Processing math: 37%

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于Kohonen网络的机械故障模式识别

申燚 李宇 李万莉 颜荣庆

申燚, 李宇, 李万莉, 颜荣庆. 基于Kohonen网络的机械故障模式识别[J]. 交通运输工程学报, 2002, 2(2): 52-54.
引用本文: 申燚, 李宇, 李万莉, 颜荣庆. 基于Kohonen网络的机械故障模式识别[J]. 交通运输工程学报, 2002, 2(2): 52-54.
SHEN Yi, LI Yu, LI Wan-li, YAN Rong-qing. Pattern recognition of mechanical failure based on Kohonen network[J]. Journal of Traffic and Transportation Engineering, 2002, 2(2): 52-54.
Citation: SHEN Yi, LI Yu, LI Wan-li, YAN Rong-qing. Pattern recognition of mechanical failure based on Kohonen network[J]. Journal of Traffic and Transportation Engineering, 2002, 2(2): 52-54.

基于Kohonen网络的机械故障模式识别

详细信息
    作者简介:

    申燚(1976-), 女, 湖南邵东人, 长沙交通学院硕士生, 从事机械故障、系统建模及网络分析研究

  • 中图分类号: U664.113

Pattern recognition of mechanical failure based on Kohonen network

More Information
    Author Bio:

    SHEN Yi (1976-), female, a graduate student of Changsha Communication University, engaged in research of mechanical failure, system modeling and network analysis

Article Text (Baidu Translation)
  • 摘要: 在自动聚类分析的基础上, 根据某汽轮机减速箱运行状态特征数据, 采用Kohonen网络方法, 确定该机械的运行状态, 结果与选用其它方法所确定的结果一致。该方法能实现对汽轮机减速箱运行状态的监控

     

  • Kohonen在1981年提出了自组织特征映射网络。这种网络在结构上模拟了大脑皮层中神经元呈二维空间点阵的结构, 在功能上通过网络中神经元间的交互作用和相互竞争, 模拟了大脑信息处理的聚类功能、自组织、自学习功能。本文将Kohonen网络应用于汽轮机减速箱运行状态的模式识别, 作了一些初步探讨。

    Kohonen网络结构如图 1所示, 它由输入层和竞争层组成。在这种网络中, 输出节点与邻域其它节点广泛相连, 并互相激励。输入节点和输出节点之间通过强度Wij (t) 相互连接, 通过某种规则, 不断调整Wij (t), 使得在稳定时, 每一邻域的所有节点对某种输入具有类似的输出, 并且这种聚类的概率分布与输入模式概率分布相接近。

    图  1  自组织特征映射网络结构
    Figure  1.  Construct of self-organice character mapping network

    (1) 初始化。将网络的连接权{wij}赋予[0, 1]区间内的随机值, i=1, 2, …, N; j=1, 2, …, M。确定学习率η (t) 的初始值η (0) (0 < η (0) < 1);确定邻域Ng (t) 的初始值Ng (0)。

    (2) 任选q个学习模式中的一个模式Pk提供给网络的输入层, 并进行归一化处理。

    ˉΡk=ΡkΡk=(pk1,pk2,,pkn)[(pk1)2+(pk2)2++(pkn)2]1/2

    (3) 对连接权矢量Wj= (wj1, wj2, …, wjN) 进行归一化处理, 计算ˉWjˉΡk之间的欧氏距离

    ˉwj=wjwj=(wj1,wj2,,wjn)[(wj1)2+(wj2)2++(wjn)2]1/2dj=[Νi=1(ˉpki-ˉwji)2]1/2,j=1,2,

    (4) 找出最小距离dg, 确定获胜神经元g

    dg=min[dj],j=1,2,Μ

    (5) 进行连接权的调整。对竞争层邻域Ng (t) 内所有神经元与输入层神经元之间的连接权进行修正。

    wji(t+1)¯=wji¯(t)+η(0)[p¯ik-wji(t)¯]jΝg(t),j=1,2,Μ(0<η(t)<1)

    式中: η (t) 为t时刻的学习率。

    (6) 选取另一个学习模式提供给网络输入层, 返回步骤(2), 直至q个学习模式全部提供给网络。

    (7) 更新学习率η (t) 及邻域Ng (t)

