人工神经网络作业

基于SOM神经网络的矿井提升机故障诊断研究摘 要:应用自组织特征映射(SOM)神经网络实现矿井提升机的故障诊断。介绍了SOM网络的结构和学习算法；总结了矿井提升机的故障集、征兆集和故障特征数据。在MATLAB环境下给出了矿井提升机故障诊断的具体实例，表明该方法是一种可行有效的矿井提升机故障诊断方法。关键词：故障诊断；矿井提升机；SOM神经网络；Study of Fault Diagnosis of Mine Hoist Based on SOM Neural NetworkAbstract: A method based on self-organizing neural network is applied to fault d- iagnosis of mine ho is.t This paper introduces the structure of SOM network and learning algorithm, summarizes the fault sets, fault symptom s and fault feature data and presents an instance of mine hoist fault diagnosis in MATLAB environmen.t The result indicates that the method is effective.Key words : fault diagnosis; mine hoist ; SOM neural network0 引言矿井提升机是矿井中非常关键和重大的设备。主要用途是提升矿物，在多数矿中,矿井的主产量就是提升设备的提升量。提升设备也是井上、井下升降人员的主要设备，并且在垂直或倾斜的状态下高速运行。矿井提升机虽然本身有一些保护措施，可由于煤矿生产的复杂性、环境的恶劣性，一些保护不能达到预期效果，致使煤矿生产中仍有不少事故发生，轻则影响生产，重则造成国家财产的严重损失，甚至导致人身伤亡。因此关于矿井提升机的故障诊断研究具有重要意义1。故障诊断系统的核心是故障诊断算法的设计。神经网络是一种新的方法体系，它以分布的方式存储信息，利用网络的拓扑结构和权值分布实现非线性的映射，并利用全局并行处理实现从输入空间到输出空间的非线性信息变换。自组织映射(SOM)神经网络能模拟大脑神经系统自组织特征映射的功能，是一种竞争式无教师自组织、自学习的网络。本文主要分析SOM神经网络的模型结构、学习算法，以及在MATLAB环境下采用此网络模型实现对矿井提升机故障的诊断。1 SOM神经网络结构和学习算法1.1 SOM神经网络结构自组织特征映射(sel-forganizing featuremap，也称Kohonen映射, SOM)神经网络，是由Kohonen教授提出的对神经网络的数值模拟方法。该网络由输入层和输出层组成。其中输入层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平面。输入层的神经元与输出层的神经元通过权值联结在一起。当网络接收到外部输入信号后，输出层的某个神经元便会兴奋起3。自组织特征映射神经网络模型结构如图1所示。图1 SOM神经网络模型SOM的一个典型特征就是可以在一个一维或者二维的处理单元阵列上，形成一个输入信号的特征拓扑分布，因此SOM具有提取输入信号特征的能力，通过训练，可以建立这样一种布局，它使得每个权值向量都位于向量聚类的中心，一旦SOM训练完成，就可以用于对训练数据或其他数据进行聚类。1.2 SOM神经网络的训练方法SOM神经网络进行学习时,首先对网络的连接权系数Xij赋予0,1区间内的随机值,然后给网络提供输入矢量X=x1，x2，x3，. xnT,必存在与输入神经元获得最佳匹配时的最佳匹配单元C,在C的邻域NC内,各神经元与最佳匹配单元C的侧向连接为兴奋型, NC以外各神经元受抑制作用而使输出为0。具体学习算法如下:1)设输入矢量,即故障征兆集合为,相应于第i个神经元的权系数构成的加权矢量,在没有反馈的情况下，神经元的稳态输出值为: 2)找到yi取最大值时的神经元i，则其为最佳匹配单元C。3)为使网络具有一种聚类功能，定义最佳匹配单元C的一个拓扑邻域,使内的单元输出为1，外的单元输出为0，即:4)权值的训练公式为:式中01，为一学习因子。权值训练后返回步骤2),直到或满足要求为止。5) 输入下一个输入矢量，转入1)进行下一轮的学习，直到所有的样本都学习完为止。2 SOM神经网络用于矿井提升机的故障诊断2.1 矿井提升机故障样本的建立矿井提升机系统的主要设备包括液压站、减速器和制动器等。现以矿井提升机系统中的液压站模块为例实现基于SOM神经网络的故障诊断。液压站模块的主要故障有: a)合闸压力过小；b)开闸残压过大；c)油温过高；d)开闸间隙过大；e)合闸间隙过大。各个设备的运行是相对独立的，利用数据采集板将各主要设备的参数及性能指标采集出来,对矿井提升机的状态进行监测。数据采集系统如图2所示。图2 数据采集系统归一化处理后的液压站标准样本集,如表1所示。2.2 SOM神经网络学习与训练把液压站标准样本输入到自组织神经网络系统中,系统经过训练,会反复调整权值。利用MATLAB中的神经网络工具箱，函数创建一个SOM神经网络。该神经网络的输入层为6个神经元，输出为36(6x6)个神经元。创建完成SOM神经网络后，就对其进行训练，在MATLAB神经网络工具箱中，train(net,X)函数用来训练神经络，net是创建SOM神经网络6。