神经网络在空调系统故障诊断中的应用.doc

神经网络在空调系统故障诊断中的应用

摘要：随着科技水平的不断提高，电器在日常生活中的应用越来越多。作为生活常用的一种家用电器，空调的使用率也在逐年增长。本文应用神经网络BP算法，对空调的系统故障进行了诊断。

关键词：神经网络；BP算法；空调故障诊断

Applicationofneuralnetworkinfaultdiagnosissystemofair

Keywords:NeuralNetworks;BPalgorithm;Air-conditioningfaultdiagnosis

1引言

随着经济的发展，空调系统得到了越来越广泛的应用，空调设备已成为重要的生活必备品之一。这就要求空调系统可靠性高且功能齐全的同时在故障诊断维修服务方面达到一定的水平。目前国内的大部分空调系统中无故障诊断系统，当空调系统出现故障后，维修人员往往不能及时、准确的了解系统出现故障的原因及相关信息，空调系统也无法得到及时修复。而近年来，神经网络理论引起了美国、欧洲于日本等国科学家和企业家的巨大热情，其应用也已经渗透到各个领域，并在智能控制、模式识别、计算机视觉、信号处理、语音识别与机器人等方面取得了令人鼓舞的进展。

本文将应用神经网络对空调系统进行故障诊断，以提高空调系统的可靠性。

2.神经网络理论

2.1神经网络知识

人工神经网络定义：T.Kohonen指出人工神经网络就是由简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统的真实世界物体所做出的交互反应。

80年代，Feldman等人提出在人工神经网络中采用连接制网络模型（ConnectionistModel）。它不是把知识保存在存储器中，而是由组成人工神经网络计算机的各个神经单元之间的一些连接和连接强度来保存。这里的连接强度，在连接制模型是称为“权重”。

连接制网络模型的特点是，网络中的每个神经元只记少量的信息。它们只对输入的数据进行简单的逻辑或算术运算，并把结果送到有关的连线上。这些操作不由外部程序决定，可以是有这些神经元自主地进行。

在人工神经网络系统中，信息的存贮与处理是合二为一的，即信息的存贮体现在神经元互连的分布上，并以大规模并行分布式方式处理。这种并行处理绝不是简单的以“空间复杂性代替时间复杂性”，而是反应不完全相同的“计算”原理。从数学观点看，可以把神经网看作是有大量子系统组成的大系统，系统的最终行为完全由它的吸引子决定，如果视动力系统的稳定吸引子为记忆的话，那么从初态向吸引子流动的过程就是寻找记忆的过程。出态可以认为是给定有关记忆的部分信息。

2.2BP网络知识

BP神经网络是误差反向传播神经网络的简称，它由一个输入层，一个或多个隐含层和一个输出层构成，每一层由一定数量的的神经元构成。这些神经元如同人的神经细胞一样是互相关联的。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；隐层是内部信息处理层，负责信息变换，根据信息变化能力的需求，隐层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。其结构如下图所示：

图1BP神经网络模型

生物神经元信号的传递是通过突触进行的一个复杂的电化学等过程,在人工神经网络中是将其简化模拟成一组数字信号通过一定的学习规则而不断变动更新的过程，这组数字储存在神经元之间的连接权重。网络的输入层模拟的是神经系统中的感觉神经元，它接收输入样本信号。输入信号经输入层输入，通过隐含层的复杂计算由输出层输出，输出信号与期望输出相比较，若有误差，再将误差信号反向由输出层通过隐含层处理后向输入层传播。在这个过程中，误差通过梯度下降算法，分摊给各层的所有单元，从而获得各单元的误差信号，以此误差信号为依据修正各单元权值，网络权值因此被重新分布。此过程完成后，输入信号再次由输入层输入网络，重复上述过程。这种信号正向传播与误差反向传播的各层权值调整过程周而复始地进行着，直到网络输出的误差减少到可以接受的程度，或进行到预先设定的学习次数为止。权值不断调整的过程就是网络的学习训练过程。

BP算法均有如下一些不足：

eq\o\ac(○,1)网络的结构设计，即隐层及节点数的选取，尚无理论依据。

eq\o\ac(○,2)学习算法收敛速度慢，且收敛速度与初始权的选择有关。