自组织竞争神经网络SOM在轴承故障诊断应用ppt课件.ppt

自组织竞争型神经网络SOM故障诊断 赵志高 魏巍 蔡佳明 何飞飞 1 目录 1EMD分析 2小波包分析 3SOM神经网络的设计 4案例分析 5基于小波包分析的SOM聚类 6基于EMD分析的SOM聚类 7总结与展望 2 EMD分析方法 经验模态分解 EmpiricalModeDecomposition 简称EMD 方法被认为是2000年来以傅立叶变换为基础的线性和稳态频谱分析的一个重大突破 该方法是依据数据自身的时间尺度特征来进行信号分解 无须预先设定任何基函数 这一点与建立在先验性的谐波基函数和小波基函数上的傅里叶分解与小波分解方法具有本质性的差别 正是由于这样的特点 EMD方法在理论上可以应用于任何类型的信号的分解 因而在处理非平稳及非线性数据上 具有非常明显的优势 适合于分析非线性 非平稳信号序列 具有很高的信噪比 所以 EMD方法一经提出就在不同的工程领域得到了迅速有效的应用 例如用在海洋 大气 天体观测资料与地震记录分析 机械故障诊断 密频动力系统的阻尼识别以及大型土木工程结构的模态参数识别方面 3 EMD分解过程 EMD分解法可以把非平稳信号分解成几个IMF分量的和 每一个IMF分量都可以表示成一个单频信号 它是通过 筛分 原理对信号实现分解的 4 EMD实现信号分解需满足 1 信号的极值点不能少于两个 2 特征时间尺度定义为两个极值点之间的时间尺度 3 对于有拐点而没有极值点的信号 可通过微分提取极值 再通过积分求得分解结果 5 EMD分析方法的优点 1 EMD的分解方法是自适应的 选取的不同的基函数将信号分解成有限个IMF分量 每个IMF分量体现的都是真实信息特征 2 滤波特性 可以把EMD分解看成是一组自适应的高通滤波器 不同的信号特征分别对应着不同的截止频率和不同的带宽 3 多分辨率特性 信号经过EMD分解后得到数量有限的IMF分量 各个IMF分量包含了信号从高频到低频成分 可以实现信号的多分辨率分析 4 IMF分量的调频特性 EMD分解得到的IMF分量是幅值或频率调制的 这不仅提高了信号的分解的效率 也使得EMD分解法可以有效地分析非线性 非平稳信号 6 外圈故障诊断信号的分析 分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号 7 把原始信号分解成11层信号 能量从上往下逐渐减小 每一层信号代表一种模态信号 8 外圈故障诊断信号特征提取 对诊断信号抽取了12组数据 每组数据选取3000个点 选取其中包括原始信号在内的6层信号进行特征提取 提取了包括峰值 标准差 平均值等十个特征 9 内圈故障诊断信号分析 10 第一层信号是原始信号 将原始信号根据能量大小分解成11个不同模态的信号 11 内圈故障诊断信号特征提取 对诊断信号抽取了6组数据 每组数据选取3000个点 选取其中能量比较大的12层信号进行特征提取 提取了包括峰值 标准差 平均值等十个特征 12 滚动体故障诊断信号分析 13 第一层信号是原始信号 将原始信号根据能量大小分解成11个不同模态的信号 14 滚动体故障诊断信号特征提取 对诊断信号抽取了6组数据 每组数据选取3000个点 选取其中能量比较大的12层信号进行特征提取 提取了包括峰值 标准差 平均值等十个特征 15 正常信号分析 16 第一层信号是原始信号 将原始信号根据能量大小分解成11个不同模态的信号 17 正常信号特征提取 对诊断信号抽取了6组数据 每组数据选取3000个点 选取其中能量比较大的12层信号进行特征提取 提取了包括峰值 标准差 平均值等十个特征 18 结论 1 EMD方法是基于信号的局部特征时间尺度 是依据信号本身的信息进行的分解 是自适应的信号处理方法 非常适合非线性和非平稳的过程 信号经EMD分解后所得的IMF分量突出了原信号的不同的特征信息 有利于故障信号的提取 19 2 理论信号分析和实验结果表明 根据IMF分量的相关系数和方差贡献率的大小选取各主要IMF分量并以此作为表征故障信号特征向量是切实可行的 3 基于EMD和神经网络的信号的特征的提取和识别方法能够有效地提取信号的特征 实现对各种故障信号较为准确的识别 并且这一方法比基于小波 神经网络的特征提取与识别方法准确率更高 