他们提出的MP模型拉开了神经网络研究的序幕。神经网络的发展大致经过三个阶段：1947~1969年为初期，在这期间科学家们提出了许多神经元模型和学习规则， 如MP模型、HEBB学习规则和感知器等；1970~1986年为过渡期，这个期间神经网络研究经过了一个低潮，继续发展。在此期间，科学家们做了大量的工作，如Hopfield教授对网络引入能量函数的概念，给出了网络的稳定性判据，提出了用于联想记忆和优化计算的途径。1984年，Hiton教授提出Boltzman机模型。1986年Kumelhart等人提出误差反向传播神经网络，简称BP网络。目前，BP网络已成为广泛使用的网络；1987年至今为发展期，在此期间，神经网络受到国际重视，各个国家都展开研究，形成神经网络发展的另一个。神经网络具有以下优点：

(1) 具有很强的鲁棒性和容错性，因为信息是分布贮于网络内的神经元中。

(2) 并行处理方法，使得计算快速。

(3) 自学习、自组织、自适应性，使得网络可以处理不确定或不知道的系统。

(4) 可以充分逼近任意复杂的非线性关系。

(5) 具有很强的信息综合能力，能同时处理定量和定性的信息，能很好地协调多种输入信息关系，适用于多信息融合和多媒体技术。

二、神经网络应用现状

神经网络以其独特的结构和处理信息的方法，在许多实际应用领域中取得了显著的成效，主要应用如下：

(1) 图像处理。对图像进行边缘监测、图像分割、图像压缩和图像恢复。

(2) 信号处理。能分别对通讯、语音、心电和脑电信号进行处理分类；可用于海底声纳信号的检测与分类，在反潜、扫雷等方面得到应用。

(3) 模式识别。已成功应用于手写字符、汽车牌照、指纹和声音识别，还可用于目标的自动识别和定位、机器人传感器的图像识别以及地震信号的鉴别等。

(4) 机器人控制。对机器人眼手系统位置进行协调控制，用于机械手的故障诊断及排除、智能自适应移动机器人的导航。

(5) 卫生保健、医疗。比如通过训练自主组合的多层感知器可以区分正常心跳和非正常心跳、基于BP网络的波形分类和特征提取在计算机临床诊断中的应用。

(6) 焊接领域。国内外在参数选择、质量检验、质量预测和实时控制方面都有研究，部分成果已得到应用。

(7) 经济。能对商品价格、股票价格和企业的可信度等进行短期预测。

(8) 另外，在数据挖掘、电力系统、交通、军事、矿业、农业和气象等方面亦有应用。

三、神经网络发展趋势及研究热点

1.神经网络研究动向

神经网络虽已在许多领域应用中取得了广泛的成功，但其发展还不十分成熟，还有一些问题需进一步研究。

(1) 神经计算的基础理论框架以及生理层面的研究仍需深入。这方面的工作虽然很困难，但为了神经计算的进一步发展却是非做不可的。

(2) 除了传统的多层感知机、径向基函数网络、自组织特征映射网络、自适应谐振理论网络、模糊神经网络、循环神经网络之外，一些新的模型和结构很值得关注，例如最近兴起的脉冲神经网络(spiking neural network)和支持向量机(support vector machine)。

(3) 神经计算技术与其他技术尤其是进化计算技术的结合以及由此而来的混合方法和混合系统，正成为一大研究热点。

(4) 增强神经网络的可理解性是神经网络界需要解决的一个重要问题。这方面的工作在今后若干年中仍然会是神经计算和机器学习界的一个研究热点。

(5) 神经网络的应用领域将不断扩大，在未来的几年中有望在一些领域取得更大的成功，特别是多媒体技术、医疗、金融、电力系统等领域。

2.研究热点

(1)神经网络与遗传算法的结合。遗传算法与神经网络的结合主要体现在以下几个方面：网络连接权重的进化训练；网络结构的进化计算；网络结构和连接权重的同时进化；训练算法的进化设计。基于进化计算的神经网络设计和实现已在众多领域得到应用，如模式识别、机器人控制、财政等，并取得了较传统神经网络更好的性能和结果。但从总体上看，这方面研究还处于初期阶段，理论方法有待于完善规范，应用研究有待于加强提高。神经网络与进化算法相结合的其他方式也有待于进一步研究和挖掘。

(2)神经网络与灰色系统的结合。灰色系统理论是一门极有生命力的系统科学理论，自1982年华中理工大学的邓聚龙教授提出灰色系统后迅速发展，以初步形成以灰色关联空间为基础的分析体系，以灰色模型为主体的模型体系，以灰色过程及其生存空间为基础与内的方法体系，以系统分析、建模、预测、决策、控制、评估为纲的技术体系。目前，国内外对灰色系统的理论和应用研究已经广泛开展，受到学者的普遍关注。灰色系统理论在在处理不确定性问题上有其独到之处，并能以系统的离散时序建立连续的时间模型，适合于解决无法用传统数字精确描述的复杂系统问题。

神经网络与灰色系统的结合方式有：(1) 神经网络与灰色系统简单结合；(2) 串联型结合；(3) 用神经网络增强灰色系统；(4) 用灰色网络辅助构造神经网络；(5) 神经网络与灰色系统的完全融合。

(3)神经网络与专家系统的结合。基于神经网络与专家系统的混合系统的基本出发点立足于将复杂系统分解成各种功能子系统模块，各功能子系统模块分别由神经网络或专家系统实现。其研究的主要问题包括：混合专家系统的结构框架和选择实现功能子系统方式的准则两方面。由于该混合系统从根本上抛开了神经网络和专家系统的技术限制，是当前研究的热点。把粗集神经网络专家系统用于医学诊断，表明其相对于传统方法的优越性。

(4)神经网络与模糊逻辑的结合

模糊逻辑是一种处理不确定性、非线性问题的有力工具。它比较适合于表达那些模糊或定性的知识，其推理方式比较类似于人的思维方式，这都是模糊逻辑的优点。但它缺乏有效的自学习和自适应能力。

而将模糊逻辑与神经网络结合，则网络中的各个结点及所有参数均有明显的物理意义，因此这些参数的初值可以根据系统的模糊或定性的知识来加以确定，然后利用学习算法可以很快收敛到要求的输入输出关系，这是模糊神经网络比单纯的神经网络的优点所在。同时，由于它具有神经网络的结构，因而参数的学习和调整比较容易，这是它比单纯的模糊逻辑系统的优点所在。模糊神经网络控制已成为一种趋势，它能够提供更加有效的智能行为、学习能力、自适应特点、并行机制和高度灵活性，使其能够更成功地处理各种不确定的、复杂的、不精确的和近似的控制问题。

模糊神经控制的未来研究应集中于以下几个方面：

(1) 研究模糊逻辑与神经网络的对应关系，将对模糊

控制器的调整转化为等价的神经网络的学习过程，用等价的模糊逻辑来初始化神经网络；

(2) 完善模糊神经控制的学习算法，以提高控制算法的速度与性能，可引入遗传算法、BC算法中的模拟退火算法等，以提高控制性能；

(3) 模糊控制规则的在线优化，可提高控制器的实时性与动态性能；

(4) 需深入研究系统的稳定性、能控性、能观性以及平衡吸引子、混沌现象等非线性动力学特性。

关于神经网络与模糊逻辑相结合的研究已有很多，比如，用于氩弧焊、机器人控制等。

(5)神经网络与小波分析的结合

小波变换是对Fourier分析方法的突破。它不但在时域和频域同时具有良好的局部化性质，而且对低频信号在频域和对高频信号在时域里都有很好的分辨率，从而可以聚集到对象的任意细节。

利用小波变换的思想初始化小波网络，并对学习参数加以有效约束，采用通常的随机梯度法分别对一维分段函数、二维分段函数和实际系统中汽轮机压缩机的数据做了仿真试验，并与神经网络、小波分解的建模做了比较，说明了小波网络在非线性系统黑箱建模中的优越性。小波神经网络用于机器人的控制，表明其具有更快的收敛速度和更好的非线性逼近能力。

四、结论

经过半个多世纪的发展，神经网络理论在模式识别、自动控制、信号处理、辅助决策、人工智能等众多研究领域取得了广泛的成功，但其理论分析方法和设计方法还有待于进一步发展。相信随着神经网络的进一步发展，其将在工程应用中发挥越来越大的作用。

参考文献：

[1]张曾科.模糊数学在自动化技术中的应用[M].清华大学出版社，1997.

[2]李士勇.模糊控制・神经控制和智能控制论[M].哈尔滨工业大学出版，1996.250-387.

[3]谢联峻.模糊控制在列车自动驾驶中的应用[J].自动化与仪器仪表，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.遗传算法―理论、应用与软件实现.西安交通大学出版社，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]邓聚龙.灰色系统理论教程.华中理工大学出版社，1990.

[11]吕宏辉，钟珞，夏红霞.灰色系统与神经网络融合技术探索.微机发展，2000，23(4)：67-109.