编程与分析P=1.120 0.824 0.69 1.0 0.73;0.925 0.75 1.06 0.83 0.67;1.038 1.30 1.121 1.2 1.06;1.213 0.829 1.52 1.08 0.98;1.237 0.838 1.28 1.52 1.3;1.091 0.82 0.76 1.51 1.58;%转置后符合神经网络的输入格式P=P;net=newsom(minmax(P),6 6);% 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plotsom(net.layers1.positions) % 网络建立和训练图3 建立的神经元拓扑结构a=10 30 50 100 200 500 1000; % 5次训练的步数yc=rands(5,6); % 随机初始化一个1*10向量。% 训练次数为10次net.trainparam.epochs=a(1);net=train(net,P); y=sim(net,P);yc(1,:)=vec2ind(y) % 训练网络和查看分类plotsom(net.IW1,1,net.layers1.distances) % 进行训练图4 训练次数为10次时的神经元分类情况训练结果： yc=1 1 3 2 36 36图中每个六边形为一个位置，从下面的第一行第一个位置为编号1，最后一个神经元编号为36。由图可知样本1和2是一类故障，样本5和6是同种故障，其余分别为不同故障。% 训练次数为30次net.trainparam.epochs=a(2);net=train(net,P);y=sim(net,P);yc(2,:)=vec2ind(y) % 训练网络和查看分类plotsom(net.IW1,1,net.layers1.distances)图5训练次数为30次时的神经元分类情况训练结果：yc =36 36 5 1 2 2分类结果是1和2为一类，5和6为一类，3与4各为一类。% 训练次数为50次net.trainparam.epochs=a(3);net=train(net,P); y=sim(net,P);yc(3,:)=vec2ind(y) % 训练网络和查看分类 plotsom(net.IW1,1,net.layers1.distances)图6训练次数为50次时的神经元分类情况训练结果：yc =35 36 35 5 1 25分类结果是1和3为一类，2、4、5、6各位一类。% 训练次数为100次net.trainparam.epochs=a(4);net=train(net,P); y=sim(net,P);yc(4,:)=vec2ind(y) % 训练网络和查看分类plotsom(net.IW1,1,net.layers1.distances)图7训练次数为100次时的神经元分类情况训练结果：yc =12 6 27 31 13 1分类结果是样本1、2、3、4、5、6各位一类。% 训练次数为200次net.trainparam.epochs=a(5);net=train(net,P);y=sim(net,P);yc(5,:)=vec2ind(y) % 训练网络和查看分类plotsom(net.IW1,1,net.layers1.distances)图7训练次数为200次时的神经元分类情况训练结果：yc =1 9 6 31 28 36分类结果是样本1、2、3、4、5、6各位一类。有次我们一次可以得出网络在不同训练次数下的分类结果：表格2 网络在不同训练次数下的分类结果训练步数聚类结果101132363630363651225035363551251001262731131200196312836聚类分析的结果如表所示，可见，当训练次数为10时，网络已对样本进行分类，这种分类不够精确。当训练次数为100次，每个样本都分为一类，这种分类结果更细化了，当训练次数为200次时，同样每个样本被划分为一类，这时，如果再提高训练次数，已没有必要。3 故障诊断实例将表2所示待检的2组样本送入训练好的SOM网络,验证训练后的SOM神经网络对矿井提升机故障的诊断性能。% 网络作分类的预测t=1.045 1.32 1.119 1.21 1.05;1.092 0.83 0.74 1.49 1.59;% 测试样本输入r=sim(net,t);% sim( )来做网络仿真rr=vec2ind(r)% 变换函数 将单值向量转变成下标向量。% 网络神经元分布情况plotsomtop(net)% 查看网络拓扑学结构plotsomnd(net)% 查看临近神经元直接的距离情况plotsomhits(net,P)% 查看每个神经元的分类情况结果为:rr = 6 36将X1,X2输入已经训练好的神经网络，神经网络经过聚类输出诊断结果分别为故障5(开闸间隙过大)，故障4(油温过高),与现场检测的结果一致。4 结论研究了基于SOM神经网络的矿井提升机故障诊断方法,给出了SOM网络的结构和学习算法,采用MATLAB的神经网络工具箱函数来对网络进行训练和仿真,以实现对矿井提升机故障诊断。SOM神经网络具有无监督自学习,诊断结果简单、直观的特点,利用MATLAB的神经网络工具箱不必进行繁琐的编程,具有高效率和高解题品质的优点。故障实例表明该方法是有效可行的。参考文献:1郑殿贺,吴文革,刘仲良.矿井提升机故障监测及安全保护系统分析J.工矿自动化, 2003.2矿井提升机故障