人工神經(jīng)網(wǎng)絡(luò)作業(yè)

1、西安建筑科技大學(xué)研究生課程考試試卷考試科目：人工神經(jīng)網(wǎng)絡(luò)課程編碼：071032任課教師：谷立臣考試時(shí)間：2014.4.30學(xué)號(hào)：1307841390學(xué)生姓名：李宇峰題號(hào)成績(jī)總成績(jī)學(xué)分123456閱卷人簽字789試題總頁(yè)數(shù)10somW經(jīng)網(wǎng)絡(luò)在滾動(dòng)軸承振動(dòng)診斷中的應(yīng)用摘要：SOM網(wǎng)絡(luò)是一種重要的無(wú)導(dǎo)師學(xué)習(xí)訓(xùn)練算法的神經(jīng)網(wǎng)絡(luò)，使用該算法進(jìn)行訓(xùn)練后，可以將高維輸入空間映射到二維空間上，并對(duì)故障現(xiàn)象進(jìn)行自動(dòng)分類，從而得出它們對(duì)應(yīng)的故障原因。本文歸納和總結(jié)了SOM神經(jīng)網(wǎng)絡(luò)多參數(shù)診斷法的實(shí)施步驟，闡述了軸承故障與振動(dòng)信號(hào)之間的關(guān)系以及神經(jīng)網(wǎng)絡(luò)的工作原理和實(shí)現(xiàn)過程，通過實(shí)驗(yàn)研究，提取了反映滾動(dòng)軸承故障類型的振

2、動(dòng)信號(hào)的特征參數(shù)，以構(gòu)建訓(xùn)練神經(jīng)網(wǎng)絡(luò)的特征向量，利用MATLAB人工神經(jīng)網(wǎng)絡(luò)工具箱模擬和仿真SOM神經(jīng)網(wǎng)絡(luò)，然后用訓(xùn)練后的SOM神經(jīng)網(wǎng)絡(luò)對(duì)故障模式進(jìn)行識(shí)別。關(guān)鍵詞：振動(dòng)；滾動(dòng)軸承；故障診斷；SOM神經(jīng)網(wǎng)絡(luò)1故障軸承振動(dòng)與信號(hào)的關(guān)系故障滾動(dòng)軸承在受載運(yùn)轉(zhuǎn)時(shí)，當(dāng)缺陷部位與工作表面接觸，都將產(chǎn)生一次沖擊力。這種沖擊力將激起軸承系統(tǒng)的振動(dòng)，并通過適當(dāng)?shù)恼駝?dòng)傳遞通道，以振動(dòng)和聲音的形式傳出。信號(hào)傳遞過程，如圖1所示。滾動(dòng)軸承工作時(shí)，由傳感器拾取的振動(dòng)信號(hào)成分比較復(fù)雜，損傷引起的固有衰減振動(dòng)只是其中的組成部分。當(dāng)損傷微小時(shí)，往往被其他信號(hào)淹沒而難以被發(fā)現(xiàn)。信號(hào)處理的目的就是突出這些損傷特征成分。圖1軸承振

3、動(dòng)信號(hào)傳遞過程2SOM申經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和學(xué)習(xí)算法2.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自組織特征映射神經(jīng)網(wǎng)絡(luò)是芬蘭神經(jīng)網(wǎng)絡(luò)專家Kohnen于1981年提出的，網(wǎng)絡(luò)結(jié)構(gòu)由輸入層和輸出層組成。輸入層為單層神經(jīng)元排列，其作用是通過權(quán)向量將外界信息轉(zhuǎn)到輸出層神經(jīng)元。輸出層也叫競(jìng)爭(zhēng)層，輸出層的神經(jīng)元同它周圍的神經(jīng)元側(cè)向連接，成棋盤狀平面。其神經(jīng)元排列有多種形式，其最典型的是二維形式。在初始狀態(tài)下，這些二維的處理單元陣列上沒有這些信號(hào)特征的分布拓?fù)鋱D。利用SOM模型的這一特性，可以從外界環(huán)境中按照某種測(cè)度或者是某種可有序化的拓?fù)淇臻g來抽取特征或者是表達(dá)信號(hào)的、概念性的元素。自組織特征映射神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2所示。競(jìng)爭(zhēng)層輸入

