《電子技術應用》
您所在的位置:首頁 > 通信與網絡 > 設計應用 > 自組織特征映射網絡在故障診斷中的應用
自組織特征映射網絡在故障診斷中的應用
來源:微型機與應用2011年第2期
李 鵬1,陳忠一2
(1.91550部隊92分隊,遼寧 大連116023; 2.大連海事大學 輪機學院,遼寧 大連116
摘要: 運用自組織特征映射神經網絡的工作原理和具體實現算法進行故障診斷分析,在對已有神經網絡聚類分析方法概括和總結的基礎上,結合實驗數據、仿真數據對自組織特征映射算法故障模型診斷進行研究,得出了有意義的結論。
Abstract:
Key words :

摘  要: 運用自組織特征映射神經網絡的工作原理和具體實現算法進行故障診斷分析,在對已有神經網絡聚類分析方法概括和總結的基礎上,結合實驗數據、仿真數據對自組織特征映射算法故障模型診斷進行研究,得出了有意義的結論。
關鍵詞: 數據挖掘;神經網絡聚類;自組織特征映射;特征提取

    實時監測設備運行狀況,在運行參數發生變化時及時報警并提示操作人員進行檢查,對于保障設備的正常運行具有重要的意義。傳統的故障診斷方法一般都是采用基于知識的故障診斷系統,以領域專家和操作人員的啟發性主觀經驗知識為基礎,經過產生式推理和演繹推理來獲得大量的規則,從而獲得診斷故障原因和部位。但由于基于知識的故障診斷系統不具有學習功能,知識的獲取途徑只有通過專家或操作人員總結經驗獲取,從而制約了其進一步的發展[1,2]。
    神經網絡是模擬人腦結構開發的一種并行運算的數字算法,由輸入層、輸出層和隱層組成,可以用來建立輸入輸出之間復雜的映射關系。由于具有良好的記憶聯想功能,因此在故障診斷領域得到了廣泛的應用。但是傳統BP神經網絡只能用于確定性關系的學習,不能處理矛盾樣本,而故障診斷系統中的數據有些具有一定的離散性,因此需要將輸入層的確定性信息模糊化之后變成模糊量,將傳統神經網絡變為模糊神經網絡,將與故障運行參數相對應的隸屬度數值作為輸入,從而使神經網絡系統更加適合設備故障狀態的描述。
1 自組織映射算法
1.1 拓撲機構與權值調整

    1981年KOHONEN T教授提出一種自組織特征映射SOFM(Self-Organizing Feature Map),又稱為SOM網或Kohonen網。他認為當一個神經網絡接受外界輸入模式時將會分為不同的對應區域,各區域對輸入模式具有不同的響應特征。SOFM網共兩層,輸入層模擬感知外界輸入信息的視網膜 ,輸出層模擬做出響應的大腦皮層。輸入層各神經元通過權向量將外界信息匯集到輸出層的各神經元。輸出層屬于競爭層,神經元的排列有多種形式,如一維線陣、二維平面陣和三維刪格陣。輸出按照二維平面組織是SOFM網最典型的組織方式,結構如圖1所示。SOFM網采用的學習算法是在“勝者為王”算法基礎上改進的,主要區別在于調整權向量與側抑制的方式不同。SOFM學習算法中不僅獲勝神經元本身要調整權向量,其周圍的神經元在其影響下也要不同程度地調整權向量。權向量的調整函數稱為墨西哥帽函數。由于該函數的復雜性,在實際中采用較為簡化的大禮帽函數或廚師帽函數來處理。


    (6)結束檢查。訓練結束是以學習率?濁(t)是否衰減到0或某個預定的正小數為條件,不滿足條件則回到步驟(2)[3,4]。
2 自組織映射算法在故障診斷中的處理
2.1 理論依據