说明EMD方法比小波分析方法对非平稳 非线性信号有更好的自适应性 20 小波 wavelet 是什么 在有限时间时间范围内变化且平均值为零的数学函数 具有有限的持续时间和突变的频率和振幅在有限的时间范围内 它的平均值等于零 21 1980 Morlet20世纪70年代 在法国石油公司工作的年轻地球物理学家JeanMorlet提出小波变换 wavelettransformWT 的概念 20世纪80年代 开发了连续小波变换 continuouswavelettransformCWT 22 23 连续小波的变换过程 CWT的变换过程示例 见右图 1 小波和原始信号f t 的开始部分进行比较2 计算系数C 该部分信号与小波的近似程度 C值越高表示信号与小波相似程度越高3 小波右移k得到的小波函数为 然后重复步骤1和2 直到信号结束 24 将小波系数进行伸缩和平移后得到 称小波序列 其中a为伸缩因子 b为平移因子 25 小波分析只对上次分解的低频部分进行再分解 而对高频部分则不再分解 因此在高频频段分辨率较差 小波包分析则既对低频部分进行分解 又对高频部分做二次分解 所以可对信号行更为细致的分解和重构 S表示原始的输入信号A表示信号的近似值 大的缩放因子产生的系数 表示信号的低频分量D表示信号的细节值 小的缩放因子产生的系数 表示信号的高频分量 26 小波分解树 27 三级小波包分解树 28 滚动轴承出现故障时 会导致振动信号在某些频带内信号能量减小 而使另外一些频带内信号能量增强 因此 在各频率成分信号的能量中 包含丰富的故障信息 基于此 提出 能量 故障 诊断模式识别方法 但小波包分解的信号在各频带上的能量总和与原信号的能量是一致的 只是因为每个频带内的振动信号能量的分布变化特征表征了不同的故障类型 故基于小波包分解的故障诊断方法的核心就是通过小波包分解来提取振动信号能量集中的频带信号 频带能量向量构造算法如下 1 首先对信号进行3层小波包分解 分别提取第3层从低频到高频8个频率成分的信号特征 分解结构如下图所示 图中 2 1 表示第2层的第1个结点 每个结点都代表一定的信号特征 29 信号的小波包分解示意图 30 3 求各频带信号的总能量 31 首先对采集到的信号 即 无故障 外圈 内圈 滚动体故障振动信号进行小波包分解和重构为信号的时域波形图 图1a 图4a为用小波包分解重构后的波形图 从图中可以看出信号被分解为8个频段 然后 对分解的第三层信号进行重构 由频带总能量公式求得每一频带能量 归一化得到轴承运行样本数据和测试数据 如表1和表2所示 32 图1a正常信号的小波包重构图 正常能量分布直方图 33 3 0 3 1 3 2 3 3 34 图2a外圈故障的小波包重构图 外圈故障能量分布直方图 35 3 0 3 1 3 2 36 图3a内圈故障的小波包重构图 内圈故障能量分布直方图 37 图4a滚动体故障的小波包重构图 滚动体故障能量分布直方图 38 正常 外圈 内圈 滚动体 39 表1轴承训练样本数据 40 表2轴承测试样本数据 41 3前言 在生物神经系统中 存在着一种侧抑制现象这种抑制作用会使神经细胞之间出现竞争 其结果是某些获胜 而另一些则失败 表现形式是获胜神经细胞兴奋 失败神经细胞抑制 自组织竞争型神经网络就是模拟上述生物神经系统功能的人工神经网络 42 1981年芬兰Helsink大学的T Kohonen教授提出一种自组织特征映射网 简称SOM网 又称Kohonen网 Kohonen认为 一个神经网络接受外界输入模式时 将会分为不同的对应区域 各区域对输入模式具有不同的响应特征 而且这个过程是自动完成的 自组织特征映射正是根据这一看法提出来的 其特点与人脑的自组织特性相类似 3自组织特征映射神经网络概述 43 自组织神经网络的典型结构 竞争网络结构 外部输入连接权值 神经元间连接权值 44 竞争学习原理 竞争学习规则 Winner Take All 网络的输出神经元之间相互竞争以求被激活 结果在每一时刻只有一个输出神经元被激活 这个被激活的神经元称为竞争获胜神经元 而其它神经元的状态被抑制 45 无监督 自组织 自学习通过自身的训练 能自动对输入模式进行分类在网络结构上 它一般是由输入层和竞争层构成的两层网络 两层之间各神经元实现双向连接 