人工神经网络作业

西安建筑科技大学研究生课程试卷考试科目：人工神经网络课程编号：班主任：谷立臣考试时间： 2014.4.30学位：学生名称：李宇峰标题成绩总成绩学习学分123456评价者签字789问题的总页数10SOM神经网络在滚动轴承振动诊断中的应用摘要： SOM网络是一种重要的无教师学习训练算法神经网络，使用该算法进行训练后，可以将高维输入空间映射到二维空间，自动对故障现象进行分类，求出故障原因。 本文总结了SOM神经网络多参数诊断法的实施步骤，阐述了轴承故障与振动信号的关系和神经网络的工作原理和实现过程，通过实验研究提取反映滚动轴承故障类型的振动信号特征参数，构建了训练神经网络的特征矢量， 利用MATLAB人工神经网络工具包模拟SOM神经网络，在训练后的SOM神经网络上识别故障模式。关键词：振动滚动轴承故障诊断SOM神经网络1故障轴承的振动和信号的关系故障的滚动轴承在负荷运转时，如果缺陷部接触工作面，就会产生冲击力。 这种冲击力引起轴承系统的振动，通过适当的振动传递路径以振动和声音的形式传递。 图1所示的信令过程。 滚动轴承工作时，传感器采集的振动信号成分很复杂，损伤引起的固有衰减振动只是其中的一部分。 损伤小的话，往往会被其他信号埋没而难以发现。 信号处理的目的是强调这些损伤特征成分。图1轴承振动信号传递过程2 SOM神经网络的结构和学习算法2.1神经网络结构自组织特征映射神经网络是芬兰神经网络专家Kohnen于1981年提出的，网络结构由输入层和输出层组成。 输入层是单层神经元的排列，其作用是通过权重向量将外部信息传递给输出层神经元。 输出层也被称为竞争层，输出层的神经元与周围的神经元横向连接，形成圆盘状的平面。 神经元的排列有各种各样的形式，其中最典型的是二维的形式。 最初，在这些二维处理单元阵列中没有这些信号特性的分布拓扑图。 利用SOM模型的这个特性，可以从外界环境中提取在某种测度和可秩序化的拓扑空间中表现特征和信号的概念要素。 自组织特征映射神经网络模型的结构如图2所示。图2 SOM神经网络结构图采用的学习算法在以胜者为王的基础上进行了改进。 自组织的学习过程，对于每个网络的输入，赢的神经元本身不仅能调整权重向量，其周围的神经元也能在其影响下调整权重向量。 这个协调过程是学习-竞争-学习。 随着学习的发展，所有权向量在输入向量空间中相互分离，形成代表各个输入空间的一个模型，是网络的自组织聚类功能。2.2 SOM神经网络学习SOM网络采用的学习算法被称为Kohonen算法，按照以下步骤进行(1)初始化。 对 0，1 区间的随机值赋予网络数值向量集(j=1，2，m )，确定学习率初始值，确定邻近初始值的区域，确定总学习次数，作为输出层神经元数。(2)接受输入。 从输入向量集中随机选择的向量提供给网络的输入层，并进行规范化。 公式如下：(3)寻找得分。 计算和的点积，从其中选出点积最大的赢节点，计算欧元距离，找出距离最小的赢点。(4)定义优胜附近。 以中心确定时刻的权重调整区域，一般初期附近大，训练中随着训练时间收缩。(5)调整权重。 对优胜附近的所有节点调整权重值。 作为神经元权重值的训练时间和第一个神经元与胜利神经元之间的拓扑距离函数。(6)结束检查。 训练结束以学习率是否衰减到0或预定的正小数为条件，不满足条件的情况下返回(2)。三滚动轴承故障诊断的SOM神经网络3.1滚动轴承常见故障特征参数的选择描述滚动轴承振动时域波形的一般指标是均方根值，在峰值因子、波形因子、脉冲因子、馀量因子和顶点度等参数指标中，均方根为有维参数指标，其馀为无量纲参数指标。 维度参数的指标依赖于历史数据，对载荷和转速的变化很敏感，但维度参数的指标基本上不受轴承型号、转速和载荷等因素的影响，因此不需要考虑相对标准，也不需要与以前的数据进行比较，另外，不会受到信号的绝对水平的影响，因此，测试条件从峰值因子、波形因子、脉冲因子、馀量因子和顶点度等5个无量纲参数中选择表示滚动轴承运行状态的特征矢量，作为SOM神经网络的输入参数。3.2 SOM神经网络示例数据的制作对滚动轴承各种故障状态下的上述5个参数进行了实验测量，经过数据采集系统后，对数据进行域信号处理，不断地监测轴承的状态，按典型故障形式分别进行3组标准样品的数据采集，提取最后采集的特征向量因为原始收集数据的值比较大，而且不方便后期分析，所以用公式将原始测量数据正规化，如表1所示表13.3神经网络的样本设计实验采集的样品有15个，各样品用5个指数表示轴承的状态。 网的输入模式共15组样品，每个样品包含5个要素，这5个要素构成了滚动轴承运行状态的标准样品。使用训练函数train来训练网络，训练的网络可以正确地分类输入向量。 但是，由于如果网络的训练步骤数不适当，则过少或过多会得到不理想的结果，所以训练步骤数的设定对网络性能的影响很大，这里将步骤数设定为250。 步骤数如图4所示设定为400。 设步数为500，如图5所示，观察了权重的分布。图3训练250步时的权重分布图4训练400步时的权重分布图5训练500步时的权重分布如果训练步骤的数量是500步，则网络达到了良好的分类效果(不仅多馀的步骤数慢，而且效果不显着)，则网络冲突层具有106种结构。 