    任何聚類算法的參數對聚類結果都具有直接的影響,當考慮高維數據的時候,合理的降維是一個很重要的方面,降維應該遵循一定的方法。在算法中處理高維數據時將更高維密集單元的搜索限制在子空間密集單元的交集中,這種候選空間的確定采用基于關聯規則挖掘中的先驗性質,該性質在所有空間中利用數據項的先驗知識以裁減空間。采用的性質是:如果數據在k維單元是密集的,則它在k-1維空間上的投影也是密集的。也就是說,給定一個k維的候選密集單元,檢查它的k-1維投影單元,如果發現任何一個不是密集的,則知道第k維的單元也不是密集的[5]。由此進一步得出結論,如果聚類的某一維是密集的,則它對于整個k維聚類也是可用的,否則,在整個k維數據聚類中不起作用。把這一關聯規則挖掘中的性質應用到故障特征屬性的降維中。
    SOFM的數據壓縮和特征抽取的功能,將高維空間的樣本在保持拓撲結構不變的條件下投影到低維空間,在高維空間中很多模式的分布具有復雜特性,但當映射到低維空間后,由于維度和節點數量(從多維對象映像到二維的神經網絡節點)的降低,其規律很明顯。
2.2 算法
2.2.1 預處理:選擇合適的維參與映射

    自組織特征映射網絡聚類是模型聚類的一種,其自組織學習過程也可以描述為:對于每一個網絡的輸入,只調整一部分權值,使權向量更接近或更偏離輸入矢量,這一調整過程,就是競爭學習。隨著不斷學習,所有權向量都在輸入矢量空間相互分離,形成了各自代表輸入空間的一類模式,這就是自組織映射網絡的特征自動識別的聚類功能。每個故障模式參數樣本作為聚類的一個“典型”,可以根據新對象與哪個參數樣本最相似(基于某種距離計算方法)而將其分派到相應的聚類中。被診斷設備狀態可以由一系列的特征參數來描述,一旦設備出現某個故障或多個故障,其狀態特征參數也會發生相應的變化。因而,特定的特征參數值反映了相應的設備故障。在故障診斷領域,當設備處于故障狀態時,將特征參數呈現出的特定取值稱之為故障征兆,即不同的故障征兆對應著不同的故障類型;通常,設備的故障類型不止一種,因此用故障域來表述設備可能出現的多種故障類型,用征兆域來表述可能出現的多種故障征兆。由此可見,可以認為故障診斷即進行由征兆域到故障域的模式識別,或是由征兆域到故障模式的具有聯想能力的判別分類[6-8]。
    需要指出的是,文本型數據轉換以后應該作為分類數據來處理。一般,在聚類過程中,如果分類維和密集維表示的是非空間屬性中不同特征的某個方面,包括太密集的數據或者太分散的數據,都不適合進入聚類,如果不是作為分類數據,則太集中的數據不會對聚類產生影響,只會增加處理的時間。而太分散的數據會對聚類結果產生不良的影響。但是對于表示同一特征的不同維來說,有些維是密集的,有些維不是密集的,因此需要在這些維中選擇合適的維進行聚類。
2.2.2 診斷實例
    在故障診斷分析應用中,用戶應該根據聚類的目的先選擇一些候選維,準備參與聚類。取X1~X10 作為征兆參數,在系統中各自參數點具有不同特點,在發生可能的故障時,它們的變化范圍和方向各不相同,對征兆參數進行歸一化處理,如表1所示。

    應用自組織特征映射網絡來模擬模糊聚類故障診斷的全過程,應用Matlab工具箱進行編程,根據故障樣本,利用newsom創建網絡的競爭層為6×6的結構,網絡結構是可以調整的,可以根據數據規模進行調整,然后輸入樣本p(如表1參數值進行訓練),利用函數train和函數sim對網絡進行訓練,并對故障樣本進行模糊聚類。由于訓練步數大小影響著網絡的聚類性能,分別設置100、200和500步對網絡進行訓練,觀察性能[7,8];選用聚類效果較好的訓練步數為500步的網絡,利用自組織特征映射網絡選取聚類數目為6類,應用訓練數據對網絡進行訓練,保存網絡參數的訓練結果,以及訓練數據的離散結果,然后利用訓練后的網絡對測試數據進行離散化處理,即可得到離散化結果,如圖2所示,可見6種故障模式分別占據不同區域,可作為故障診斷故障基準。
    競爭層輸出的不同的神經元代表了不同的故障類型,系統某種故障與標準樣本的故障類型越相似,在競爭層上的興奮神經元的幾何位置也就越接近。模擬某電子設備的典型故障,試驗中選取了5個故障樣本,經模糊量化后得到待檢故障模式,如表2所示。