第2篇：循环神经网络的优点范文

关键词：地下水脆弱性；评价；人工鱼群算法；BP神经网络

中图分类号：TP27 文献标识码：A

众所周知，水是人类社会赖以生存和发展必不可少的宝贵资源，地下水是水资源的重要组成部分，并已被广泛开发和利用，在干旱半干旱地区则是主要的生活及工业用水来源。近年来，由于工业化、城市化进程的加快，全球范围内的地下水资源正遭受不同程度的污染和破坏，造成水资源短缺，并相继出现了一系列复杂的环境地质问题。目前应用较广泛的BP神经网络评价算法存在着网络参数难确定、收敛速度较慢且易陷入极小值等问题。为了解决上述问题，本文应用鱼群算法对BP神经网络进行了改进，结合地下水安全评价实例进行了测试，并将测试数据与标准BP神经网络进行了比较与分析，取得了理想的结果。

1.基本BP神经网络算法

BP神经网络算法是一种采用误差反向传播的多层前馈感知器。其特点是具有分布式的信息存储方式，能进行大规模并行处理，并具有较强的自学习及自适应能力。BP网络由输入层（感知单元）、计算层（隐藏层）、输出层3部分组成。输入层神经元首先将输入信息向前传递至隐含层节点，经过激活函数预处理后，隐层节点再将输出信息传送至输出层得到结果输出。输入层与输出层节点的个数取决于输入、输出向量的维数，隐含层节点个数目前并没有统一的标准进行参考，需通过反复试错来确定。根据Kolmogorov定理，具有一个隐层的3层BP神经网络能在闭集上以任意精度逼近任意非线性连续函数，所以本文选择单隐层的BP神经网络。

2.人工鱼群算法

2.1 基本原理

通过对鱼类觅食的观察可知，鱼类一般能自行或者尾随其他同伴找到食物数量相对充足的地方。因此，一般鱼类数量较多的地区即为食物相对充足的区域。人工鱼群算法是指通过长期对鱼类觅食行为的观察，构造人工鱼来模拟鱼类的觅食、群聚、尾随以及随机行为，从而完成全局最优值的寻找。算法所包含的基本过程如下：

觅食行为：鱼类会利用视觉或嗅觉来感知水中食物浓度的高低，以此来选择觅食的路线。

聚群行为：鱼类一般会以群体形式进行觅食，以此来躲避天敌的伤害，并以最大概率获得准确的觅食路线。

尾随行为：当群体中的某条鱼或几条鱼寻找到食物后，其附近的其他同伴会立刻尾随而来，其他更远处的鱼也会相继游过来。

随机行为：鱼在水中的活动是不受外界支配的，基本上处于随机状态，这种随机性有利于鱼类更大范围的寻找食物及同伴。

2.2 行为描述

首先假设1条人工鱼，其当前状态定义为Xr，随机选择另一个状态为Xs=[xsd]（s=1，2，…，N；d=1，2，…，D，这是一个D维向量，其中状态为Xr的食物浓度为Yr=f（Xr），f（x）为目标函数，人工鱼群体中个体间的距离表示为drs=Xr-Xs，其有效视线范围（感知距离）为Visual，游行步长设置为Step，群体中的拥挤度因子为σ。

2.2.1 觅食行为

鱼类觅食是以定义的游行步长为前进单元，通过在其有效视线范围内感知食物浓度的变化来确定最佳觅食路线。设人工鱼当前状态为Xr，在有效视线范围内随机选择另一个状态为Xs，通过目标函数确定两种状态下的食物浓度分别为Yr、Ys，若Yr

其中Rand为一个（0，1）的随机数。

2.2.2 聚群行为

人工鱼在其有效视线范围内能够感知同伴的数目及其中心位置，假设在当前视野范围内人工鱼感知到的同伴数目及其中心位置状态为Xc，若Yc，nf>σYr，则表明该区域食物浓度较高，并且其周围并不拥挤，此时人工鱼将向此方向前进一步，否则继续执行觅食行为。其数学表达式为：

2.2.3 尾随行为

若人工鱼在当前视线范围内感知到的食物浓度最大值为Xmax，如果Ymax，nf>σYr，则状态Xmax具有较高的食物浓度并且鱼群密度较低，适合人工鱼进行觅食，则朝着此方向前进一步，反之，若Ymax，nf

2.3 鱼群算法优化BP神经网络的原理

BP神经网络在求解最优化问题时容易陷入局部极值，并且网络的收敛速度较慢。鱼群算法通过设定人工鱼个体，模拟鱼群在水中的觅食、尾随和群聚行为，通过个体的局部寻优，最终实现全局寻优。人工鱼在不断感知周围环境状况及

同伴状态后，集结在几个局部最优点处，而值较大的最优点附近一般会汇集较多的人工鱼，这有助于判断并实现全局最优值的获取。因此用人工鱼群算法来优化BP神经网络是一种合理的尝试。

2.4 具体工作步骤

人工鱼群算法用于优化神经网络时的具体步骤如下：

①设定BP神经网络结构，确定隐层节点数目；

②设定人工鱼参数，主要包括个体间距离、有效视线范围以及移动步长等；

③人工鱼进行觅食、群聚及尾随行为来优化BP神经网络；

④通过设定的状态参量，判断是否达到目标精度；

⑤若达到精度要求则输出网络优化权值，并执行网络循环，否则继续改化参数进行优化；

⑥输出最终优化参数并进行计算机网络安全评价。

3.算例分析

本文以文献[2]设定的评价标准作为网络的训练数据。主要包括土壤层厚度、土壤层形状、包气带厚度、包气带岩性等14项影响因素指标，因此输入层神经元数取为14。隐含层定为1层。一般而言，隐层节点数目是输入层节点数目的2倍，因此，本文将隐层节点数目定为28。

算法用Matlab语言实现。通过实验分析，本文将网络隐含层节点数设为5，权值调整参数α=0.1，阈值调整参数β=0.1，学习精度ε=0.0001。网络经过2000次训练，收敛于所要求的误差，然后对检验样本及专家评价样本进行仿真，结果见表1。可以看出网络评价结果与标准BP神经网络及模糊综合评价算法保持一致，但其网络运行时间却大幅下降，甚至比应用蚁群算法优化的效果更好。

结论

本文将鱼群算法和神经网络结合起来对地下水脆弱性进行了研究，得到了如下几个结论：

（1）基于鱼群算法优化后的BP神经网络具有收敛速度快、拟合精度高等优点，克服了标准BP神经网络收敛速度慢、容易陷入局部极小值的缺点。同时，优化算法编码过程简单，并具有较强的鲁棒性。

（2）本文采用的实验数据仅有12个，基于鱼群算法优化后的BP神经网络精度有明显提高，避免了由于样本数量少造成的拟合精度低等缺点。

（3）通过将标准BP神经网络算法与鱼群神经网络算法进行对比发现，后者的收敛速度明显加快，并且自组织能力也有一定提高，在实际的工程建设中可以将其代替传统的BP神经网络算法来进行地下水脆弱性的评价与分析。

参考文献

[1]贺新春，邵东国.几种评价地下水环境脆弱性方法之比较[J].长江科学院院报，2005，26（3）：17-21.

第3篇：循环神经网络的优点范文

关键词：图像分割；极限学习机；前馈神经网络

中图分类号：TP391 文献标识码：A 文章编号：1007-9599 （2013） 02-0000-02

1 引言

图像分割是数字图像处理到图像分析过程中的最重要的步骤，是按照一定的相似性准则将图像中有意义的特征部分提取出来，为进一步图像分析和图像理解打下基础，因此在理论研究和实际应用中都得到了广泛重视。本文提出了一种基于极限学习机的图像分割算法，利用其学习速度快、泛化性能好、调节参数可以直接确定等优点，有效地避免神经网络冗余信息甚至错误信息的干扰，仿真实验结果表明，本算法在改善了图像分割效果的同时大大缩短网络训练时间。

2 极限学习机

单隐藏层前馈神经网络（SLFN）已经在模式识别、自动控制及数据挖掘等领域取得了广泛的应用，是因为它有很多优点：（1）具有很强的学习能力，能够逼近复杂非线性函数；（2）能够解决传统参数方法无法解决的问题。然而，基于梯度原理的训练算法的传统前馈神经网络存在诸多问题，成为制约其发展的主要瓶颈，如需要多次迭代、容易陷入局部极小、需要明确性能指标和学习率的确定等的问题。

极限学习机是一种新的单隐含层前馈神经网络。该神经网络随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，且在训练过程中无需调整，只需要设置隐含层神经元的个数，便可以获得唯一的最优解。与传统的神经网络相比，该神经网络具有学习速度快、泛化性能好、鲁棒性好及可控性等优点。

2.1 SLFN的统一模型

2.2 极限学习机

因此，当激活函数 无限可微时，SLFN的参数并不需要全部进行调整， 和b在训练前可以随机选择，且在训练过程中保持不变。而隐含层与输出层间的连接权值 可以通过求解以下议程组的最小二乘解获得： ，其解为 ，其特殊解具有最小范数：其中， 为隐含层输出矩阵 的Moore-Penrose广义逆。

3 极限学习机在图像分割中的应用

本文提出的基于极限学习机的图像分割算法，具体步骤如下：

（1）采用参考文献[10]中的方法进行样本提取，在原图像上选取特征明显、最具有代表性的区域生成训练样本，并对样本进行预处理。

（2）确定隐含层神经个数，随机设定输入层与隐含层间的连接权值 和隐含层神经元的偏置b。选择一个无限可微的函数作为隐含层神经元的激活函数，进而计算隐含层输出矩阵 ；并计算相应的模型泛化性能权值 。

（3）更新训练样本集，把输出层权值加入训练样本集，产生新的训练样本集。

（4）返回步骤（2）根据新的训练样本集预测下一组数据，如此循环直至把所有的预测数据预测完毕。

（5）直到使用本文方法进行图像分割的效果无法再获得较明显的提高，保存并将分类后的得到的结果还原成图像矩阵，便得到分割后的图像。

4 仿真实验及分析

为验证本文所提方法的正确性和有效性，在MATLAB7.0实验环境中进行实验，并分别与脉冲耦合神经网络算法、BP 神经网络算法，以及遗传神经网络算法的结果进行比较，如图2所示。在本实验中，激活函数为sig，隐含层神经元个数为60。实验中所有算法都运行20次，实验结果取平均值。在原图上加入均值为0、方差为 0.03的高斯白噪声，并将噪声图像划分成6×6的邻域窗口，图像的边缘用边界复制的方法补充。

图像分割质量的客观评价见表1，从表中可以看出采用本文的图像分割算法PSNR得到提高，均方误差（（Mean-Square Error）降低了。从主观上评价，本文提出的基于极限学习机的图像分割算法得到分割后的图像不仅较好的克服了噪声的影响，而且效果明显清晰，孤立点较少，边缘信息明显，突出了目标区域。

