SOM神经网络.doc

西 安 建 筑 科 技 大 学 研 究 生 课 程 考 试 试 卷考试科目：人工神经网络课程编码：071032任课教师：谷立臣 考试时间：学 号：1107210704学生姓名：景理题号成 绩总 成 绩学 分123456阅卷人签字789试题总页数10som 神经网络在旋转机械故障诊断中的应用【摘 要】研究和分析了自组织映射（som）神经网络的结构和算法，把 som 网络应用在旋转机械故障诊断中，利用振动传感器拾取振动信号，通过对时域、频域的分析来提取特征。通过对输入样本的“聚类”，实现对故障的自动分类。这种故障的分类通过 matlab 更容易实现可视化的界面。仿真结果表明该方法可以对故障进行有效、准确地诊断，从而为旋转机械的故障诊断提供了一种新的途径。关键词：旋转机械；som 神经网络；故障诊断1 引言 旋转机械是工业生产的直接驱动力，是石油、矿山、电力等重要生产部门中的关键生产工具，往往一个零件出现故障，整个设备都不能工作，对整个生产造成很大的损失。由于价格昂贵，一般都不配备备用设备。如何做到在旋转机械运行或停机时，在基本不拆卸的情况下，掌握机器的运行情况，判定系统故障的部位、起因、严重程度，并提出相应的解决方案，非常重要。神经网络具有并行分布式处理、联想记忆、自组织及自学习能力和极强的非线性映射特性，能对复杂的信息进行识别处理并给予准确的分类。因此可以通过神经网络理论进行故障诊断。由于 som 人工神经网络具有网络结构简单、自组织自学习能力强和学习速度快等优点，本文将采用 som 人工神经网络。实验结果表明这种方法具有很好的实用性。2 som神经网络诊断方法2.1som神经网络结构som人工神经网络是一个可以在一维或二维的处理单元阵列上，形成输入信号的特征拓扑分布，结构如图一所示。网络模拟了人类大脑神经网络自组织特征映射的功能。该网络由输入层和输出层组成，其中输入层的神经元个数的选取按输入网络的向量个数而定，输入神经元为一维矩阵，接收网络的输入信号，输出层则是由神经元按一定的方式排列成一个二维节点矩阵。输入层的神经元与输出层的神经元通过权值相互联结在一起。当网络接收到外部的输入信号以后，输出层的某个神经元便会兴奋起来。som网络模型由以下4个部分组成：（1） 处理单元阵列。由于接收事件的输入，并且形成对这些信号的判别函数。（2） 比较选择机制。用于比较判别函数，并选择一个具有最大函数输出值的处理单元（3） 局部互联作用。用于同时激励被选择的处理单元及其最邻近的处理单元。（4） 自适应过程。用于修正被激励的处理单元的参数，以增加其对应于特定输入判别函数的输出值。 图1、som神经网络模型2.2 som网络的训练方法som神经网络采用的算法称为kohonen算法，它的基本思想是：网络输出层的各神经元通过竞争来获得对输入层的响应机会，最后只有一个神经元获胜。获胜的神经元对它临近的神经元的影响由近及远，由兴奋逐渐转为抑制，那些与获胜神经元有关的各连接权朝着有利于它竞争的方向转变。som网络的算法如下：(1)初始化对输出层各权向量赋予较小的随机数并进行归一化处理,得到,建立初始优胜邻域和学习率初值。为输出层神经元数目。(2)接受输入从训练集中随机取一输入模式并进行归一化处理，得到,为输入层神经元数目。(3)寻找获胜节点计算和的点积，从中找到点积最大的获胜节点。如果输入模式未经归一化,应按式计算欧式距离,从中找出距离最小的获胜节点 (4)定义优胜邻域设为中心确定时刻的权值调整域,一般初始邻域较大,训练过程中随训练时间收缩。(5)调整权值对优胜邻域内的所有节点调整权值 式中 (6)结束判定当学习率结束训练；不满足结束条件时,转到步骤(2)继续。图2、som网络训练流程图2.3 som网络可视化在旋转机械故障中，应用可视化技术可以简洁明了观察到故障的类别。对于 som网络的训练结果而言，目前较多的是利用 u 矩阵法(unified matrix ,简称 u- matrix)来显示聚类训练结果，即 u 矩阵图。som网络竞争层的每个神经元都拥有一个二维坐标，分别计算每个神经元与相邻神经元权值向量之间的距离，并取这些距离值的平均值作为该神经元的第三维坐标值，即神经元的高度，如图 3 所示图3.u矩阵示意图假设som网络而输入层为维，竞争层的结构为，每个神经元的坐标为，其权值向量为。则神经元与其相邻神经元的距离为：神经元与其相邻神经元的距离为：神经元与其相邻神经元的距离为：该矩阵结构有，其中神经元高度值用灰度表示，在二维平面上显示自组织网络训练结果，即可得到 u 矩阵图。u 矩阵图的灰度分布，用于表示输入模式的聚类倾向:灰色区域对应较大的 u 矩阵值，用于表示类别边界，白色则对应较小的 u矩阵值，用于表示聚类中心。3 旋转机械故障诊断的步骤 对旋转机械进行故障诊断的大体步骤如下四步： （1）选取具有典型特征的故障样本； （2）对具有典型特征的故障样本进行学习，学习完成后，对输出的获胜神经 标上该故障的记号； （3）把需要检测的样本输入到 som 网络中进行学习； （4）把待检测样本输出神经元的位置和标准输出的位置进行比较，和哪种故 故障样本的输出位置相同，说明待检测样本就是哪种故障。如果和几种 输出的位置都比较接近，说明这几种故障都有可能发生，主要看待检测 样本输出的位置和哪种标准输出的位置之间的欧式距离最近。