4、層圖2SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖采用的學(xué)習(xí)算法是在勝者為王的基礎(chǔ)上改進(jìn)的。其自組織學(xué)習(xí)過程可以描述為：對(duì)于每一個(gè)網(wǎng)絡(luò)的輸入，不僅獲勝神經(jīng)元本身要調(diào)整權(quán)向量，其周圍的神經(jīng)元在其影響下也要不同程度地調(diào)整權(quán)向量。這一調(diào)整過程，就是學(xué)習(xí)一競(jìng)爭(zhēng)一學(xué)習(xí)。隨著不斷學(xué)習(xí)，所有權(quán)矢量都在輸入矢量空間相互分離，形成各自代表輸入空間的一種模式，即為網(wǎng)絡(luò)的自組織聚類功能。2.2 SOM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)SO幽絡(luò)采用的學(xué)習(xí)算法稱為Kohonen算法，按如下步驟進(jìn)行：初始化。將網(wǎng)絡(luò)數(shù)值向量集呵(j=1,2,m)賦予0,1區(qū)間隨機(jī)值，確定學(xué)習(xí)率初始值(0)(0(0)1),確定鄰域初始值Ng(t)的領(lǐng)域Ng(0),確定總學(xué)習(xí)次數(shù)T,

5、m為輸出層神經(jīng)元數(shù)目。(2)接受輸入。從輸入向量集中隨機(jī)選取向量R提供給網(wǎng)絡(luò)輸入層，并進(jìn)行歸一化處理。其公式如下：Pk=Pk/|R|=(P1k,P2k,Pnk)/(P1k)2(P2k)2(Pnk)2(3)尋找獲勝節(jié)點(diǎn)。計(jì)算Pk和呵的點(diǎn)積，從中選出點(diǎn)積最大的獲勝節(jié)點(diǎn)j*;計(jì)算歐式距離，找出距離最小的獲勝節(jié)點(diǎn)。*，,、*.、.*，-、.(4)定義優(yōu)勝鄰域。Nj(t)設(shè)j為中心確定t時(shí)刻的權(quán)值調(diào)整域，一般初始鄰域Nj(0)較大，訓(xùn)練過程中,.*.M(t)隨訓(xùn)練時(shí)間收縮。調(diào)整權(quán)值。對(duì)優(yōu)勝鄰域Nj*(t)內(nèi)的所有節(jié)點(diǎn)調(diào)整權(quán)值wj(t+1)=wj(t)十口(t,N)xpwj(t).-.i=1,2，n,j=

6、2(t)其中：wj(t)為神經(jīng)元的權(quán)值；u(t,N)為訓(xùn)練時(shí)間t和第j個(gè)神經(jīng)元與獲勝神，、一*.經(jīng)兀j之間的拓?fù)渚嚯xN函數(shù)。(6)結(jié)束檢查。訓(xùn)練結(jié)束是以學(xué)習(xí)率(t)是否衰減到0或某個(gè)預(yù)定的正小數(shù)為條件，不滿足條件則回到(2)。3滾動(dòng)軸承故障診斷的SOMW經(jīng)網(wǎng)絡(luò)3.1 滾動(dòng)軸承常見故障特征參數(shù)選擇描述滾動(dòng)軸承振動(dòng)時(shí)域波形的常用指標(biāo)有均方根值，在峰值因子、波形因子、脈沖因子、裕度因子和峭度等參數(shù)指標(biāo)當(dāng)中，均方根植是有量綱參數(shù)指標(biāo)，其余是無(wú)量綱參數(shù)指標(biāo)。因?yàn)橛辛烤V參數(shù)指標(biāo)依賴歷史數(shù)據(jù)并且對(duì)載荷和轉(zhuǎn)速的變化比較敏感，而無(wú)量綱參數(shù)指標(biāo)基本不受軸承型號(hào)、轉(zhuǎn)速和載荷等因素的影響，無(wú)需考慮相對(duì)標(biāo)準(zhǔn)或與以前的數(shù)