    η(t)=η(0)(1-tΤ)

    式中: η (0) 为初始学习率; t为学习次数; T为总的学习次数。

    设竞争层某神经元在二维列阵中的坐标值为(xg, yg), 则邻域的范围是以点(xg+Ng (t), yg+Ng (t)) 和点(xg-Ng (t), yg-Ng (t)) 为右上角的正方形。其修正公式为

    Νg(t)=ΙΝΤ[Νg(0)(1-tΤ)]

    式中: INT[x]为取整符号; Ng (0) 为Ng (t) 的初始值。

    (8) 令t=t+1, 返回步骤(2), 直至t=T为止。

    以上的学习规则分析:

    (1) 学习率η的选择。可以把网络学习过程分为两个阶段。第一阶段为粗学和粗调整阶段。在此阶段的η > 0.5。一旦各输入模式有了相对的映射位置后, 则转入精学习和细调整阶段。在这一阶段内, 网络学习集中在对较小范围内的连接权进行调整, 学习率应随着学习的进行不断减小。一般学习率的初值选为0.5。

    (2) 连接权矢量初始值的确定。一般学习规则是将网络的连接权赋予[0, 1]区间内的随机值, 但在实际应用中, 这种初始化方法会出现网络学习时间过长, 甚至无法收敛的现象。由于连接权矢量初始状态最理想的分布是其方向与各个输入模式的方向一致, 因此在连接权初始化时, 应尽可能使其初始状态与输入模式处于一种相互容易接近的状态。常用的方法是将所有连接权矢量赋予相同的初值, 这样可以减少输入模式在最初阶段对连接权矢量的挑选余地, 增加每一个连接权矢量被选中的机会。

    (3) 邻域的作用与更新。在学习的初始阶段, Ng (t) 包含的范围较大, 一般为竞争层阵列幅度的1/3~1/2, 甚至可以覆盖整个竞争层。随着学习的深入, Ng (t) 的范围逐渐减小, 最后达到预定的范围。

    在实际机械故障识别中, 特别对减速箱这样重要的组成元件, 其运行状态如何, 可利用Kohonen网络具有很强的自适应能力, 无监督的学习能力, 容错能力的优势, 综合考虑减速箱运行状态。减速箱有三种运行状态: 其中在输出的故障模式中, (1 0.5 0); (0.5 1 0.5); (0 0.5 1) 分别表示为正常运行; 轻微故障; 严重故障。本文样本见表 1

    表  1  减速箱运行状态特征数据
    Table  1.  Character data of decelerating box in running state
    样本号 样本输入特征 故障模式
    1 -1.7817 -0.2786 -0.2954 -0.2394 -0.1842 -0.1572 -0.1584 -0.1998 1.0 0.5 0
    2 -1.8710 -0.2957 -0.3494 -0.2904 -0.1460 -0.1387 -0.1492 -0.2228 1.0 0.5 0
    3 -1.8347 -0.2817 -0.3566 0.3476 -0.1820 -0.1435 -0.1778 -0.1849 1.0 0.5 0
    4 -1.4151 -0.2282 -0.2124 -0.2147 -0.1271 -0.0680 -0.0872 -0.1684 0.5 1.0 0.5
    5 -1.8809 -0.2467 -0.2316 -0.2419 -0.1938 -0.2103 -0.2010 -0.2533 1.0 0.5 0
    6 -1.2879 -0.2252 -0.2012 -0.1298 -0.0245 -0.0390 -0.0762 -0.1672 0.5 1.0 0.5
    7 -1.5239 -0.1979 -0.1094 -0.1402 -0.0994 -0.1394 -0.1673 -0.2810 0.5 1.0 0.5
    8 -1.4087 -0.2773 -0.2759 -0.2181 -0.0575 -0.0829 -0.0592 -0.1240 0.5 1.0 0.5
    9 -0.5147 -0.1839 -0.1432 -0.0694 0.0285 0.0991 0.1326 0.0592 0 0.5 1.0
    10 0.2741 0.1442 0.1916 0.1662 0.2120 0.1631 0.0318 0.0337 0 0.5 1.0
    11 0.2045 0.1078 0.2246 0.2031 0.2428 0.2050 0.0704 0.0403 0 0.5 1.0
    12 0.1605 -0.0920 -0.0160 0.1246 0.1802 0.2087 0.2234 0.1003 0 0.5 1.0
    13 -0.7915 -0.1018 -0.0737 -0.0945 -0.0955 0.0044 0.0467 0.0719 0 0.5 1.0
    14 -1.0242 -0.1461 -0.1018 -0.0778 -0.0363 -0.0476 0.0160 -0.0253 0 0.5 1.0
    下载: 导出CSV 
    | 显示表格

