由于汽輪二手發電機出租機組振動故障征兆與故障特征之間復雜的非線形特征，使其故障診斷與識別變得十分困難。近年來，人工神經網絡（八）以其獨到的聯想、記憶、儲存和學習功能，使得其在機組振動故障診斷中的應用受到廣泛的關注。ANN中常用的網絡有BP網絡、RBF網絡等。BP網絡是成熟，應用廣泛的一種網絡。

　　為提高BP網絡學習收斂速度，避免陷入局部小點，通常要加入動量項的權值調整公式。本文指出了謅學習率和動量因子大小不匹配時，雖然加入動量項后提高了學習速度，卻引起誤差曲線振蕩，并提出兩種避免誤差曲線振蕩的方法：（1）學習率和動量因子隨著誤差進行自適應調整；（2）誤差逼近度漸近收縮學習算法。

　　自適應神經網絡在二手發電機機組故障診斷中的應用

　　1BP網絡的拓撲結構及其算法131是一個典型的三層BP網絡拓撲結構圖。

　　BP網絡拓撲結構圖Wi，M分別為輸入層、隱含層、輸出層神經元數量；％為輸入層第/個神經元與隱含層第/個神經元之間連接權值；為隱含層第/個神經元與輸出層第是個神經元之間連接權值，/=1，2，…，N-7=1，2，對于給定的訓練樣本集，采用批處理的方法構造誤差函數：2為網絡學習收斂曲線。

　　系統誤差：。5理想輸出；為輸出層第々個神經元對應于第戶個樣本的實際輸出。

　　權值采用加入動量因子的調節公式wJt（t+1）=w，A-1lWk+a（yvjit）為避免進入S型曲線的飽和區，在網絡學習過程中，當S函數的實際輸出小于0.01或大于0.99時，將其輸出值直接取為。1或99. 2自適應學習率的BP網絡算法及其訓練誤差的振蕩性2.1自適應學習率的BP網絡算法在BP網絡算法中，二手發電機決定網絡學習收斂速度的學習率值取多大合適，一直是討論熱點。計算得到了學習率的理論公式，但計算量大，應用受到限制。本文選用下列調節公式：當誤差增量為正時，減小學習率，否則增大學習率。實例表明，式（3）能有效地提高網絡學習收斂速度，但當動量因子《取值不當時，會引起誤差曲線振蕩。采用表1中的原始數據，當網絡結構9-12-9，學習率初始值；/=0.75，>5=0.15，動量因子《=0.85時，圖這樣，對某個樣本P及相應的輸出神經元，如理想輸出與實際輸出之差大于誤差逼近度，則作相應的權調整；如這個差值小于誤差逼近度，則逆傳播于各神經元的誤差信號為零，就無需對該樣本P及相應的輸出神經元進行權值調整了。由于每次訓練只調整輸出誤差較大的神經元，且選擇較大的學習速率和動量因子，輸出誤差較小的神經元不做調整，也不會出現過學習現象，輸出誤差不會出現波動，因此此方法可大大提高收斂速度，且誤差收斂曲線平穩，不會出現振蕩。

　　誤差逼近度的取值問題也極為重要，過小則每次需調整的神經元太多，影響其訓練速度和誤差曲線平穩性；過大則由于訓練網絡每次迭代需調整的神經元過少，而使網絡不能真正學會輸入輸出模式的基本映射關系，一般取值小于。5.對于簡單的故障診斷問題，因輸出神經元少，M可選小些。相反對于復雜的故障診斷問題，因輸出神經元訓練次數誤差逼近度漸近收縮學習算法的收斂曲線多，應選大些，然后隨著誤差的減小而逐漸減小。

　　采用表1中的原始數據，動量因子a=0.9，幻=0.022，其它條件不變，為網絡學習收斂曲線。從圖中可看出，網絡收斂速度較快，且沒有出現振蕩。

　　4汽輪二手發電機機組故障診斷與識別某機組3號軸承的振動信號經FFT變換后對各頻率段上的振幅進行歸一化處理，得故障征兆為，將其輸入上述已訓練好的網絡中，網絡輸出即該征兆相對于各故障的隸屬度，如表2.故障類別誤差逼近度漸近收縮學習算法應學習率算法不平衡碰磨不對中軸承與軸頸偏心轉子裂紋聯軸器故障亞諧共振油膜振蕩松動根據大隸屬度的原則，即可診斷出該機組的故障為“不對中”和“軸承與軸頸偏心”，該結論己被實際檢修所證實。