设F为学习样本，F=(A，Y)，A=(a1，a2， a3，……，a10)；Y={y1，y2，y3，y4}。其中，A为 样本输入，y为目标输出，ai∈A(i=1，2，……， 19)为故障现象。当ai=0时表示不存在该故障现象， 当ai=1时表示存在该故障现象；yi∈Y(i=1，2，3， 4)为输出层对应单元的输出，当y={1，0，0，0} 时表示第1个故障部位存在，其它故障部位不存在。 例如，当Y={0，0，1，0}时表示连杆轴承响，当 Y={0，0，0，1}时表示曲轴轴承响等。当网络结 构和学习样本选取后，就可以训练神经网络。 采取18个典型样本训练网络，当迭代次数达到 3000次时，误差为0.0001。训练过程误差曲线如 图所示。至此，神经网络已经训练好，网络达到 稳定状态。用最后2个样本进行测试，正确率达到 100％。
BP网络的学习由4个工程组成： 模式顺传播 误差逆传播 记忆训练 学习收敛 BP神经网络的重要优势在于：学习性和自动调整 性 目前主要用于：特征的提取、过程的控制和状态 的预测 实用对象：非线性问题 本课题就是利用其具有的较强的非线性映射特性， 来预测电力系统的负荷
2、基于BP神经网络的汽车发动机故 障诊断
5.参考文献
1. 飞思科技产品研发中心. 神经网络理论与 MATLAB7实现.北京:电子工业出版社.2006 2. 闻新,周露,李翔,张宝伟.MATLAB神经网 络仿真与应用.北京:科学出版社.2003,7 3. Kevin M. Passino, Stephen Yurkovich. Fuzzy Control模糊控制.北京:清华大学出版 社.2001
0.2352 0.2506 0.5
0.2542 0.3125 0 0.2601 0.3198 0 0.2579 0.3099 0 0.2301 0.2867 0.5 0.2234 0.2799 1
2004-7-20
2004-7-21
0.2123 0.1257 0.1343 0.2079 0.5579 0.5716 0.7059 0.7145 0.7205 0.7401 0.8019 0.8136
0.2335 0.1322 0.1534 0.2214 0.5623 0.5827 0.7198 0.7276 0.7359 0.7506 0.8092 0.8221 0.2368 0.1432 0.1653 0.2205 0.5823 0.5971 0.7136 0.7129 0.7263 0.7153 0.8091 0.8217 0.2342 0.1368 0.1602 0.2131 0.5726 0.5822 0.7101 0.7098 0.7127 0.7121 0.7995 0.8126 0.2113 0.1212 0.1305 0.1819 0.4952 0.5312 0.6886 0.6898 0.6999 0.7323 0.7721 0.7956 0.2005 0.1121 0.1207 0.1605 0.4556 0.5022 0.6553 0.6673 0.6798 0.7023 0.7521 0.7756
基于BP神经网络的预测及故障 诊断
1、 BP神经网络概述 2、基于BP神经网络的汽车发动机故障诊 断 3、基于BP神经网络的电力系统负荷预报 4、BP神经网络的不足与改进 5、参考文献
1、 BP神经网络概述
BP神经网络采用误差反馈学习算法，其学习过程 由正向传播和反向传播两部分组成。在正向传播 过程中，输入信息经隐含单元逐层处理并传向输 出层，如果输出层得不到期望的输出，则转入反 向传播过程，将实际值与网络输出之间的误差沿 原来的联接路径返回，通过修改各层神经元的联 系权值而使误差减小，然后再转入正向传播过程， 反复迭代，直到误差小于给定的值为止。将训练 样本训练完毕后，即可进行故障诊断。一般情况 下，学习的故障实例样本越多，诊断结果的准确 率越高。
根据BP网络的设计方法，一般的预测问题 都可以通过单隐层的BP网络实现，所这里用 单隐层的BP网络
输入向量设计
在预测日的前一天中，每隔2个小时对电力 负荷进行一次测量，这样一来，一天共测 得12组负荷数据 由于电力负荷还与环境因素有关，还需要 通过天气预报等手段获得预测日的最高气 温、最低气温和天气特征值（晴天、阴天 还是雨天） 因此，输入变量就是一个15维的向量
汽车发动机故障呈现多部位、多现象、 非线性等特点，因此诊断汽车发动机故障 较为困难，将BP神经网络的联想、推测、 记忆、学习等优点和误差反向传播算法应 用于汽车故障诊断，分析系统网络结构和 性能，利用实际测试的故障样本训练网络 并进行测试。