4 som 网络在旋转机械故障诊断中的应用4.1 旋转机械常见故障形式 故障诊断是通过提取设备状态的特征向量，在向量空间内，对故障类型进行分类。对大型旋转机械，通常拾取振动信号，通过对时域、频域的分析来确定故障类型。通过大量的分析和研究，旋转机械的典型故障有：（1）不平衡（p1）（2）不对中（p2）（3）油膜涡动（p3）（4）油膜振荡（p4）（5）喘振（p5）（6）轴向碰磨（p6）（7）横向裂纹（p7）（8）联轴器损坏（p8）（9）轴承座松动（p9）（10）不等轴承刚度（p10）4.2 采集数据样本 经过大量的试验、测试，分别对机组中需要测试的部位在未带负荷和带负荷状况下，用振动传感器进行测试。经过数据采集系统和分析软件的处理，对各个测点进行数据采集。采集各种故障状态下的数据，形成标准样本数据和待检测数据。振动监测系统结构，如图4所示。采集后的样本数据经过处理后，如表 1所示。图4、震动监测系统结构图表 1 旋转机械故障样本故障类型123456789p1不平衡0.000.000.000.000.900.050.050.000.00p2不对中0.000.000.000.000.400.500.100.000.00p3油膜涡动0.100.800.000.100.000.000.000.000.00p4油膜震动0.000.001.000.000.000.000.000.000.00p5喘振0.700.000.000.000.300.000.000.000.00p6轴向碰磨0.100.050.050.100.3000.00p7横向裂纹0.000.000.000.000.200.400p8联轴器损坏00.000.200.300.100.000.00p9轴承座松动0.900.000.000.000.000.000.000.100.00p10不等轴承刚度0.000.000.000.000.000.800.200.000.004.3采集数据样本仿真实验 设计网络结构：（1）输入层：10 个节点（神经元）；（2）输出层：99=81 个节点（神经元）。如图5所示，利用matlab神经网络工具箱对标准故障样本进行训练，训练后各种故障在竞争层中的分布，如图5所示。p1、p2p10共10种故障均匀的分布在输出层所在平面对应的神经元上。som神经网络完成训练后，对每个输入都有特定的输出层神经元与之对应。这种输入输出的对应关系在输出的平面中表现的非常清楚。p3p9p4p5p8p6p7p1p10p2图5.标准样本训练结果图为了检验som神经网络对旋转机械故障诊断的准确度，待检测样，如表2所示，把表2中待检验的样本送入网络中进行训练。表 2 待检测样本序号故障类型123456789t1p2不对中0.000.000.000.000.5000.00t2p4油膜震荡0.000.000.001.000.000.050.000.000.00t3p6轴向碰磨50.050.3000.00程序运行：p3p9p4p5p8p6t 2t 3p7p1p10p2t1图6、待检测样本仿真结果图 如图6 所示，可以看出测试样本 t1和 p2重合为第二种故障（不对中）；测试样本 t2、t3和 p6重合为第六种故障（轴向碰磨）；问题：t2和p6匹配，是因为输出层神经元个数的选取，个数过多增加计算量，降低学习的速度；数目过少，可能把两种模式相近的故障诊断为同一种故障。和待检测样本对比，可以看到利用 som 网络诊断结果和测试结果基本一致，证明该方法对于旋转机械常见故障的诊断是完全有效可行的。5、 结论 利用 som 神经网络对输入样本的“聚类”作用，实现了对故障样本的分类。由于输出层神经元对输入层神经元有特定的响应关系，这种响应关系很容易实现图形的可视化。从而使故障的分类更加直观。同时输出层神经元的选取如果不当，可能造成对模式相近的故障不能明显区分，这是由网络算法决定的。附录： p=0.00 0.00 0.00 0.00 0.90 0.05 0.05 0.00 0.00;0.00 0.00 0.00 0.00 0.40 0.50 0.10 0.00 0.00;0.10 0.80 0.00 0.10 0.00 0.00 0.00 0.00 0.00;0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00 0.00;0.70 0.00 0.00 0.00 0.30 0.00 0.00 0.00 0.00;0.10 0.05 0.05 0.10 0.30 0.10 0.10 0.10 0.00;0.00 0.00 0.00 0.00 0.20 0.40 0.20 0.20 0.00;0.10 0.20 0.10 0.00 0.20 0.30 0.10 0.00 0.00;0.90 0.00 0.00 0.00 0.00 0.00 0.00 0.10 0.00;0.00 0.00 0.00 0.00 0.00 0.80 0.20 0.00 0.00;net=newsom(minmax(p),9 9);net=train(net,p);y=sim(net,p);yc=vec2ind(y);%输出聚类结果yc_99=y