由于汽轮发电机组振动故障征兆与故障特征之间复杂的非线形特征，使其故障诊断与识别变得十分困难。近年来，人工神经网络（八）以其独到的联想、记忆、储存和学习功能，使得其在机组振动故障诊断中的应用受到广泛的关注。ANN中常用的网络有BP网络、RBF网络等。BP网络是最成熟，应用最广泛的一种网络。

　　为提高BP网络学习收敛速度，避免陷入局部最小点，通常要加入动量项的权值调整公式。本文指出了诌学习率和动量因子大小不匹配时，虽然加入动量项后提高了学习速度，却引起误差曲线振荡，并提出两种避免误差曲线振荡的方法：（1）学习率和动量因子随着误差进行自适应调整；（2）误差逼近度渐近收缩学习算法。

　　1BP网络的拓扑结构及其算法131是一个典型的三层BP网络拓扑结构图。

　　BP网络拓扑结构图Wi，M分别为输入层、隐含层、输出层神经元数量；％为输入层第/个神经元与隐含层第/个神经元之间连接权值；为隐含层第/个神经元与输出层第是个神经元之间连接权值，/=1，2，…，N-7=1，2，对于给定的训练样本集，采用批处理的方法构造误差函数：2为网络学习收敛曲线。

　　系统误差：。5理想输出；为输出层第々个神经元对应于第户个样本的实际输出。

　　权值采用加入动量因子的调节公式wJt（t+1）=w，A-1lWk+a（yvjit）为避免进入S型曲线的饱和区，在网络学习过程中，当S函数的实际输出小于0.01或大于0.99时，将其输出值直接取为。1或99. 2自适应学习率的BP网络算法及其训练误差的振荡性2.1自适应学习率的BP网络算法在BP网络算法中，决定网络学习收敛速度的学习率值取多大合适，一直是讨论热点。计算得到了学习率的理论公式，但计算量大，应用受到限制。本文选用下列调节公式：当误差增量为正时，减小学习率，否则增大学习率。实例表明，式（3）能有效地提高网络学习收敛速度，但当动量因子《取值不当时，会引起误差曲线振荡。采用表1中的原始数据，当网络结构9-12-9，学习率初始值；/=0.75，>5=0.15，动量因子《=0.85时，图这样，对某个样本P及相应的输出神经元，如理想输出与实际输出之差大于误差逼近度，则作相应的权调整；如这个差值小于误差逼近度，则逆传播于各神经元的误差信号为零，就无需对该样本P及相应的输出神经元进行权值调整了。由于每次训练只调整输出误差较大的神经元，且选择较大的学习速率和动量因子，输出误差较小的神经元不做调整，也不会出现过学习现象，输出误差不会出现波动，因此此方法可大大提高收敛速度，且误差收敛曲线平稳，不会出现振荡。

　　误差逼近度的取值问题也极为重要，过小则每次需调整的神经元太多，影响其训练速度和误差曲线平稳性；过大则由于训练网络每次迭代需调整的神经元过少，而使网络不能真正学会输入输出模式的基本映射关系，一般取值小于。5.对于简单的故障诊断问题，因输出神经元少，M可选小些。相反对于复杂的故障诊断问题，因输出神经元训练次数误差逼近度渐近收缩学习算法的收敛曲线多，应选大些，然后随着误差的减小而逐渐减小。

　　采用表1中的原始数据，动量因子a=0.9，幻=0.022，其它条件不变，为网络学习收敛曲线。从图中可看出，网络收敛速度较快，且没有出现振荡。

　　4汽轮发电机组故障诊断与识别某机组3号轴承的振动信号经FFT变换后对各频率段上的振幅进行归一化处理，得故障征兆为，将其输入上述已训练好的网络中，网络输出即该征兆相对于各故障的隶属度，如表2.故障类别误差逼近度渐近收缩学习算法应学习率算法不平衡碰磨不对中轴承与轴颈偏心转子裂纹联轴器故障亚谐共振油膜振荡松动根据最大隶属度的原则，即可诊断出该机组的故障为“不对中”和“轴承与轴颈偏心”，该结论己被实际检修所证实。

　　从表2还可看出，改进后的网络分类识别性能好，对综合故障的识别性能优越于传统的BP网络诊断方法。

　　5结论提出了自适应学习率及动量因子的BP神经网络，实例表明：在一定程度上，可提高学习收敛速度，且不会引起误差收敛曲线振荡。

　　提出了BP神经网络的误差逼近度渐近收缩学习算法。通过设置误差逼近度，每次训练只调整输出误差较大的输出神经元对应的权值。实例表明：此种算法的学习收敛快，收敛曲线不会振荡，且分类识别性能好，对复合故障的识别性能优于传统的BP网络诊断方法。