    將其輸入到已訓練好的SOFM神經網絡,在競爭層中出現了圖3的分類結果。第1組故障樣本輸出的幾何距離Di最接近故障形式A,表明該故障形式為末級組件電路故障;同理,可判斷第2組故障樣本的故障形式為激勵產生故障;第3組和第4組故障樣本的輸出分別與D和B的位置重合,表明第3組和第4組故障樣本的故障形式分別為PIN開關故障和前級組件電路故障;第5組故障樣本的輸出最接近F,表明該故障形式可能為饋線故障。診斷結果與仿真機模擬的故障一致。

    模糊聚類分析是依據客觀事物間的特征、親疏程度和相似性,通過建立模糊相似關系,對客觀事物進行分類的數學方法。用模糊聚類分析方法處理帶有模糊性的聚類問題更客觀、靈活和直觀,且計算更加簡便。實踐表明,它突破了常規邏輯推理方法的局限,在很少先驗知識的情況下,能快速而準確地解決故障診斷問題。
參考文獻
[1] 楊軍,馮振聲,黃考利,等.裝備智能故障診斷技術[M]. 北京:國防工業出版社,2004:119-122.
[2] 何青,張海巖,張志.基于C8051F的便攜式多通道數據采集系統[J].儀器儀表學報,2006,27(6):140-141.
[3] WANG X,ILTON H.DBRS:a density based spatial clustering method with random sampling[C].Proceedings of the  7th PAKDD.Seoul,Korea,2003:563-575.
[4] TROST B,L IANG M.Mechanical fault detection using fuzzy index fusion[J].International Journal of Machine Tools & Manufacture,2007(47):1702-1714.
[5] CZESLAW T K,TERESA O K.Neural networks application for induction motor faults diagnosis[J].Mathematics and Computers in Simulation,2003(63):435-448.
[6] 程昌銀,李琳.模糊神經網絡故障診斷研究[J].武漢理工大學學報,2002,24(1):220-225.
[7] 羅志勇.雷達系統智能故障診斷技術研究[D].西安:西北工業大學,2006.
[8] PAKKANEN J.The evolving tree,a new kind of self-organizing neural network[C].Proceedings of the Workshop on Self-Organizing  Maps,Kitakyushu,Japan,2003:311-316.