为训练本文的神经网络，图中的红色区域将作为训练样本，共计选择5500个点作为训练样本点。将本文算法与上述其他三种算法进行了实验比较，比较结果见表2。

从表3可以看出，BP神经网络的样本训练时间最长，而本文提出的算法不仅大大缩短了样本的训练时间，同时有较好的抗噪性，提高了精度。实验证明本文的算法为进行图像分割提供了一个新的思路，是一种比较有效的方法。

5 结论

本文针对传统图像分割方法中存在着结构设计复杂、所需时间较长等问题，提出了一种基于极限学习机算法的图像分割方法。极限学习机算法不但训练速度很快，而且具有最小的训练误差和最小的权值范数，并且可以对输入层权值和隐含层偏差随机赋值，所涉及的计算量很小，算法高效简便，得到的输出权值是全局最优的，实验证明该算法在图像分割中具有一定的实用价值。今后研究工作的重点是对于大型图像分割算法的优化。

第4篇：循环神经网络的优点范文

【关键词】输电线路 弧垂 电场 神经网络

1 引言

随着我国电力事业的迅速发展，对电力系统的安全性与可靠性也提出了更高的要求。输电线路是电力系统的重要组成部分，弧垂是输电线路运行维护的重要指标之一，其大小直接关系到线路的安全性与可靠性，必须控制在一定的范围内。而输电线路长时间经受自然界中覆冰、温升和风吹等气象的影响，使得线路的弧垂发生较大变化。弧垂过小使得杆塔荷载增大，会产生断线、倒塔和掉串等事故；弧垂过大会使导线与地面的树木、建筑物等发生接触并放电，从而导致线路跳闸。

因此，为了有效监测输电线路导线的弧垂变化大小、准确判断线路状态，采用弧垂监测技术能很好的解决这一问题。目要弧垂监测主要采取人工巡检法、图像监测法、直升机巡检法、GPS定位测距法等，但这些方法在实际中仍存在很多问题，如实时性差、易受外界及天气影响、效率较低等。因此，需要研究一种新的监测输电线路弧垂的方法，克服上述方法的缺点。输电线路弧垂的变化最终都表现在其离地高度的变化上，随着弧垂离地高度的变化，地面场强会随之变化，因此可利用地面场强测量技术得到场强信息，再利用反演算法反演出弧垂，通过较少的场强参数，无需改动线路即可得到比较精确的弧垂值，且不易受到周围环境、气象等条件的影响。而该弧垂监测技术的研究还未见公开报道。

鉴于此，本文设计了一种基于地面电场变化的输电线路弧垂监测技术，通过输电线路下地面场强的计算可以反演出线路的弧垂大小。该技术通过采用本文提出的基于神经网络的输电线路下地面测量技术，对场强测量数据进行修正，从而得到输电线路下地面场强的精确值，再利用本文设计的基于电场信息的输电线路弧垂反演计算方法得到弧垂值，最后通过基于场强变化的输电线路弧垂监测系统对弧垂进行监测和报警，保证了输电线路的安全可靠运行。

2 基于神经网络的输电线路下地面场强测量技术

基于神经网络的输电线路下地面场强测量技术，主要由测量数据修正模型构建技术和测量数据修正技术组成。测量数据修正模型构建技术将RBF神经网络与一般神经网络相结合，构建测量数据修正模型，该模型能够精确拟合测量数据与理想数据之间的非线性关系，在保证收敛速度快于一般的BP神经网络的前提下具有更强的泛化能力；测量数据修正技术利用构建的修正模型，可实现对测量数据的修正，有效减少外界环境对测量工作的影响，使其更接近理想值，增加数据可靠性。

2.1 测量数据修正模型构建技术

测量数据修正模型构建技术基于一种测量数据修正模型，该修正模型利用神经网络可任意精度逼近非线性函数的优点，将RBF神经网络与一般神经网络相结合，拟合输电线路下地面的场强测量数据与场强理想数据之间的非线性关系，可实现对实测数据的精确修正，获得输电线路下地面的真实场强值。

因此，本文测量数据修正模型构建技术的实现主要分为两个步骤：第一步是神经网络初始模型的构建，第二步是测量数据修正模型的构建。通过设置神经网络参数，Φ谝徊降耐络初始模型进行训练，最终得到测量数据的修正模型。

2.1.1 神经网络初始模型的构建

本文所提出的神经网络模型将RBF神经网络与一般神经网络相结合，网络结构分为四层：输入层、第一隐层、第二隐层和输出层。其中网络的输入层与第一隐层、第一隐层与第二隐层之间采用RBF神经网络隐层模式，第二隐层与输出层之间采用传统神经网络隐层模式。网络的初始模型图如图1 所示。

如图1所示，网络的输入和输出均采用二维向量，第一隐层节点数设为m1=2m+1，其中m为输入的个数，第二隐层的神经元节点初始为m2个。其中，第一隐层每个神经元节点的基函数采用欧式距离、激励函数采用高斯径向基函数，第二隐层每个神经元节点的激励函数采用非对称型sigmoid函数，输出层每个神经元节点的激励函数采用Purelin型线性函数。

2.1.2 测量数据修正模型的构建

构建测量数据修正模型，需要对网络初始模型的参数进行设置，并基于这些参数对网络进行训练，最终得到测量数据的修正模型。本文采用Levenberg-Marquardt算法对网络初始模型的各个参数进行设置，并在训练的过程中对神经网络第二隐层的节点数进行优化，训练的具体步骤如下：

第一步，样本库的构建。样本库由理想场强数据和实测场强数据构成。理想场强数据通过基于模拟电荷法的线路电场三维计算模型求得，实测场强数据通过实地测量得到，最终获取到K（K≥Kmin，Kmin为最小的样本集大小）组样本数据，并将其作为本模型的样本库。

其中，理想场强数据的计算是通过将线路划分为多个线单元，利用有限长模拟线电荷法来计算每个线单元周围的三维电场分布。具体过程为：首先通过电位系数矩阵和导线上电位的单列矩阵计算出到线上的电荷单列矩阵，即输电线路单位长度所带的电荷；随后根据单位长度导线上的等效电荷即可计算出三维空间直角坐标系下场强的各个分量。

第二步，初始化网络节点。在网络的初始化过程中，从样本库中选取p组数据作为初始训练样本，将样本中的实测场强数据作为输入层的输入，将理想场强数据作为输出层的输出，第一隐层初始为m1个神经元节点，第二隐层的神经元节点初始为m2。

第三步，对网络中的所有参数（包含高斯基函数的中心矢量C、基宽向量B和网络权重系数）进行随机初始化，设定合适的Levenberg-Marquardt算法参数μ、β、最大训练步数、网络训练误差及样本测试误差，并利用LM算法训练各参数。具体训练过程结合表1来详细阐述：

首次训练，经过n1次的迭代，网络收敛（满足训练误差）。随后从样本库中选取独立于训练样本的p组测试样本，输入第1步训练得到的网络，计算平均测试误差，平均测试误差用e表示，定义为：

其中，M1表示测试样本的数量，E（n）表示理想场强值，Eout（n）表示网络输出的修正数据。

若满足精度要求，则训练结束；若不满足精度要求，则将训练样本和测试样本合并组成新的训练样本（表1中第2步，训练样本数更新为2p），并将第二层的隐层节点数加2，执行第四步。

第四步，重复LM训练过程，直到平均测试误差满足精度要求，否则每次训练第二隐层节点数就加2。表1中在第N次更新中平均测试误差首次小于设定的阈值，此时网络中第二隐层的节点数增加至d2。

第五步，网络训练结束，固定网络参数。

神经网络初始模型的具体训练流程图如图2所示。

2.2 测量数据修正技术

本文的测量数据修正技术基于2.1.2节构建的数据修正模型，测量数据修正模型构建技术在足够数量的训练样本的条件下，采用LM算法对网络参数进行训练，最终得到训练后的数据修正模型图如3所示。

如图3所示，网络模型的各网络参数均已固定，经过优化的第二隐层节点数更新为d2。

测量数据修正技术结合了RBF神经网络，使得收敛速度快于一般BP神经网络。通过对第二隐层节点的优化更新，使网络在尽可能简单的情况下具有更强的泛化能力。在训练过程中无需预先确定其他参数，避免了支持向量机算法需要预先选择合适的核函数的缺陷。

测量数据修正技术的实现是将现场测量得到的场强作为该数据修正模型模型的输入，通过模型内部对数据进行修正，最终得到修正后的场强值，如图3所示。该技术可实现对实测场强数据的修正，有效降低了环境等因素对场强测量的影响，还原出最真实的输电线下地面场强值。

3 基于电场信息的输电线路弧垂反演算法

基于电场信息的输电线路弧垂反演算法，通过三个步骤完成对输电线路弧垂的反演监测。首先基于三维输电导线电场计算模型，选取输电线路正常情况下的弧垂作为算法的初始可行解；其次，利用禁忌搜索算法，在该初始解的左右领域内进行局部最优搜索，选取其中的最优解作为新的当前解，并对局部最优解的历史信息进行记录，最终形成一个禁忌表；最后，通过将禁忌表中的最优解对应的场强数据与基于神经网络输电线路下地面场强测量技术测得的实时线路下地面场强数据进行比较，当最优解对应的场强数据与实测数据近似相等时，则将该最优解作为最终反演计算的弧垂值。

3.1 三维输电导线电场计算模型

三维输电导线电场计算模型基于线路三相输电的原理，将交流电线路下的场强依据每一单项交流电的方向进行分解。将实测的场强数据分为xyz三个方向上的分量进行存储和计算。该模型图在实际操作中，选取线路实测电场x坐标下横向分布的N个值作为电场实测值。三维输电导线电场计算模型模型图如图4所示。