针对发动机异响的故障诊断为研究对象。发动机 异响包括活塞敲缸响、活塞销子响、连杆轴承响、 曲轴轴承响。 确定BP神经网络选取三层，即输入层节点数为19， 对应于19个故障现象；中间层节点数为5；输出 层节点数为4，对应于4个故障部位。利用发动机 异响，测试仪可以测试汽车发动机处于不同的工 况下。当发动机不同部位振动波形峰值超过限定 参数时，则认为该部位在该种工况下异响明显， 该故障现象代码为1，否则为0。从实践中测试出 训练神经网络的样本实例为20个，每个故障部位 5个。把20个样本输入给BP神经网络加以训练和 测试，从而判断发动机故障部位。在学习初期， 选取较高学习率；在学习后期，选取较小的学习 率。对应的故障现象可归纳为19种，如表所示：
0.2385 0.3125 0
0.2216 0.2701 1
2004-7-14
2004-7-15 2004-7-16 2004-7-17 2004-7-18 2004-7-19
0.2115 0.1201 0.1312 0.2019 0.5532 0.5736 0.7029 0.7032 0.7189 0.7019 0.7965 0.8025
负荷预报的通常的3种解决办法
1.统计技术 ：分时间系列模型和回归模型 。 缺点：不能充分利用对负荷性能有很大影 响的气候信息和其他因素，建立精确模型 困难 2.专家系统 ：利用专家的经验知识和推理规 则，使节假日或有重大活动日子的负荷预 报精度得到了提高 。 缺点：把专家知识和经验等准确地化为一 系列规则是不容易的
谢谢！
划分负荷类型和日期类型
纵观已经发表的文献资料，大体有以下几种划分 模式： 将一周的7天分为工作日（星期一到星期五）和 休息日（星期六和星期天）等两种类型 将一周分为星期一、星期二到星期四、星期五、 星期六和星期日等5种类型 将一周的7天每天都看作一种类型，共有7种类 型 这里采用第3种负荷划分模式，把每一天不加区 分地看作不同的类型
样Байду номын сангаас日期 2004-7-10 2004-7-11
电力负荷 0.2452 0.1466 0.1314 0.2243 0.5523 0.6642 0.7015 0.6981 0.6821 0.6945 0.7549 0.8215 0.2217 0.1581 0.1408 0.2304 0.5134 0.5312 0.6819 0.7125 0.7265 0.6847 0.7826 0.8325
训练结果
预报误差曲线
由图可见，网络预测值和真实值之间 的误差是非常小的，除了第6次出现了一个 相对比较大的误差之外，其余的误差都在0 左右。即使是第6次的误差也只有0.25，这 完全满足应用要求。
4、BP神经网络的不足与改进
基于BP神经网络的预测和故障诊断也存在 一些不足之处，如训练速度过于缓慢，一 般都要数千步以上；网络结构的确定缺乏 严格的理论根据，通常要靠经验选取，这 就需要具有较丰富的经验。针对上述不足， 我们在今后的工作中需要采取改进的BP算 法和结构优化算法，但也势必加大了BP网 络结构和算法的复杂程度。
BP神经网络结构简单、实现方法容易，为人 们提供了获取知识的框架。基于BP神经网络的故 障诊断系统具有柔性信息处理的特点，显示了非 常强的知识获取能力，较好地解决了传统专家系 统中知识获取的难题。可以将知识分布存储于每 个神经元上，学习效率高、容错能力强。同时， 对没有遇见过的故障也有良好的推理能力，即使 输入部分故障现象不准确甚至是错误信息时，系 统能进行综合判断，也能给出较为理想的结果， 从样本训练和故障验证性诊断来看，准确度非常 高。
0.2119 0.1215 0.1621 0.2161 0.6171 0.6159 0.7155 0.7201 0.7243 0.7298 0.8179 0.8229
0.2314 0.2977 0
0.2317 0.2936 0
网络经过了 30 步之后就达到了性能指标要求 TRAINLM, Epoch 0/1000, MSE 0.178884/0.01, Gradient 6.16052/1e-010 TRAINLM, Epoch 25/1000, MSE 0.0257032/0.01, Gradient 0.00688649/1e010 TRAINLM, Epoch 30/1000, MSE 0.00632095/0.01, Gradient 2.28438/1e010 TRAINLM, Performance goal met.
神经网络
众所周知，负荷曲线是与很多因素相关的一个 非线性函数 。对于抽取和逼近这种非线性函数， 神经网络是一种合适的方法。 神经网络的优点：具有模拟多变量而不需要对 输入变量做复杂的相关假定的能力。它不依靠 专家经验，只利用观察到的数据，可以从训练 过程中通过学习来抽取和逼近隐含的输入／输 出非线性关系 近年来的研究表明，相对于前两种方法，利用 神经网络技术进行电力系统短期负荷预报可获 得更高的精度
气象特征
0.2415 0.3027 0
2004-7-12
2004-7-13
0.2525 0.1627 0.1507 0.2406 0.5502 0.5636 0.7051 0.7352 0.7459 0.7015 0.8064 0.8156