    以汽轮机减速箱运行状态特征数据为输入, 阐述Kohonen网络在机械模式识别中的应用。

    本文作者将表 1数据整理分为两组, 第一组样本集由样本1、2、3、8、9、13、14组成, 第二组样本集由样本4、5、6、7、10、11、12组成。根据第一组样本集所构造的训练样本集, 经网络学习后, 其权值如表 2所示。根据学习所获得的权值对第二组样本集进行分类, 分类结果如表 3所示。同时, 本文作者又采用了BP网络进行对比, 其训练误差曲线如图 2所示。

    表  2  训练好后网络的连接权
    Table  2.  Network's connecting power after training
    输入层节点 竞争层节点
    1 2 3
    1 -1.771 1 -1.354 2 -0.880 4
    2 -0.2838 -0.2317 -0.1612
    3 -0.3262 -0.2374 -0.1290
    4 -0.2842 -0.1994 -0.1011
    5 -0.1565 -0.0960 -0.0410
    6 -0.1380 -0.0736 0.0002
    7 -0.1488 -0.0572 0.0439
    8 -0.1907 -0.0980 0.0113
    下载: 导出CSV 
    | 显示表格
    表  3  第二组样本的网络识别结果
    Table  3.  Outcome of network recognice of the secondly stylebook
    样本号 样本的网络识别输出结果 期望输出
    4 0.5000 1.0000 0.5000 0.5 1.0 0.5
    5 1.0000 0.5000 0 1.0 0.5 0
    6 0.5000 1.0000 0.5000 0.5 1.0 0.5
    7 0.5000 1.0000 0.5000 0.5 1.0 0.5
    10 0 0.5000 1.0000 0 0.5 1.0
    11 0 0.5000 1.0000 0 0.5 1.0
    12 0 0.5000 1.0000 0 0.5 1.0
    下载: 导出CSV 
    | 显示表格
    图  2  BP网络训练误差曲线
    Figure  2.  Error curve of BP network training

    (1) 利用Kohonen网络对汽轮机减速箱运行状态模式识别, 其结果与实验数据和采用BP网络结果一致, 由图 2可知, 应用BP网络需训练6909次, 其误差达到10E-5, 从而说明将Kohonen网络应用于机械系统的故障进行模式识别是更行之有效的。

    (2) Kohonen网络具有很强的自适应能力、无监督学习能力、容错能力, 从而可以代替复杂耗时的传统算法, 用于机械系统故障识别, 更接近人类思维方式, 可以更准确地评定机械系统故障。