对于三维输电导线电场计算模型下的N个测量点，记和分别为第m（m=1，2，...，N）个测量点的电场测量修正值和计算值，则对应算法的目标函数为：

3.2 禁忌搜索算法

禁忌搜索（Taboo Search，TS）算法是一种亚启发式（meta-heuristic）随机搜索算法，通过引入一个内容可变的存储结构及与该结构相对应的禁忌准则，来避免迂回搜索，最终实现全局寻优。相对于模拟退火和遗传算法，TS算法更适合于求解导线下方电场与弧垂间的非线性问题。

本文提出的基于电场信息的输电线路弧垂反演算法，选取输电线路正常情况下的弧垂作为算法的初始可行解，并利用禁忌搜索算法以寻找弧垂的最优解。弧垂反演算法将初始可行解作为搜索起点，利用移动函数确定该初始解的左右搜索领域，通过计算各领域内解的目标函数来确定局部最优解，并将该局部最优解作为新的当前解。本文反演算法设计禁忌搜索算法的移动函数为：

xnew=x+k*x（k=±1，±2...） （3）

其中，xnew为解x的邻域解；x为移动操作的移动单位，单位为m。x是迭代次数n的函数，n增加会使x减小、搜索精度提高。

通过对局部最优解的历史信息进行记录，将每一局部最优解记为一禁忌对象，最终形成一个禁忌表。禁忌表内记录每一次搜索得到的禁忌对象，并将该禁忌对象在禁忌表内生存时间初始为|T|。其中，|T|作为该表内的禁忌长度，在每一次迭代中，将上一次迭代得到的局部最优解作为该次迭代的初始解，并对表内每一禁忌对象的禁忌长度减1，当某一禁忌对象的禁忌长度变为0时，将其从禁忌表中删除。

禁忌表是一个循环表，在搜索过程中被循环的修改，可以有效避免搜索结果陷入局部最优，但仍可能出现循环。因此，必须给定停止准则以避免出现死循环，当最优解满足精度要求或经过n次迭代最优解无法改进时（其中，n的数值根据搜索精度确认），则停止算法停止。

3.3 基于电场信息的输电线路弧垂反演的算法流程

基于电场信息的输电线路弧垂反演的算法流程如图5所示。

由图5可知，基于电场信息的输电线路弧垂反演算法的具体实现步骤如下：

第5篇：循环神经网络的优点范文

【关键词】BP神经网络;优化;故障诊断;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神经网络

BP神经网络是多层前馈神经网络，它的名字源于网络权值的调整规则，采用的是后向传播学习算法，既BP算法。BP网络是目前应用最广的神经网络之一，BP网络是由一个输人层，一个或多个隐层以及一个输出层组成，如图1所示，上下层之间实现全连接，而每层神经元之间无连接。网络的学习过程包括正向传播和反向传播。在正向传播进程中，输入信息从输入层经隐层加权处理传向输出层，经功能函数运算后得到的输出值与期望值进行比较，若有误差，则误差反向传播，沿原先的连接通道返回，通过逐层修改各层的权重系数，减小误差。随着这种误差逆向传播修正的不断进行，网络对输入模式响应的正确率也不断上升。

图1 三层BP模型神经网络

研究表明，带有两个隐层的BP网络能形成任何形状的决策区域。当BP网用作非线性映射时，允许网络实现输入到输出之间的任意映射关系，即可建立故障征兆空间与故障空间的某种映射关系，每当给出一个实测的故障征兆矢量，网络即能通过状态演化（前传和联想）收敛到与其最相近的模式，从而诊断其故障原因。典型的基于神经网络模式识别的故障诊断系统结构如图2所示。

图2 基于神经网络模式识别功能的故障诊断系统结构

2 BP神经网络的不足

BP神经网络模型虽然在各方面都具有重要意义，而且应用也很广泛，但它也存在一些不足。从数学上看，它是一个非线性优化问题，不可避免的存在局部极小点，学习算法的收敛速度慢，网络隐层单元数选取带有很大的盲目性和经验性，新加入的样本要影响已学完的样本等。

具体来说，BP算法对样本进行逐个学习时，常会发生“学了新的，忘了旧的”的遗忘现象。故此值得对样本不断循环重复，这样一来其学习时间必然延长。为了克服这个缺点，将逐个学习改为批量学习，即对所有样本都进行学习后将其误差相加，然后用这个误差之和来对网络的权系数进行调整。但是这样一来，在误差求和时，这些误差有可能互相抵消，这就降低了算法的调整能力，也就是延长了学习的时间。所以，按批量学习其收敛速度也会很慢。同时，批量学习方法还有可能产生新的局部极小点。比如各误差不为零，但其总和为零，这种情况发生后算法就稳定在这个状态上，造成新的局部极小点。

3 BP神经网络学习算法的优化

为了提高神经网络算法的学习效率及稳定性，在反向传播（BP）算法中可以引入基于非线性最小二乘法的Levenberg-Marquart（LM）最优算法，替代原BP算法中的梯度下降法寻找最佳网络连接权值。

LM算法是一种优良的非线性最小二乘优化方法，这种方法的一般模型为：

F（x）=■f■■（x），x∈Rn m≥n

其中m为训练样本数，n相当于神经网络两层之间的权值个数。

令：

f （x）=f■xf■x…f■x

其目标函数还可写为F（x）= fT （x） f （x）

则F（x）的梯度为：

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

常称A为雅可比矩阵;fi（x）称为残量函数定义为：i（x）=di-yi（x）

其中d i为目标函数，y i为神经网络输出。其Hessian矩阵为：

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

LM算法是二阶收敛的Newton算法的变形，又称变尺度法。牛顿法的权值调整算法如下：

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

若高阶项S可省略的话，则变为Gauss-Newton法：

x （k+1）= x（k）-（ATA）-1 ・f （x（k））

在Gauss-Newton法中，我们要求A是满秩的。遗憾的是在实际情况中，A为奇异的情况经常发生，使得算法常常收敛到非驻点。这样造成的结果是线性搜索得不到进一步下降，从而无法找到最优点。LM算法通过引入一个可变因子μ，将一个对角阵μI加到ATA上去，改变了原矩阵的特征值结构使其变成满秩正定矩阵，从而确保线性搜索的方向为下降的方向。其权值调整规则为：

x （k+1）= x（k）-（ATA+μI）-1 ・f （x（k））

我们可以利用μ来控制迭代，μ可以在一较大的范围内进行调整。μ较小时即为Gauss-Newton法;μ较大时即为最速下降法。μ参数的引入，以及在迭代过程中μ参数的可调节性，极大地改善了算法收敛的稳定性。

采用LM最优化算法训练神经网络，替代原BP算法中的梯度下降法寻找最佳网络连接权值。仿真试验证明，这种学习算法提高了BP网络算法的学习效率及稳定性，并提高了网络的收敛速度，更好的实现了对柴油机燃油压力信号的故障诊断。

4 基于优化的BP神经网络柴油机燃料系故障诊断

4.1 确定故障特征信息

柴油机燃油系统的状态信息主要体现在高压油管的压力波形中，当某处发生故障时，必然使原有供油状态发生变化，燃油流动的压力和流速等参数会有相应的改变，反映在压力波形上将导致波形形态和波形参数值的变化。因此利用压力传感器测取高压油管的燃油压力波形，并对波形进行分析、提取出故障特征，再利用人工神经网络模型对特征值进行模式识别就可达到故障诊断的目的。图3、图4分别为100%和25%供油量喷油压力波形图。

图3 100% 供油量喷油压力波形图

图4 25%供油量喷油压力波形图

4.2 提取特征参数

特征参数的提取是模式识别过程中的重要环节，它关系到模式识别效果的准确性。由于燃油压力波形是一种规则波形，任一压力波形都标志着柴油机燃油系统的一种工作状态。压力波形的状态信息主要体现在波形的结构形态上，可以直接从其时域波形上提取波形的结构特征，并表示为便于计算的特征空间。根据分析和试验，对于燃油压力波形来说，最大压力、起喷压力、落座压力、次最大压力、波形幅度、上升沿宽度、波形宽度、最大余波宽度等特征最能表现出柴油机运行时的状况。为了获得最佳诊断效果，我们选用这八种参数构成特征向量空间，如图5所示。

图5 波形特征

4.3 BP神经网络的建立及故障诊断过程

4.3.1 数据样本采集

柴油机燃料系故障主要是供油量不足，主要表现为针阀卡死、针阀泄漏、出油阀失效等。在发动机800r/min时，用传感器分别采集正常油量、针阀卡死、针阀泄漏、出油阀失效四种状态的燃油压力数据，绘制出不同状态下的燃油压力波形，对每个波形手动提取出最大压力、启喷压力、落座压力、次最大压力、波形幅度、上升沿宽度、波形宽度、最大余波宽度这8个特征值。一般情况下，每个状态至少采集提取5个实际样本，每个样本都包括以上8个特征值，用来建立网络，训练网络，并进行故障诊断。

4.3.2 BP神经网络的建立和训练

新建BP神经网络NewNet，如图6所示，网络设计采用三层BP网络，网络的输入层个数为8个，输出层的个数为4个，隐含层的个数并不是固定的，经过实际训练的检验和不断的调整，确定隐含层的个数近似遵循下列关系n2=2n1+1。其中n1为输入层个数，n2为隐含层个数，因此隐含层个数为17个。

图6 NewNet网络结构

四种故障模式可以用如下形式表示输出：

正常油量（1，0，0，0）;针阀卡死（0，1，0，0）;针阀泄漏（0，0，1，0）;出油阀失效（0，0，0，1）。

输入层至隐层的连接权Wij、隐层至输出层的连接权Vjt、隐层各单元的输出阈值θj、输出层各单元的输出阈值γj ，都选取为（-1～1）之间的随机数，然后按照BP网络的学习步骤进行学习。网络输入层的传递函数采用双曲正切S型传递函数Tansig，第二层传递函数采用S型对数函数Logsig，利用基于非线性最小二乘法的LM最优算法，替代原BP算法中的梯度下降法训练神经网络，求出最佳网络连接权值和阈值。

利用所采集数据样本，作为网络训练的原始样本，确定初始连接值和阈值后利用Matlab编程，训练的速度为0.1，训练误差精度为0.01，对网络训练9000次，得出最终的各个连接权值和阈值，训练结束。

4.3.3 故障诊断过程及结果

网络训练结束后，将表1中的测试数据输入训练好地BP网络。

经过运算后，网络输出层得出如下的诊断结果：

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

从测试结果可以看出，诊断结果与实测值具有良好的一致性，诊断误差分别为0.0043、0.0005、0.0035和0.0380可见诊断误差非常小，因此可以判定，该BP神经网络完全可以满足柴油机燃油系常见故障的诊断要求。

5 结束语

仿真试验表明，基于优化的BP神经网络的故障诊断结果与实测值具有良好的一致性，只要选择足够典型的原始故障样本训练BP神经网络，网络的容错性和稳定性就较好。针对设备运行的复杂性，仅选用单一的诊断参数往往会做出错误的判断，而基于神经网络的故障模式识别方法能充分利用信息特征，实现输人与输出之间的映射关系，得出准确的诊断结果。

【参考文献】

[1]黄丽.BP神经网络算法改进及应用研究[D].重庆师范大学，2008：6-15.