而且网络没有隐含层 有时竞争层各神经元之间还存在横向连接 SOM神经网络优势 区别有导师监督机制 46 在学习算法上 它模拟生物神经元之间的兴奋 协调与抑制 竞争作用的信息处理的动力学原理来指导网络的学习与工作 而不像大多数神经网络那样是以网络的误差或能量函数作为算法的准则 竞争型神经网络构成的基本思想是网络的竞争层各神经元竞争对输入模式响应的机会 最后仅有一个神经元成为竞争的胜者 这一获胜神经元则表示对输入模式的分类 SOM神经网络优势 47 能够对输入模式进行自组织训练和判断 并将其最终分为不同的类型 与BP网络相比 这种自组织自适应的学习能力进一步拓宽了人工神经网络在模式识别 分类方面的应用 另一方面 竞争学习网络的核心 竞争层 又是许多种其他神经网络模型的重要组成部分 不仅能学习输入向量的分布情况 还可以学习输入向量的拓扑结构 单个神经元对模式分类不起决定性作用 而要靠多个神经元的协同作用完成 SOM神经网络优势 48 SOM自组织映射功能 3自组织特征映射神经网络设计 能够按照拓扑结构有序的方式将任意的输入样本映射到离散空间上 49 SOM网的拓扑结构 3自组织特征映射神经网络设计 外部输入连接权值 神经元间连接权值 视网膜 大脑皮层 50 SOM网的竞争功能 SOM网的获胜神经元对其邻近神经元的影响是由近及远 由兴奋逐渐转变为抑制 因此其学习算法中不仅获胜神经元本身要调整权向量 它周围的神经元在其影响下也要程度不同地调整权向量 强者更强 赢者通吃 51 以获胜神经元为中心设定一个邻域半径 该半径圈定的范围称为优胜邻域 在SOM网学习算法中 优胜邻域内的所有神经元均按其离开获胜神经元的距离远近不同程度地调整权值 优胜邻域开始定得很大 但其大小随着训练次数的增加不断收缩 最终收缩到半径为零 SOM网的自学习功能 自学习功能 即指神经元权值会随着输入向量的不断增加而自适应地变化 52 SOM网络学习算法 Kohonen学习算法 53 54 相似性测量 欧式距离法 两个模式向量的欧式距离越小 两个向量越接近 因此认为这两个模式越相似 当两个模式完全相同时其欧式距离为零 如果对同一类内各个模式向量间的欧式距离作出规定 不允许超过某一最大值T 则最大欧式距离T就成为一种聚类判据 同类模式向量的距离小于T 两类模式向量的距离大于T 55 5 调整权值对优胜邻域Nj t 内的所有节点调整权值 i 1 2 nj Nj t 式中 是训练时间t和邻域内第j个神经元与获胜经元j 之间的拓扑距离N的函数 该函数一般有以下规律 56 Kohonen学习算法程序流程 57 向量归一化之前 58 向量归一化之后 量纲不同 大小差异比较大的样本数据归一化为 0 1 之间的数据 59 旋转机械故障诊断 4案例分析 60 旋转机械故障诊断 4案例分析 61 旋转机械故障诊断 4案例分析 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 62 旋转机械故障诊断 4案例分析 数据来源 SOM神经网络在旋转机械故障诊断中的应用 肖坤 原思聪 机械设计与制造 2010年11月 特征包括 时域峰 峰值 频域第一峰值点频率 频域第一峰值点幅值 频域第二峰值点频率等 63 旋转机械故障诊断 4案例分析 64 旋转机械故障诊断 4案例分析 竞争层神经元9 9 81 65 旋转机械故障诊断 4案例分析 设置训练次数为1000次 输入故障样本 t 000000 80 200 输出结果 yc 734187754433915811rr 1 各故障在竞争层中编号 66 旋转机械故障诊断 4案例分析 67 旋转机械故障诊断 4案例分析 68 旋转机械故障诊断 3案例分析 69 旋转机械故障诊断 4案例分析 70 测试结果 4案例分析 yc 137369631367438173rr 371322 71 测试结果 3案例分析 由图得知 测试的T1和P2为一类 属不对中故障 T2和P6为一类属于轴向碰磨故障 T3与P6最为接近 说明发生P6故障的可能性比较大 72 测试结果 3案例分析 黄色代表这两个神经元的距离最近 说明T3发生P6故障的可能性比较大 73 测试结果 4案例分析 74 考察SOM性能 4案例分析 为了考察训练步数对分类精度和速度影响 