  • 图  1  自组织特征映射网络结构

    Figure  1.  Construct of self-organice character mapping network

    图  2  BP网络训练误差曲线

    Figure  2.  Error curve of BP network training

    表  1  减速箱运行状态特征数据

    Table  1.   Character data of decelerating box in running state

    样本号 样本输入特征 故障模式
    1 -1.7817 -0.2786 -0.2954 -0.2394 -0.1842 -0.1572 -0.1584 -0.1998 1.0 0.5 0
    2 -1.8710 -0.2957 -0.3494 -0.2904 -0.1460 -0.1387 -0.1492 -0.2228 1.0 0.5 0
    3 -1.8347 -0.2817 -0.3566 0.3476 -0.1820 -0.1435 -0.1778 -0.1849 1.0 0.5 0
    4 -1.4151 -0.2282 -0.2124 -0.2147 -0.1271 -0.0680 -0.0872 -0.1684 0.5 1.0 0.5
    5 -1.8809 -0.2467 -0.2316 -0.2419 -0.1938 -0.2103 -0.2010 -0.2533 1.0 0.5 0
    6 -1.2879 -0.2252 -0.2012 -0.1298 -0.0245 -0.0390 -0.0762 -0.1672 0.5 1.0 0.5
    7 -1.5239 -0.1979 -0.1094 -0.1402 -0.0994 -0.1394 -0.1673 -0.2810 0.5 1.0 0.5
    8 -1.4087 -0.2773 -0.2759 -0.2181 -0.0575 -0.0829 -0.0592 -0.1240 0.5 1.0 0.5
    9 -0.5147 -0.1839 -0.1432 -0.0694 0.0285 0.0991 0.1326 0.0592 0 0.5 1.0
    10 0.2741 0.1442 0.1916 0.1662 0.2120 0.1631 0.0318 0.0337 0 0.5 1.0
    11 0.2045 0.1078 0.2246 0.2031 0.2428 0.2050 0.0704 0.0403 0 0.5 1.0
    12 0.1605 -0.0920 -0.0160 0.1246 0.1802 0.2087 0.2234 0.1003 0 0.5 1.0
    13 -0.7915 -0.1018 -0.0737 -0.0945 -0.0955 0.0044 0.0467 0.0719 0 0.5 1.0
    14 -1.0242 -0.1461 -0.1018 -0.0778 -0.0363 -0.0476 0.0160 -0.0253 0 0.5 1.0
    下载: 导出CSV

    表  2  训练好后网络的连接权

    Table  2.   Network's connecting power after training

    输入层节点 竞争层节点
    1 2 3
    1 -1.771 1 -1.354 2 -0.880 4
    2 -0.2838 -0.2317 -0.1612
    3 -0.3262 -0.2374 -0.1290
    4 -0.2842 -0.1994 -0.1011
    5 -0.1565 -0.0960 -0.0410
    6 -0.1380 -0.0736 0.0002
    7 -0.1488 -0.0572 0.0439
    8 -0.1907 -0.0980 0.0113
    下载: 导出CSV

    表  3  第二组样本的网络识别结果

    Table  3.   Outcome of network recognice of the secondly stylebook

    样本号 样本的网络识别输出结果 期望输出
    4 0.5000 1.0000 0.5000 0.5 1.0 0.5
    5 1.0000 0.5000 0 1.0 0.5 0
    6 0.5000 1.0000 0.5000 0.5 1.0 0.5
    7 0.5000 1.0000 0.5000 0.5 1.0 0.5
    10 0 0.5000 1.0000 0 0.5 1.0
    11 0 0.5000 1.0000 0 0.5 1.0
    12 0 0.5000 1.0000 0 0.5 1.0
    下载: 导出CSV
  • [1] 闻新, 周露, 王丹力, 等. MATLAB神经网络应用设计[M]. 北京: 科学出版社, 2000.
    [2] HANSEN L K, SALAMON P. Neural network ensembles[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1990, 12(10): 993-1001.
    [3] 温熙森, 胡茑庆, 邱静. 模式识别与状态监控[M]. 北京: 国防科技大学出版社, 1997.
    [4] PANDYA AS, MACY R B. Pattern recognition with neural network in C++. IEEE Press(中译本)[M]. 北京: 电子工业出版社, 1999.
    [5] 张立明. 人工神经网络的模型及其应用[M]. 上海: 复旦大学出版社, 1992.
    [6] 王文成. 神经网络及其在汽车工程中的应用[M]. 北京: 北京理工大学出版社, 1998.
    [7] CARMAN C S, MERICKEL M B. Supervising isodata with an information theoretic stopping rule[J]. Pattern Recognition, 1990, 23(1/2): 185-197.
    [8] BRYANT J. A fast classifier for image data[J]. Pattern Recognition, 1989, 22: 45-48. doi: 10.1016/0031-3203(89)90037-X
  • 加载中
图(2) / 表(3)
计量
  • 文章访问数:  311
  • HTML全文浏览量:  99
  • PDF下载量:  276
  • 被引次数: 0
出版历程
  • 收稿日期:  2001-10-26
  • 刊出日期:  2002-06-25

目录

/

返回文章
返回