应用SOM神经诊断网络柴油机故障及Matlab实现

学号 北京工商大学 人工神经网络实验报告 实验一 应用 SOM 神经诊断网络柴油机故障及 Matlab 实现 院 系 计算机与信息工程学院 专 业 控制理论与控制工程 学生姓名 王昕琨 成 绩 指导教师 廉小亲 2011 年 10 月 人工神经网络实验报告 I 一 一 实验目的 实验目的 1 熟悉 MATLAB 中神经网络工具箱的使用方法 2 了解自组织神经特征映射网络各种优化算法的原理 3 掌握自组织神经特征映射网络各种优化算法的特点 4 掌握使用自组织特征映射神经网络各种优化算法解决实际问题的方法 二 二 实验内容 功能 实验内容 功能 随着科学与生产技术的发展 现代设备大多数集机电液于一体 结构越来越复杂 自动化 程度越来越高 在工作过程中 故障发生的概率相对提高 出现故障后不仅会造成经济损失 甚至会导致整个设备遭受灾难性的毁坏 柴油机由于其本身的结构异常复杂 价值系统的输入 输出不明显 难以用比较完备准确的买模型对其结构 功能以及状态进行有效的描述 因而给 故障诊断带来了很大的麻烦 今年来 随着模式识别和神经网络理论的引入 才有机故障诊断 技术有了较快的发展 神经网络技术的出现 为故障诊断问题提供了一种新的解决途径 特别 是对于柴油机这类复杂问题 神经网络的输入输出非线性映射特性 信息的分布存储 并行处 理和全局集体应用 特别是其高度的自组织和自学习能力 时期成为故障诊断的一种有效方法 和手段 对于燃油压力波形 图 1 来书 最大压力 P1 次最大压力 P2 波形幅度 P3 上升沿宽 度 P4 波形宽度 P5 最大余波宽度 P6 波形的面积 P7 起喷压力 P8 等特征最能体现柴油机 运行的状况 燃油系统常见的故障有供油不足 针阀门卡死只油孔阻塞 针阀泄露 出油失效等集中故 障 本例里诊断的故障也是基于上述故障 主要有 100 供油量 T1 75 供油量 T2 25 供油 量 T3 怠速油量 T4 针阀卡死 小油量 T5 阵法卡死 标定油量 T6 针阀泄露 T7 出油 阀失效 T8 8 种故障 三 三 实现方法 设计 实现方法 设计 本案例中给出了一个含有 8 个故障的数据集 每个故障样本有 8 个特征 分别是前面所提到过 的 P1 P8 使用 SOM 网络进行故障诊断 故障列表如下 P1P2P3P4P5P6P7P8 T10 93251 00001 0000 0 45260 38951 00001 00001 0000 T2 0 4571 0 2854 0 9024 0 9121 0 08411 0000 0 28710 5647 T30 51340 94130 9711 0 41870 28550 85460 94780 9512 T40 15450 1564 0 500 0 6571 0 3333 0 6667 0 3333 0 5000 T50 17650 76480 1259 0 6472 0 05630 17260 51510 4212 T6 0 6744 0 4541 0 82541 0000 0 8614 0 6714 0 6279 0 6785 T70 46470 57100 0712 0 7845 0 28710 89150 65530 6156 T80 68181 0000 0 6350 0 8426 0 6215 0 15741 00000 7782 应用 SOM 神经诊断网络柴油机故障的步骤如下 1 选取标准故障样本 2 对每一种标准故障样本进行学习结束后 对具有最大输出的神经元表一故障的记号 3 将待检样本输入到 SOM 神经网络中 4 若输出神经元在输出层的位置与某标准故障样本的位置相同 说明待检样本发生了相应的 故障 若输出神经元在输出层的位置介于很多标准故障之间 说明这几种标准故障都有可 能发生 且故障的程度有该闻之与相应标准故障样本位置的欧氏距离确定 四 四 实验程序 实验程序 人工神经网络实验报告 II P 0 93251 00001 0000 0 45260 38951 00001 00001 0000 0 4571 0 2854 0 9024 0 9121 0 08411 0000 0 28710 5647 0 51340 94130 9711 0 41870 28550 85460 94780 9512 0 15450 1564 0 500 0 6571 0 3333 0 6667 0 3333 0 5000 0 17650 76480 1259 0 6472 0 05630 17260 51510 4212 0 6744 0 4541 0 82541 0000 0 8614 0 6714 0 6279 0 6785 0 46470 57100 0712 0 7845 0 28710 89150 65530 6156 0 68181 0000 0 6350 0 8426 0 6215 0 15741 00000 7782 转置后符合神经网络的输入格式 P P 网络建立和训练 newsom 建立 SOM 网络 minmax P 取输入的最大最小值 竞争层为 6 6 36 个神经元 net newsom minmax P 6 6 plotsom net layers 1 positions 5 次训练的步数 a 10 30 50 100 200 500 1000 随机初始化一个 1 10 向量 yc rands 7 8 进行训练 训练次数为 10 次 net trainparam epochs a 1 训练网络和查看分类 net train net P y sim net P yc 1 vec2ind y plotsom net IW 1 1 net layers 1 distances 训练次数为 30 次 net trainparam epochs a 2 训练网络和查看分类 net train net P y sim net P yc 2 vec2ind y plotsom net IW 1 1 net layers 1 distances 训练次数为 50 次 net trainparam epochs a 3 训练网络和查看分类 net train net P y sim net P yc 3 vec2ind y plotsom net IW 1 1 net layers 1 distances 训练次数为 100 次 net trainparam epochs a 4 训练网络和查看分类 net train net P y sim net P yc 4 vec2ind y plotsom net IW 1 1 net layers 1 distances 人工神经网络实验报告 III 训练次数为 200 次 net trainparam epochs a 5 训练网络和查看分类 net train net P y sim net P yc 5 vec2ind y plotsom net IW 1 1 net layers 1 distances 训练次数为 500 次 net trainparam epochs a 6 训练网络和查看分类 net train net P y sim net P yc 6 vec2ind y plotsom net IW 1 1 net layers 1 distances 训练次数为 1000 次 net trainparam epochs a 7 训练网络和查看分类 net train net P y sim net P yc 7 vec2ind y plotsom net IW 1 1 net layers 1 distances yc 网络作分类的预测 测试样本输入 t 0 9512 1 0000 0 9458 0 4215 0 4218 0 9511 0 9645 0 8941 sim 来做网络仿真 r sim net t 变换函数 将单值向量转变成下标向量 rr vec2ind r 五 五 实验结果 实验结果 yc 1 36 1 36 5 36 4 2 1 24 1 36 3 36 13 7 13 24 13 12 7 36 19 2 25 28 31 24 9 36 1 6 1 6 2 34 21 24 9 31 18 33 6 7 4 25 16 36 18 9 6 19 29 1 36 33 rr 18 将其整理为表格形式如下 人工神经网络实验报告 IV 表 2 网络在不同训练次数下得分类结果 训练次数 结果 1013613653642 30124136336137 5013241312736137 10025283112736192 200162342124931 5001833674251636 10001896192913633 如表所示 当训练步数为 10 时 故障原因 1 3