我们选取以下训练步数对SOM网络进行训练 建议训练步数 75 考察SOM性能 4案例分析 耗时30s 分类不精确 诊断不稳定 耗时182s 分类精确 但是时间太大 76 4案例分析 蓝色线表示把欧式距离小于1的神经元的权值向量连接随着训练步数增加 蓝色线变密 说明聚类的效果越来越好100次以后密集程度基本不变说明此时再提高训练步数已经没有太大意义 红点代表神经元 其位置不断发生变化 说明SOM神经网络开始对输入向量进行识别 77 SOM性能总结 4案例分析 训练步数影响SOM聚类性能随着训练步数增加 聚类精度增高 耗用时间变大SOM网络在50次就可以很快将样本精确分类 比一般方法聚类速度快在100次或200次 从精度和速度上具有较好的效果200次以上 再增加训练步数只能是浪费计算时间 78 轴承故障诊断实验台 5基于EMD分析的SOM故障诊断 79 特征样本提取流程 选取外圈故障 OR 内圈故障 IR 滚动体故障 B 以及正常体 N 四种信号作为数据源对数据源做EMD分析 每种信号按时间序列分成12组 取其中四组做训练样本 其余做测试使用每种信号做EMD分解后 得到12层分量 我们取能量较大的前6层分量进行特征提取每个分量信号以均值 方差 均方差 峰值 裕度 波形指标 脉冲指标等10种特征进行提取 故每种信号具有60个特征数据构成16 60的数据矩阵作为SOM网络的训练样本 5基于EMD分析的SOM故障诊断 80 故障诊断训练样本 训练样本 5基于EMD分析的SOM故障诊断 81 故障诊断测试样本 1 2 3 4分别对应测试工况P1 P2 P3 P4 单独测试工况T1 5基于EMD分析的SOM故障诊断 82 结果分析 5基于EMD分析的SOM故障诊断 83 结果分析 5基于EMD分析的SOM故障诊断 84 结果分析 5基于EMD分析的SOM故障诊断 85 结果分析 5基于EMD分析的SOM故障诊断 86 结果分析 5基于EMD分析的SOM故障诊断 87 结果分析 5基于EMD分析的SOM故障诊断 88 结果分析 p4 O O N N 5基于EMD分析的SOM故障诊断 89 结果分析 5基于EMD分析的SOM故障诊断 90 结果分析 分析得测试样本的P1 P2 P3 P4分别属于滚动体故障 B 内圈故障 I 正常 N 外圈故障 O 5基于EMD分析的SOM故障诊断 91 能量 故障 诊断模式识别方法 6基于小波包分析的SOM故障诊断 采集信号 即 无故障 外环 内环 滚动体故障振动信号 对信号进行3层小波包分解 分别提取第3层从低频到高频8个频率成分的信号特征 对小波包分解系数重构 提取各频带范围的信号特征 求各频带信号的总能量 92 能量 故障 诊断模式识别方法 6基于小波包分析的SOM故障诊断 93 提取的特征样本 6基于小波包分析的SOM故障诊断 每个故障取前三组做训练样本 最后一组作为测试样本 94 结果分析 6基于小波包分析的SOM故障诊断 鉴于样本数量较少 竞争层选取6 6网格 迭代500次 用时很短 95 提取的能量特征样本 6基于EMD分析的SOM故障诊断 每个故障取前三组做训练样本 最后一组作为测试样本 96 结果分析 6基于小波包分析的SOM故障诊断 yc 251314203223628363635rr 25141236 97 结果分析 6基于小波包分析的SOM故障诊断 98 结果分析 6基于小波包分析的SOM故障诊断 T3 B 黄色代表权重值最小 两者距离很近 可归为一种故障 99 结果分析 6基于小波包分析的SOM故障诊断 100 提取NA能量特征 6基于EMD分析的SOM故障诊断 101 提取能量特征 6基于EMD分析的SOM故障诊断 102 提取OR能量特征 6基于EMD分析的SOM故障诊断 103 提取OR能量特征 6基于EMD分析的SOM故障诊断 104 提取OR能量特征 6基于EMD分析的SOM故障诊断 105 提取OR能量特征 6基于EMD分析的SOM故障诊断 106 提取能量特征 6基于EMD分析的SOM故障诊断 107 结果分析 6基于EMD分析的SOM故障诊断 yc 51252179251932362824rr 531928 108 结果分析 6基于EMD分析的SOM故障诊断 109 结果分析 6基于EMD