[2]孙即祥.现代模式识别[M].国防科技大学出版社，2001，5.

[3]李国勇.智能控制及其MATLAB实现[M].电子工业出版社，2005，5.

[4]李焕良，等.基于BP神经网络的电气系统故障诊断[J].起重运输机械，2005，6：55-56.

[5]王俊生.柴油发动机燃油系统的故障分析研究[J].山西建筑，2003，4：250.

第6篇：循环神经网络的优点范文

关键词:中央空调；末端设备；智能控制；节能

中图分类号：TE08文献标识码： A

一、前言

能源是经济发展的重要基础，当前我国的能源供给十分紧张，对经济发展和社会进步带来一定的阻力。因此，走可持续发展路线是经济发展的必由之路。节能减排要渗透到社会生活的方方面面。当前，空调是大型建筑和办公的必要设备，其能耗是惊人的。因此，要重视空调节能，提高空调能源利用。

二、中央空调末端设备控制

中央空调末端控制设备具备智能和远程控制的功能,是实现空调系统节能控制与管理的基本要求。传统的中央空调末端设备基本上是独立运行,调节目标和运行状态完全取决于用户,显然无法支持空调系统运行管理节能。在这种控制器的支持下,不仅可以实现空调末端设备的节能运行,更重要的是可以通过控制网络将数量众多的末端设备集成在一个管理平台上,充分利于现代网络控制与管理的技术手段,有效降低末端设备的运行能耗。

图1中央空调末端控制器原理框图

三、中央空调应用节能控制的重要性

通常中央空调在整体建筑结构中占据大概50%的能耗，综合大楼以及商场则有着更高的耗能。现今，我国大部分的建筑的中央空调系统中均出现没有正确的计算空调负荷等问题，造成冷热源机组有着较大的容量选择，产生“大马拉小车”的现象。中央空调系统设计自控节能控制时没有考虑实际情况，有着缺少细腻的设计；在设计水泵运行的定流量时，倘若没有正确的管理系统，则会导致出现严重浪费能源的情况。通常情况下，大部分间接式类型的中央空调主要包含末端循环水系统、冷却循环水系统、冷冻水系统等方面，与广地域、多调节、过工况、多设备的冷却剂以及载冷剂、制冷剂等复合系统有着较大的关系。一般中央空调系统中的实际运行情况、设备负荷等对系统运行的效率起到决定性的作用。因为中央空调系统所采用的设备主要是通过不相同的供应商进行生产，系统控制主要重视控制方法、制冷主机控制器等方面的内容，主机的冷却水系统控制、工况参数控制、主机负荷等均是给予重视，对于中央空调系统在运行中冷冻循环水的具体参数、末端风系统运行情况、冷循环水系统运行情况则较少考虑，造成中央空调系统的系统参数、设备工作工况无法在最好的状态下运行，导致在一定程度上浪费能源。

四、空调智能控制系统节能方法

针对所列的传统控制方式存在的不足，研究智能化控制系统，实现对环境温度的自动监测，对是否存在人进行智能识别，从而对水泵进行灵活调节，对通风和制冷系统进行控制。

1、建立各类系统

为了对建筑环境中的温度进行实时监测，需要用到精度较高的温度传感器以及回风监测装置；将采集的室内温度传送给中央控制器，该控制器实现对建筑环境温度的调节。为了对建筑中是否有人进行识别，要用到红外传感器，该传感器将相关信息传递给中央控制器，该控制器将会停止无人房间的温湿度和通风量，并且还能够保证有人房间的温湿度以及通风量。

2、建立控制系统

在智能控制系统中，控制方式采用的是以温差为主的方式，它在保证系统的正常运行前提下不需要在各个支路中添加调节阀门；对水压和水流量进行调节是在水泵中进行的，它按照预先的比例进行分配，由于商用建筑中各个房间的负荷工况是类似的，适宜于采用预先流量分配法。对冷冻系统最省流量进行计算，设定水泵的转速为最小值。

3、选择控制方式

在水系统中，应该建立变频调速控制方案，包括：以压差为主的控制方案和以温差为主的控制方案。对于前者而言，它依据制冷机中的出水压力和回水压力的差值保证楼层冷冻水具有恒定压力。当压力差在下限值以下，说明系统的负荷较小，应该相应的提高压差；当压力差高于上限值时，说明系统的负荷较大，需要适当增加水泵的转速。对于以温差为主的控制方案来说，它依据制冷主机的回水温度和出水温度，对各楼层的压力进行调节：当温差较小时，说明负荷较小，应该将水泵的转速降低；当温差较大时，寿命负荷较大，应该提高水泵的转速，降低温差。这种控制方式最大化的利用了能源，达到了节能的目的。

五、空调节能系统控制技术

1、模糊控制

在智能控制技术中，模糊控制系统是一个重要的分支，其基础为：模糊集合论、模糊语言变量及模糊逻辑的规则推理；结合运用计算机技术共同构成一种数字控制系统，系统中存在具有控制作用的反馈通道闭环结构。在当前的制冷领域，模糊控制已经得到了广泛的应用。在商用中央空调的智能控制系统中，模糊控制依靠各个房间的温度传感器得到各自的温度值，从而计算出温度的变化率，然后采用模糊算法控制中央空调的运行状态，从而控制变频压缩机和风扇等的转速。

2、神经网络控制

在神经网络控制中，模仿的是人类大脑中的神经系统，建立类似与以神经细胞为基础的模型，其节点为神经元，其活动网络为网络拓扑结构。在神经网络系统中，最简单的处理单元是神经元。采用神经网络控制，在理论上可以实现与非线性映射的一一对映，即：无限逼近非线性映射，从而解决了复杂和不确定的系统控制问题，并且保证了整个系统的稳定性、鲁棒性以及容错性。在该网络中，有多个输入和多个输出，因此实现了对环境变化的实时控制。在中央空调节能控制中应用神经网络具有十分重要的现实意义，通过传感器得到各个房间内的湿度、温度、人数等信息，并输入神经网络控制系统中，通过相关程序计算出人体的舒适度值，通过反馈控制实现最优化控制。

3、控制技术优化选择

如今，对商用中央空调的控制不再是机械式的恒温控制，已经步入到以计算机为基础的智能控制阶段。作为一个变量多、复杂程度高、时间变化大的系统，该系统中各项因素之间的关系十分复杂，存在严重的非线性和强耦合关系。神经网络控制以及模糊控制在解决这类问题时具有明显的优越性。其中，前者的主要优点在于：它具有自适应功能，但该优点也正是它的一个不足之处，这是因为，在专家系统中得出的规则无法直接在神经网络中得到应用。相比之下，模糊控制系统则是由专家系统直接提供规则，这些规则填充于规则矩阵中，在这一点上，它要比训练一个神经网络简单得多；但是模糊控制也存在弊端，模糊控制的自适应能力较差。结合上文分析，联想到将神经网络控制和模糊控制相结合，共同应用于中央空调节能系统中，实现最优控制。采用神经网络控制对采集到的温度、湿度以及人数等参数进行处理，得到人体的舒适度值；采用模糊控制将人体的舒适度值控制在最佳值附近，实现空调的智能化控制，同时也实现了节能。

六、加强对空调的维护保养管理

为防止安全事故发生,应该不断加强中央空调的维护保养,确保中央空调正常运转,严格要求机械操作人员认真做好中央空调的维护保养工作,具体要求如下:要求机械操作人员每天认真填写中央空调运行、运转记录；机械操作人员严格执行三检制：即工作前、工作中、工作后都应对自己所操作的机械进行认真的检查；组织专业人员定期对中央空调进行安全性能检查。这样，既保证了中央空调的正常运转，又充分发挥了中央空调的使用效率，并消除了一切使中央空调遭到损坏、人身受到伤害的因素或现象，从而避免了机械事故的发生，确保节能减排工作的顺利实施。中央空调的操作人员和管理人员都应该严格执行持证上岗制度，定期培训。

七、结束语

总之，采取正确有效的节能手段和方法，实现中央空调智能系统的节能，对于国家经济的发展具有重要的意义。

参考文献

第7篇：循环神经网络的优点范文

关键词：神经模糊系统;堆垛机;故障诊断

中图分类号：F253.9 文献标识码：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

航空货运伴随经济全球化进程和日益激烈的企业竞争得到了飞速发展。航空货运是高附加值高速高效的货运手段，在货物运输总时间中，机场货运站货物处理时间占据了近80%，因此货运站工作效率高低直接影响到航空货运的效率。货运站中物流装备的工作效率及平均无故障运行时间是保障整体效率的关键因素之一。