此內容為AET網站原創,未經授權禁止轉載。
亚洲一区二区欧美_亚洲丝袜一区_99re亚洲国产精品_日韩亚洲一区二区
国产精品亚洲激情| 亚洲三级网站| 欧美理论大片| 欧美成人综合一区| 久久综合狠狠综合久久激情| 欧美在线观看网址综合| 午夜激情一区| 亚洲欧美成人一区二区在线电影| 韩日精品视频| 国产乱码精品一区二区三区不卡| 欧美在线观看视频在线| 亚洲影院色在线观看免费| 99精品久久久| 中文国产成人精品| 亚洲香蕉网站| 一区二区av在线| 国产精品99久久久久久久久久久久 | 男女激情久久| 欧美夫妇交换俱乐部在线观看| 亚洲午夜精品久久久久久浪潮| 亚洲欧美成人综合| 午夜久久电影网| 久久精品国产欧美亚洲人人爽| 99精品视频免费| 一本一本久久a久久精品综合妖精 一本一本久久a久久精品综合麻豆 | 欧美成人精品在线播放| 欧美国产亚洲视频| 欧美精品亚洲一区二区在线播放| 久久爱www.| 久久精品青青大伊人av| 久热精品视频在线观看一区| 男男成人高潮片免费网站| 欧美激情第9页| 国产精品成人久久久久| 国产色爱av资源综合区| 国内精品久久久久影院 日本资源| 欧美日韩精品一区二区三区| 欧美精品久久99久久在免费线| 久久久久久九九九九| 久久深夜福利免费观看| 欧美精品亚洲一区二区在线播放| 久久久噜噜噜久久人人看| 久久综合电影一区| 欧美精品一区二区三区一线天视频 | 亚洲欧美在线看| 久久av最新网址| 欧美成人激情在线| 欧美深夜影院| 国产麻豆午夜三级精品| 在线成人中文字幕| 一区二区电影免费在线观看| 欧美一区二区三区精品| 亚洲精品你懂的| 欧美一区二区国产| 欧美激情综合网| 国产欧美大片| 亚洲国产美女| 午夜电影亚洲| 一区二区免费在线播放| 久久精品国产一区二区电影| 欧美精品在线观看91| 国产一区二区三区不卡在线观看| 国产欧美一区二区三区在线看蜜臀 | 国产农村妇女毛片精品久久莱园子| 欧美日韩国产精品自在自线| 国产精品初高中精品久久| 国产综合婷婷| 中文一区在线| 亚洲国产婷婷香蕉久久久久久99| 性欧美激情精品| 99精品福利视频| 久久国产精品99精品国产| 欧美精品在欧美一区二区少妇| 欧美风情在线| 国产乱肥老妇国产一区二| 亚洲人被黑人高潮完整版| 欧美在线网站| 亚洲欧美在线一区二区| 久久亚洲一区二区| 国产精品色一区二区三区| 91久久久久久久久| 久久精品99国产精品酒店日本| 亚洲韩国日本中文字幕| 午夜免费久久久久| 欧美日韩国产成人| 黄色成人91| 亚洲欧美日韩精品一区二区| av不卡在线| 免费国产一区二区| 国产一区二区三区自拍| 亚洲综合另类| 亚洲综合日韩| 欧美日韩一区在线| 亚洲人成网在线播放| 亚洲激情网址| 久久午夜羞羞影院免费观看| 国产精品成人在线观看| 亚洲免费久久| 亚洲精品日韩综合观看成人91| 一区二区冒白浆视频| 欧美成年人网| 在线观看三级视频欧美| 欧美一级视频| 欧美在线一区二区| 国产农村妇女毛片精品久久麻豆| 激情综合色丁香一区二区| 亚洲一区二区三区免费观看 | 亚洲一区二区在线免费观看| 快播亚洲色图| 国产一区二区三区奇米久涩| 亚洲欧美日韩直播| 香蕉av777xxx色综合一区| 国产精品va| 亚洲天堂免费观看| 亚洲中字在线| 国产精品毛片a∨一区二区三区| 黑人一区二区| 欧美怡红院视频一区二区三区| 亚洲美女精品一区| 欧美成人精品1314www| 激情亚洲一区二区三区四区| 亚洲成人自拍视频| 免费精品视频| 亚洲人在线视频| 国产精品99久久久久久宅男| 欧美日本韩国一区二区三区| 亚洲美女在线看| 亚洲一区二区在线观看视频| 国产精品久久| 小嫩嫩精品导航| 久久人人爽国产| 亚洲国产激情| 亚洲午夜在线| 国产欧美va欧美va香蕉在| 欧美在线视屏| 欧美福利视频| 一本色道久久| 久久高清福利视频| 狠狠色综合色区| 99精品久久| 国产精品日本精品| 欧美一区二区三区四区视频| 老**午夜毛片一区二区三区| 亚洲国产精品悠悠久久琪琪| 在线中文字幕一区| 国产精品理论片| 久久成人精品一区二区三区| 欧美福利视频在线| 99在线观看免费视频精品观看| 91久久精品美女高潮| 男女av一区三区二区色多| 亚洲精品无人区| 香蕉成人伊视频在线观看| 激情文学综合丁香| 一区二区三区精品国产| 国产精品美女久久福利网站| 欧美中文在线观看国产| 欧美精品 国产精品| 亚洲一区成人| 蜜桃精品一区二区三区| 夜夜爽99久久国产综合精品女不卡| 亚洲精品中文字幕有码专区| 欧美日韩国产一区精品一区| 亚洲综合精品四区| 免费欧美网站| 中文精品99久久国产香蕉| 久久久久www| av成人毛片| 久久综合伊人77777| 亚洲日本黄色| 久久狠狠久久综合桃花| 亚洲欧洲在线看| 久久超碰97中文字幕| 亚洲三级电影全部在线观看高清| 亚洲精品视频二区| 国产精品三级久久久久久电影| 一区二区三区www| 久久精品国产第一区二区三区| 国产精品综合| 亚洲精品三级| 国产婷婷成人久久av免费高清| 午夜精品亚洲一区二区三区嫩草| 亚洲午夜在线| 黑丝一区二区三区| 亚洲欧美一区二区三区极速播放| 欧美啪啪一区| 欧美一区二区在线免费观看 | 久久久久女教师免费一区| 亚洲日本va在线观看| 久久久久久久欧美精品| aaa亚洲精品一二三区| 久久婷婷成人综合色| 亚洲特级片在线| 欧美高清不卡| 久久精品成人一区二区三区蜜臀| 欧美一区中文字幕| 亚洲免费福利视频| 免费视频一区| 欧美一区二区视频97| 欧美日韩美女在线观看|