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*成熟，应用*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*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。