升降式转运车（Elevating Transfer Vehicle， ETV）是大型机场货运站内结构刚度、制作精度、安全性要求最高、货物存取动作最多、控制策略最复杂的大型机电设备，是一个大型航空货运站货运能力的标志。作为控制性核心设备，在ETV发生较复杂故障时，能够快速诊断并处理，就显得尤为重要。

ETV的基本结构如图1所示，由于ETV本身的复杂性，它的复杂性故障原因与征兆之间呈现出较复杂的逻辑关联关系，呈现出“多因一果”、“多因多果”、“一因多果”等特点，很难用单一的判别函数进行故障分离和解析。因此，考虑使用神经网络+模糊推理系统融合的模式进行诊断判别研究。

1 模糊神经网络

模糊推理（Fuzzy System， FS）技术和神经网络（Neural Network， NN）能够很好的融合，源于两者的相似性。两者均是具有并行处理能力的非线性输入/输出系统。FS和NN融合，将符号处理（物理符号机制）和非符号处理（联络机制）进行了有效关联，将不精确处理与精确处理做了很好的互补。因此，融合有助于提高模糊推理系统的自适应能力，同时提高了NN的全局性能与可观测性。这里选用Mamdani模型FS和BP-NN进行融合。

Mamdani模型选用极大―乘积复合推理范式，规则形式一般为：

设U■，U■，…，U■为n个有界论域，记U■=a■，b■。每个论域按一定规则划分为l个凸模糊子集R■，其隶属度函数记为μ■x■。模糊规则集表示为：

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为模糊规则数。结论“y is y■”由前提和第j条模糊规则得到。

μ■=μ■x■・μ■x■…μ■x■・μ■ （2）

最终系统的输出可以用“重心法”求得，其中ε■为第j条规则权重（重要度）。

y=■ （3）

堆垛机故障诊断属于多输入―多输出（MIMO）的模糊推理系统，为研究方便，可以将其分解成多个多输入―单输出（MISO）的系统，给出系统结构如图2所示。

该系统分成5层，第一层为输入层，第二层对应模糊系统条件（IF），输出输入变量对应模糊集的隶属度函数，在本系统中，隶属度生成函数使用高斯函数：

μ■=e■ 1≤i≤n， 1≤j≤m （4）

第三层是推理层，输出对应每条规则的适应度，π■节点是乘法器。输出为所有输入的乘积，设为α■，α■的计算如（5）所示：

α■=■μ■■ i=1，2，…，n; j=1，2，…，m （5）

第四层计算式（3）中的分子和分母值。分子为■w■・α■・y■，其中w■等价于式（3）中的ε■。第四层的计算结果和第五层一起实现最终的去模糊化处理工作。

由图2结构看，该神经模糊系统本质和多层前馈神经网络是一致的，可以参考BP神经网络的误差反传算法来调整参数。这里面主要需要调整的参数为隶属度函数的宽度σ■■和中心值c■■，此外还有第四层输出规则置信度w■。参数调整公式有：

■ （6）

式中，η为学习率，一般取大于零的数。c为输出的数据个数，m■是u■的模糊分割数。

2 故障征兆采集与模糊处理

根据现场试验和专家维修经验，通过技术资料整理归纳，做出故障征兆信息的隶属度分布。

X■：“噪音及振动”=■+■+■+■+■

X■：“变频器电流”=■+■+■+■+■

X■：“定位超时”=■+■+■

X■：“运行速度超标”=■+■+■+■+■

X■：“存取货超时”=■+■+■

X■：“动作执行步骤不完备”=■+■+■

+■+■

X■：“电机过热”=■+■+■

X■：“安全互锁失效”=■+■

X■：“动作执行错误”=■+■

对复杂故障，主要界定一级故障原因。堆垛机复杂故障一级原因主要有：y■检测控制光电未报警失效;y■通信故障;y■软件故障;y■变频器故障;y■电机减速器滚筒故障;y■钢结构变形故障。同时确定故障的模糊范畴描述，如表1所示：

根据设计人员、维修人员、工程专家及现场归纳，做出如表2所示的故障征兆与故障原因对应关系的模糊规则库，同时该库作为神经模糊系统网络的训练样本。

3 神经网络训练与故障诊断

神经模糊系统结构模型本质是BP神经网络，因此也存在着一些BP神经网络固有的缺陷，例如容易陷入局部极值、收敛速度慢等。此外，隶属度函数的参数a和c■■，以及规则权重值w■等都严重依赖专家经验，而BP网络训练时对初始权值和阈值非常敏感，容易造成优化失败。采用粒子群算法优化BP神经网络是目前比较通用的一种做法，它是利用粒子群算法经验参数依赖度低、全局搜索能力强、并行计算等优点来提高BP权值训练速度，避免陷入局部极小比，提升其推广概括能力。

本文采用的粒子群优化BPNN的方式是：在确定神经网络结构的基础上，将BP网络的权值按统一的次序排列为一个向量的元素，将该向量作为粒子群中的一个粒子，然后将BP神经网络正向传播过程得到的误差作为PSO算法的适应度函数，由BP神经网络和PSO算法的循环迭代来找到最佳的BP网络的权值。

采用PSO优化方法，其中粒子编码长度为（5+5+3+5+3+5+3+2+2）×2+7×6=108。设定训练目标均方误差目标为0.001，最大循环次数为10 000次。PSO的参数设定为：c■，c■分别设为2.5、1，惯性权重w采用由shi提出的线性递减权重策略，即：

w=w■-■×t （7）

式中：w■=0.9，w■=0.4，t为当前迭代次数;最大限制速度V■。算法优化网络训练情况如图3所示。网络的仿真输出如表3所示，采用PSO优化方法，经过130次左右的训练，误差满足要求，网络训练成功。

系统输出故障原型的隶属度向量y，通过判断分析y来确定故障原因。故障原因分析可以采用最大隶属度原则，即将输出层中最大隶属度节点作为故障原因，这种方法虽然可行，但是和实际现场是有差异的。作为一台机电一体化设备，堆垛机融合了计算机技术、通信技术、电子技术、控制理论等多门学科理论与技术，其复杂故障，往往不是一个单一的原因造成的，往往是由主要原因和辅助原因共同作用产生的结果，这就是“一果多因”的情况。因此需要根据输出结果，综合表1设定的故障模糊输出隶属度，来综合判定系统的输出代表的故障类型。

选择一个非样本输入，检测系统的容错和泛化能力。输入故障征兆：

X=■+■+■+■+■+■+■+■+■

得到网络输出为：

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

采用故障模糊隶属度判断，该故障主要原因应该是电机故障，但是变频器可能也有故障存在，优化计算得到的结论与工程现场实际做出的判断相符合。根据分析建立的故障诊断系统，加入了在北京首都国际航空货运站中集天达空港工程有限公司堆垛机控制系统中，作为控制系统的一个独立功能模块存在。通过实际验证，系统能够有效准确地对堆垛机复杂故障作出有效的故障原因分析，对复杂多原因的情况，能够给出可能原因的置信度，使维修工作能够有重点，同时不放过其他可能性，更加符合现场的实际应用。

4 总 结

经现场统计，使用了该系统后，堆垛机的MTBF从原设计的500小时提升到了978小时左右，说明该系统对故障的定位分析准确。将故障处理在萌芽状态，是提升MTBF的有效途径。同时由于建立了故障征兆信息实时提取系统，将定量的一些指标参数实时输入系统，其系统就具备了故障的预判功能，在征兆刚出现的时候，就能够综合判断可能会发生的故障，从而为设备的维护保养提供了科学的参考依据。

参考文献：

[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] 李医民，胡寿松. 模糊神经网络技术在故障诊断中的应用[J]. 系统工程与电子技术，2005，27（5）：948-952.

[4] 汤F安. 基于软计算融合的城市道路交通资源选址研究[D]. 兰州：兰州交通大学（博士学位论文），2011.

[5] 牛强. 语义环境下的矿井提升机故障诊断研究[D]. 徐州：中国矿业大学（博士学位论文），2010.

第8篇：循环神经网络的优点范文

摘 要：针对现有的积冰后阻力系数预测模型与实验数据误差较大，而且无法满足三维机翼的预测需求的问题，提出了一种基于广义回归神经网络的改进预测方法。基于现有的积冰理论和实验结果，分析了可能影响积冰外形的环境参数，并针对三维机翼的特点对上述参数进行修正，从中抽取了影响最大的一组影响因素作为网络的输入。为了达到最优的结果，采用交叉验证的方法预估平滑参数。仿真结果表明，该方法对于无后掠机翼的预测结果的精确度显著高于现有的Bragg，Gray，HPC模型，同时对于有后掠的机翼依旧能保持较高的精度。

关键词：飞机积冰 飞行力学 广义回归神经网路 阻力预测

中图分类号：V24 文献标识码：A 文章编号：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

飞机积冰一般是指过冷水滴或冰晶撞击到机体表面积聚形成冰层的现象。飞机积冰，特别是翼面积冰会导致操纵效率和安全裕度降低，严重时会造成机毁人亡。AOPA统计了1990―2000年的飞行事故，在所有由气象因素导致的事故中，积冰事故占12%，达到388起[1]。鉴机结冰的严重危害，人们对于它的研究可以追溯到20世纪初，并且在20世纪30年代就有了简易的除冰系统[2]。1948年，Preston和Blackman[3]进行了首次成功的结冰飞行实验。实验中阻力系数增加了81%，驾驶员明显感到飞机几乎要超出可控边界。

目前为止最为完整的试飞数据来自于NASA对DHC-6双水獭飞机的实验。实验详细测量了不同冰形，不同结冰条件下的飞机性能，并通过改进的最大似然法和改进的逐步回归法对气动导数进行辨识[4]。与此同时，飞机的推力、着陆襟翼和迎角等因素的影响也被加以研究。