神经元自组织分布，可以对每个神经元区分不同的样品。 网络训练结束后，权重也固定了。 今后每次输入值时，网络会自动对其进行分类。 此时获胜的神经元连接权的值分别代表相应种类的故障样品的“集群”中心，记录了各训练样品在竞争层的输出位置。 各种故障的“集群”中心可以在图中大致均匀分布，有助于故障种类的明确识别和诊断。因此，可以得出利用SOM网络成功识别和分类滚动轴承的故障模式的结论。 用sim函数观察网络对训练样本数据的分类结果。 在进行诊断时，如果样品被激活的胜因神经元进入该“簇”的中心附近，就可以诊断出该样品的故障是与“簇”的中心对应的故障。 聚类结果如图6所示。图6标准样品训练结果图图7 SOM网络拓扑结构图8相邻神经元间距离的情况从图7中可见，图8中的蓝色代表神经元，其中竞争层中的所有神经元都表示故障类型，空间代表对所有输入不兴奋，红色代表神经元之间的直接连接，菱形中的颜色代表神经元之间的距离，黄色代表黑色，黄色代表黑色。3.4神经网络的检查为了验证所建立的SOM网络的可靠性，分别试验收集滚动轴承的正常状态、外圈破损、保持器破损、内圈破损的振动信号各一组，进行轴承故障的识别验证。 检查样品的数据如表2所示。表2神经网络检查样本基于神经网络的检测结果如下所示： y=(1，1 ) 1(十二，二)一(十二、三)一(4，4 ) 1(六、五)一(六)一(41，7 ) 1(51，8 ) 1(53，9 ) 1(十，十)一(29，11 ) 1(20，12 ) 1(47，13 ) 1(59，14 ) 1(56，15 ) 1YC=11212466415329475956rr=21 15 52 29 55结果表明，被检测样品完全落在标准样品簇的结果范围内，得到了良好的分类结果，对滚动轴承故障诊断有效。4结论通过验证样本(表2 )数据网络的实际输出和期望值的比较，发现它们非常接近，输出结果是理想的。 在分析自组织特征映射神经网络的结构和学习算法的基础上，利用自组织特征映射神经网络进行滚动轴承故障诊断。 该神经网络对被控对象数学模型的依赖度低，具有自我学习、自适应、联想记忆、强容许性和非线性模式识别能力，同时用神经网络工具箱进行了仿真，结果用SOM神经网络进行了诊断本实验说明了利用SOM神经网络可以有效地识别轴承的故障状态，并说明了用时域分析滚动轴承振动信号的无量纲参数作为轴承故障分析的参数特征向量，为滚动轴承诊断问题提供了很好的解决方法。参考文献：1基于李春华、肖洋. SOM神经网络的矿山升降机减速机齿轮故障诊断J .矿山机械，2007(35 )。2利用馀金宝、谷立臣、孙英宏. SOM网络可视化方法诊断液压系统故障J .工程机械，2007(38 )。3朱大奇，史慧.人工神经网络的原理和应用M .北京：科学出版社. 2006:144-1634新闻、周鑫等. MATLAB神经网络的模拟和应用M .北京：科学出版社，20035周开利、康耀红.神经网络模型及其MATLAB仿真程序设计M .北京：清华大学出版社，2005程序如下所示：x=0. 41520.12210.5555.62480.3009；0.4111 0.1204 0.5510 0.6528 0.2946；0.4136 0.1235 0.5399 0.6565 0.3016；0.4338 0.0985 0.5373 0.6684 0.2580；0.4439 0.0954 0.5231 0.6711 0.2644；0.4507 0.0894 0.5268 0.6715 0.2549；0.3283060.05720.54130.6995.3263；0.3221 0.0588 0.5413 0.7017 0.3279；0.3281 0.0536 0.5440 0.7043 0.3122；0.2608 0.0453 0.5393 0.7785 0.1815；0.2671 0.0459 0.5357 0.7791 0.1802；0.2598 0.0450 0.5515 0.7735 0.1674；0.4099 0.0728 0.4992 0.7313 0.2066；0.3971 0.0672 0.4983 0.7365 0.2169；0.40160.06690.51600.72520.2050 ；%网络的建立和培训% newSOM建立som网络。 minmax(X )取输入的最大最小值。 竞争层10*6=60个神经元net=newsom(minmax(X )、106 ) )；w1 _ init=net.iw 1，1 ；打印som (w1 _ init，net.layers.distances )a=250 400 500；for i=1:3net=init(net )net=train(net，x )菲格ure；w1 _ init=net.iw 1，1 ；打印som (w1 _ init，net.layers.distances )结束y=sim(net，x )%输出结果yc=vec2ind(y )%网络分类的预测%测试样本输入t=0. 4029.12410.55548.6510.2991；0.4487 0.0948 0.5301 0.6677 0.2507；0.3271 0.0546 0.