NASA还与FAA合作进行了平尾结冰项目[5]（TIP）的试飞工作，获得了操稳特性受积冰影响的规律[6]。

相比行试验，冰风洞实验由于其安全、高效、相对廉价的特性成为了获得结冰后飞机部件性能数据的主要手段。目前国际上最著名，数据也最权威的冰风洞是NASA的IRT风洞。国内由于之前投入较少，这种大型冰风洞还处于摸索和建设阶段。

基于风洞实验数据，前人建立了多种积冰后的阻力系数预测模型，分别是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教授根据IRT风洞中NACA 0012翼型的实验结果所归纳出的一个十分简单的分段线性模型。它只包含了3个参数：累积系数Ac，总收集效率E，冻结系数n的函数g（n）。由于基础数据较为单一，形式简单，该模型的精度在所有模型中最差。

Gray模型的数据来源于无后掠的NACA 65A004翼型实验，包含参数较多。相比于Olsen模型，增加了积冰时的迎角和正常飞行时的迎角，总的收集效率E。

由于数据来源的限制（只对某一种翼型进行了风洞测试），Gray模型和Olsen模型一样存在着精度较差，适用范围窄的问题。

在20世纪末，由于CFD技术的发展，这种工程方法一度销声匿迹。然而CFD方法虽然精度较高，但是计算速度慢、硬件要求高的特点使得它无法用在对实时性要求非常高的在线预测上，工程方法再次体现了其生命力。HPC模型[9]是Yiqiang Han于2012年利用Gray，Flemming，Olsen，Shin等人的实验数据，与自身进行的冰风洞试验作对比，采用线性回归方法得出的估算模型。

与之前两个模型相比，HPC模型考虑的影响因素更多（具体符号含义见1.2节），涉及多种翼型和外界环境条件，所以拟合出的近似公式精度远高于它们，误差约为±33.4%。

当前，大多数飞机的机翼都存在着一定的后掠，而后掠效应会使得机翼前缘的冰型发生改变，从而改变机翼的气动系数。以上的3个模型都仅针对二维翼型，未能体现出后掠的影响，该文的预测模型会将后掠效应也考虑在内，以使其具有更好的适用性。

1 通过外界条件预测积冰后机翼阻力系数

1.1 广义回归神经网络（GRNN）简介

广义回归神经网络（Generalized Regression Neural Network）是由Donald F Specht于1991年提出的，是径向基神经网络的一种。它具有以下优点[10]：

（1）很强的非线性映射能力及高度容错性、鲁棒性，适宜解决非线性问题。

（2）它的网络结构相对简单，除了输入和输出层外，一般只有两个隐藏层：模式层和求和层（图1）。而模式层中隐藏单元的个数与训练样本的个数是相同的。

（3）它的网络训练非常简单。当训练样本通过隐藏层的同时，网络训练随即完成。而不像前馈神经网络一样，需要非常长的训练时间和高的计算成本。

（4）由于简单的网络结构，大家不需要对网络的隐藏层数和隐藏单元的个数进行估算和猜测。由于它是从径向基函数引申而来，因此只有一个自由参数，即径向基函数的平滑参数。而它的优化值可以通过交叉验证的方法非常容易地得到。

（5）最后，它的一个非常值得强调的优点就是，网络计算结果的全局收敛性。标准的前馈神经网络的计算结果则经常不能达到全局收敛，而停止在局部收敛。

1.2 训练样本的参数选择

由机积冰是一个非常复杂的相变过程，很多气象参数和飞行状态参数都会对其产生重要影响。为了提高神经网络的泛化能力，需要对各类积冰影响参数作出选择和组合。

根据目前的研究，显著影响积冰形状和位置的因素有如下几个[7，9，13]：平均水滴直径（MVD）、液态水含量（LWC）、环境温度T，积冰时间τ，来流速度V，来流迎角α，积冰迎角αi，机翼后掠角Λ，机翼自身的几何特性。

机翼自身的几何特性影响的是水滴撞击位置的分布，所以这种影响可以用当地收集效率β来表示，考虑到计算的可行性，进一步特化为驻点处的当地收集效率β0，其计算方法为：

（1）

当存在后掠时，若后掠角为Λ，此时驻点处的当地收集效率β0，Λ可以表示为一个与后掠角有关的函数：

（2）

式（1）中K0是修正惯性参数，由Langmuir和Blodgett提出[2]，表达式为：

（K-）当 （3）

上式中，惯性参数K取为：

（4）

V为来流速度；MVD为过冷水滴直径；ρw为液态水的密度；d为机翼前缘半径，μa为空气动力粘度。

λ/λStokes为无量纲的水滴范围参数，根据过往的实验数据可以近似定义为：

（5）

Reδ被定义为水滴的雷诺数，用来流速度V，水滴直径MVD，空气密度ρa，空气粘度μa进行定义：

Re （6）

液态水含量和积冰时间的影响主要可以被归结到一个被称为累积系数（Ac）的参数上。

（7）

机翼积冰（特别是明冰）与机翼表面的水膜流动息息相关，即使其他条件一致，随着表面张力的变化，机翼的冰型也会随之发生变化。2003年，Anderson和Tsao[12]引入了韦伯数WeL的概念用来描述表面张力的影响：

（8）

上式中V为来流速度；L为特征长度，该文中将L取为前缘半径（d）的两倍；ρw为液态水的密度，σ为过冷水滴的表面张力。该参数对霜冰影响不大，对于明冰的影响较为显著。

根据文献[13]，NASA的Glenn中心曾经提出过一种比例理论，即他们认为：对于两个等比缩放的机翼，若保持β0，Ac，冻结系数n0，WeL相同，其表面生成的冰型也应是近似等比缩放的。所以根据这个理论和前人所提出的模型，该文选用的积冰参数如表1所示，它们将作为输入变量被导入至广义回归神经网络。前文提到的由于难以精确计算，故该文不将其直接列入选用的积冰参数之中，而是通过多个冗余参数来近似代替。

1.3 训练样本的数据来源

该文所用的训练数据来自于已出版的公开文献，以NASA Glenn中心的IRT风洞实验数据为主，具体引用状况如表2所示。

2 实验分析

2.1 网络的搭建与训练

由于网络结构简单，所以不需要对隐藏层和隐藏单元的个数和结构进行猜测，只需要求出径向基函数的平滑参数，即SPREAD值。由于训练样本较少，采用交叉验证的方法训练GRNN网络，并循环找出最佳的SPREAD值，以达到最好的训练效果。该文所用网络采用matlab的神经网络工具箱进行实现。

因为表2中的文献数据部分参数有缺失和错误，所以经过删减后训练样本的最终数目为256组。

2.2 结果与分析

图2中阻力系数为冰风洞试验结果，为广义回归神经网络的预测结果。

在所有256组数据中，79.29%的数据落入10%的误差区间内，90.20%的数据落入30%的误差区间内，96%的数据落入50%的误差区间。

NASA的Bragg（Olsen）模型和Gray模型的误差大致在50%～70%，HPC模型的误差至少为33.4%。通过图3、图4可以看出：与前人的模型相比，即使由二维翼型扩展到了带后掠的机翼，广义回归神经网络的结果误差依旧更小，特别是在严重积冰（阻力增量较大）的区域的吻合度远优于HPC模型，说明该方法能更好地预测积冰后的阻力系数；同时该方法依旧保有工程方法计算速度快的特点，平均仅耗时0.2 s。偏离中心线较远的数据主要来源自带有后掠角的积冰实验，这可能是后掠翼积冰的训练样本相对较少所致，也有可能是因为Tsao拟合出的式（2）存在着一定的误差。

3 结语

基于广义回归神经网络，提出了一种考虑到后掠效应的积冰后机翼阻力系数预测模型。仿真结果表明：在机翼没有后掠角的情况下，该方法的估计精度远优于现有的预测模型；除此之外，该模型还能预测现有模型无法做到的有后掠角的情况下的阻力系数，并依旧能够保持较高的预测精度。

参考文献

[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] 闻新，周露，李翔，等.MATLAB神经网络仿真与应用[M].北京：科学出版社，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：循环神经网络的优点范文

关键词：变压器油；油气分离；在线监测；油中溶解气体；诊断

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

中图分类号：TU74文献标识码：A 文章编号：

1变压器油中溶解气体在线监测

1.1油气分离技术

油气分离技术是绝缘油中溶解气体色谱在线监测系统的核心，也是难点之一，怎样快速高效的分离油气且能够自动、长寿命、无污染以及不消耗绝缘油溶解在变压器油中的微量故障特征气体，是变压器油溶解气体色谱在线监测技术发展的趋势。

(1)膜油气分离装置。在学者们对渗透膜进行了大量研究，用高分子材料分离膜渗透出油中气体，并制作成相应的在线监测系统对变压器油进行分析后，又相继研制成功了聚酰亚胺、聚六氟乙烯和聚四氟乙烯等各种高分子聚合物分离膜，以及相应的监测装置。由于聚酰亚胺等透气性能和耐老化能力差，而聚四氟乙烯的透气性能好，又有良好的机械性能和耐油等诸多优点，因此国内外早期产品选用聚四氟乙烯作为油中溶解气体监测仪上的分离膜。

(2)波纹管顶空式分离技术。利用波纹管的不断往复运动，将变压器油中的气体快速的脱出，具有效率高、莺复性好的优点。并且采用循环取油方式，油样具有代表性。但由于顶空方式的油样与气样之间没有隔离，脱出的气样中会含有少量的油蒸汽，从而造成对色谱柱的污染，降低色谱柱的使用寿命。且波纹管的寿命有限，同时由于波纹管的磨损，对变压器油存在一定程度的污染。

(3)动态顶空式分离技术。主要原理是以载气在色谱柱之前往油中通气，将油中溶解气体置换出来，送入检测器检测，根据油中各组分气体的排出率调整气体的响应系数来定量。这种方式脱气速度较快，但由于要不断通入载气，不能使用循环油样，以免载气进入变压器本体油箱，因此油样代表性差。另外，在脱气完毕后，必须把油样放掉，这样每次检测必然消耗少量的变压器油。

(4)真空鼓泡式分离技术。在恒温状态下，将油气分离装置抽为真空，然后将油样导入脱气装置，从油中析出气体在气泵的作用下对油样进行鼓泡，待液相油中气体浓度与气相浓度达到溶解平衡时，停止鼓泡。该方法的优点是脱气率高、重复性好，不污染变压器油，油气分离速度快，可实现连续脱气。

1.2混合气体分离

混合气体的分离和检测主要有单组分气体检测和多组分气体的分离和检测。单组分气体的检测主要是对氢气和可燃总烃进行的检测。利用渗透膜进行油气分离，常用的氢气检测器主要有钯栅极场效应管、催化燃烧型传感器和燃料电池。多组分气体检测器主要有热导检测器、阵列式气敏传感器法、半导体气敏传感器、红外光谱技术和光谱声谱技术。

1.3数据采集和处理

色谱数据采集器将采集到的气体浓度电压量通过通讯总线上传给安装在主控室的数据处理服务器，数据处理服务器根据仪器的标定数据进行定量分析，计算出各组分和总烃的含量以及各自的增长率。

1.4故障诊断

在线监测软件根据各种气体含量对变压器状态进行状态评价，从而实现变压器故障的在线监测，预测变压器潜伏性故障

2主要研究成果

2.1国内成果

(1)BSZ系列大型变压器油色谱在线监测装置BSZ系列大型变压器油色谱在线监测装置是由东北电力试验研究院和本溪供电局联合研制的。它由油样引入系统、检测部分和在线遥控器3部分组成。采用自动全脱气进样、色谱仪分析、定期向遥控显示器发送检测结果。检测的气体是甲烷、乙炔、乙烯、乙烷。BSZ一1型装置于1993年3月研制成功，在试运行期间，装置获得了良好的效果。随后又相继推出了BSZ一2、BSZ一3型，并不断的提高改善监测的稳定性、抗干扰能力、报警功能、油循环系统、工艺水平等。

(2)TRAN变压器早期故障监测仪

TRAN型变压器早期故障监测仪系北京电子管厂生产，其前身为BGY—l型变压器在线监测装置。BGY—l型氢气监测仪，其性能不稳定，容量出现误报，需经常调整、标定、维护，显得麻烦。因此，虽然当时大力在各省推广，但后来基本上全部退出使用。TRAN型监测仪在BGY—l型装置的基础上，改单通道为双通道，增加了判别油中产气速率的功能，提高了装置的可靠性。TRAN仪器采用高分子薄膜透氢，以钯栅场效应管作为检测器，通过温度补偿来测量气室中气体浓度，从而换算出油中氢气浓度。如果超过警戒值，则发生声光报警。

(3)DDG一1000氢气在线监测仪

DDG一1000变压器油中溶解氢气在线监测仪是中国电科院研制的产品。该装置采用特制的聚芳杂环高分子膜透氢和载体催化敏感元件作为检测器。该仪器结构简单，安装方便，能自动定时检测并显示测试结果，己在变电站和电厂投运6台，最小检测浓度可达lυL／L。

(4)MGA2000-7H系色谱在线监测系统

MGA2000-7H色谱在线监测系统是宁波理工的第三代在线监测系统，采用纳米晶半导体材料添加稀有金属，广谱型纳米晶半导体气体检测器，由于纳米晶材料具有松散的颗粒结构，利于气体的迅速扩散，从而提高了响应速度和检测灵敏度。

2.2国外成果

(1)HYDRAN201R型监测仪

HYDRAN201R型监测仪是由加拿大SYPROTEC公司研制的产品。HY—DRAN201R工作原理是采用可渗透气体的聚四氟乙烯薄膜来测量溶解气体的扩散率。测试时，安装在变压器上的传感器的薄膜与油接触，溶解气体渗过膜进入燃料电池空腔内，在空腔内，气体迅速被燃料电池消耗掉。每个氢分子到达燃料电池的阳极时便会产生2个电子与2个氢离子，周围空气中的氧在阴极处与氢离子发生还原反应生成水。由燃料电池所产生的电子流通过读取一个负载电阻上的电压值来测定，经过信号放大，显示出油中氢气的浓度。传感器的输出取决于通过膜渗透的速率，而渗透速率又与油中溶解气体的浓度成正比。

(2)Transfix变压器油中溶解气体及微水在线监测系统

Transfix变压器油中溶解气体及微水在线监测系统是英国凯尔曼公司的产品。该产品突破性地采用了英国凯尔曼公司专利的光声光谱(PAS)检测技术，采用稳定可靠的光声光谱检测模块，是新一代的油中溶解气体及微水在线监测装置，可提供油中八种溶解气体及水分含量，但其检测精度不高、高透过率的滤光片难以制造以及对油蒸汽污染敏感，环境适应能力较差。

(3)DRMCC变压器在线监测系统

DRMCC变压器在线监测系统是澳大利亚wilson变压器公司推出的产品。该系统同时通过油色谱分析法、微水分析法和热比模式法来综合判断变压器的绝缘状况。该系统已经在澳大利亚、美国和日本等发达国家相继使用，用户给予了相当高的评价。

3故障诊断方法

IEC推荐的三比值法广泛应用于电力部门，但经过长时间的实践，发现其编码与变压器故障之间并非一一对应，有些故障类型并没有相应的编码，出现缺码现象。针对这种情况，研究人员应用神经网络、支持向量机、模糊数学、粗糙集等现代数学手段对三比值法进行改进，提高变压器故障识别能力和诊断的准确率。

3.1人工神经网络(ANN)

人工神经网络方法是一种全新的、有前景的故障诊断方法在知识获取上，不需要由知识工程师整理、总结以及消化领域专家的知识，只需要用领域专家解决问题的实例或范例来训练神经网络，其知识获取具有更高的效率，神经网络的知识推理是通过神经元之间的相互作用实现的，从总体上讲，神经网络的推理是并行的，速度快。

在神经网络中，允许输入偏离学习样本，只要输入模式接近于某一样本的输入模式，则输出也会接近学习样本的输出模式，这种性质使ANN具有联想记忆能力，在许多领域的故障诊断系统中得到了应用，王财胜将BP神经网络应用于变压器故障诊断，建立起学习样本集，提出了两种输入方式，并用它对神经网络进行训练。通过验证，结果显示该BPNN诊断法有较高的准确性。

3.2支持向量机

支持向量机（Support Vector Machine，SVM）是在统计学理论基础上发展起来的一种新的、非常有效的机器学习方法。利用最小二乘支持向量机，变电站的实际运行数据，采用结构风险最小化原理，使用非线性回归，分析变压器油中溶解气体之间的复杂关系对并其进行诊断。数据的分析精度的控制主要由遗传算法以及支持向量机参数的优化构成。

3.3模糊理论

模糊诊断不需要建立精确的数学模型，适当运用隶属函数和模糊规则，进行模糊推理就可以实现模糊诊断的智能化。模糊聚类法(ISODATA)是一种较好的模糊系统辨识方法，利用模糊关系矩阵解决不完全对应问题，用模糊综合评判的方法诊断电气设备故障。

张冠军将此方法应用到变压器故障诊断中，通过动态聚类的方法构造最优模糊分类矩阵和聚类中心，然后按与中心最近原则确定故障类别。在此基础上，孙才新结合模糊集理论和各种聚类算法提出模糊模式动态多层聚类算法，选用模糊贴近度作为样本之间的相似性尺度，采用动态分类求取最优分类结构，逐步对样本集进行更为细致的分类，获得了较高诊断正确率。

3.4粗糙集理论

粗糙集理论是一种较新的软计算方法，它能够有效地分析和处理不精确、不一致、不完整等各种定性、定量或者混合性的不完备信息，可以描绘知识表达中不同属性的重要性，进行知识表达空间简化。

鉴于电力变压器信息的不完备性及复杂性，莫娟提出了一种能较好处理不完备信息的变压器故障诊断模型。该模型基于对大量电力变压器故障征兆及故障类型的分析统计，利用粗糙集进行约简以获取诊断规则。同时，还可通过丰富训练样本、修正决策表的自我完善方法使诊断效果不断提高。实例表明，该方法的确能够提高故障细分、诊断的正确性。

4结束语

变压器在线监测的最终目的是保障变压器的安全运行。高效益的在线监测能在长期运行中降低设备的事故率，实现状态检修，减少维护工作量，降低维修费用。油中溶解气体在线监测是一项很有发展前景的技术，对于监测装置，小型化、智能化、简单化以及高可靠性是其发展的方向，而将更加快速、准确的诊断方法应用其中，也是变压器在线监测与故障诊断技术的发展趋势。

参考文献：

[1]赵福生。BSZ 系列变压器油色谱在线监测装置。变压器，2002，39(增刊1)

[2]贾瑞君。变压器油中溶解氢气在线监测仪的研制。电网技术，1998，22(1)

[3]王联群，马丽。变压器油中溶解气体在线监测技术的发展现状。湖南电力，1999，19(5)

[4]吕政扬，刘晚安。变压器在线监测技术的新突破。西北电力技术，2003。(2)

[5]王财胜，孙才新，廖瑞金。变压器色谱监测中的BPNN故障诊断法。中国电机工程学报，1997，17(5)

[6]张冠军，钱政，严璋。变压器绝缘诊断中的模糊ISODATA法。高电压技术，l999，25(1)

[7]邓乃扬、田英杰，数据挖掘中的新方法—支持向量机。北京：科学出版社，2004

[8]孙才新、陈伟更，电气设备油中气体在线监测与故障诊断。北京：科学出版社，2003