7、據(jù)進(jìn)行比較，另外，它們不受信號(hào)絕對(duì)水平的影響，所以即使測(cè)試條件略有變化，對(duì)參數(shù)的計(jì)算結(jié)果也不會(huì)產(chǎn)生太大的影響。選擇峰值因子、波形因子、脈沖因子、裕度因子和峭度等5個(gè)無(wú)量綱參數(shù)組成表征滾動(dòng)軸承運(yùn)行狀態(tài)的特征向量，并作為SO眺中經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)。3.2 SOM神經(jīng)網(wǎng)絡(luò)樣本數(shù)據(jù)的建立通過實(shí)驗(yàn)測(cè)得滾動(dòng)軸承各種故障狀態(tài)下的上述5個(gè)參數(shù)作為振動(dòng)數(shù)據(jù)，經(jīng)數(shù)據(jù)采集系統(tǒng)后，對(duì)數(shù)據(jù)進(jìn)行時(shí)域信號(hào)處理，不停的對(duì)軸承的狀態(tài)進(jìn)行監(jiān)測(cè)，對(duì)每種典型的故障形式分別進(jìn)行三組標(biāo)準(zhǔn)樣本的數(shù)據(jù)采集，最后提取采集的特征向量組成神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本。由于原始的采集數(shù)據(jù)值比較大，而且不便于后期的分析，故將原始的測(cè)量數(shù)據(jù)采用Pk=Pk/|R|=(

8、Pik,p2k，Rk)/(P1k)2+(P2k)2+(Rk)2公式進(jìn)行歸一化處理，得到表1如下所示：hhrF曹ITTh軸承狀態(tài)峰值指數(shù)波形指數(shù)脈沖指數(shù)裕度指數(shù)舶度指數(shù)0.41520,12210.55590.64要0.3009正常0.41110.12040.55100.65280.2946041360.12350,53990,656703016043380.09850.53730.66弘0.2580外圈損壞0.44390.09540.52310671102644045070.02940.52680,671502459032860.05720.54130.69950.3263潦動(dòng)體損壞032210

9、.0588054130.701703279032810.05360,54400.70430.31220.26080.04530.53930.77830.1815保持架損壞0.2671O.B4590.53570.77910J8020.23980.04500.5515057350.16740網(wǎng)省90.072H0.49920.73130.2066內(nèi)圈損壞039710附20.49830.73650.21690.4016006690.51600.72520.2050表13.3 神經(jīng)網(wǎng)絡(luò)樣本設(shè)計(jì)從實(shí)驗(yàn)采集中得到15個(gè)樣本，每個(gè)樣本用5個(gè)指數(shù)來表示軸承的狀態(tài)。網(wǎng)絡(luò)的輸入模式為即一共有15組樣本，每個(gè)樣本包含

10、5個(gè)元素，這5個(gè)元素組成了滾動(dòng)軸承運(yùn)行狀態(tài)的標(biāo)準(zhǔn)樣本。利用訓(xùn)練函數(shù)train對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)過訓(xùn)練的網(wǎng)絡(luò)可以對(duì)輸入向量進(jìn)行正確分類。但是網(wǎng)絡(luò)的訓(xùn)練步數(shù)如果不合適，太少或太多都將會(huì)導(dǎo)致很不理想的結(jié)果，所以訓(xùn)練的步數(shù)的設(shè)定對(duì)于網(wǎng)絡(luò)的性能影響比較大，所以這里將步數(shù)設(shè)置為250,如圖3所示。步數(shù)設(shè)置為400,如圖4所示。步數(shù)設(shè)置為500,如圖5所示，并分別觀察其權(quán)值分布。圖3訓(xùn)練250步時(shí)的權(quán)值分布圖4訓(xùn)練400步時(shí)的權(quán)值分布S3Figure41I”j1圖5訓(xùn)練500步時(shí)的權(quán)值分布當(dāng)訓(xùn)練步數(shù)為500步時(shí)，網(wǎng)絡(luò)達(dá)到了較好的分類效果（過多的步數(shù)不僅運(yùn)行慢，而且效果不明顯），此時(shí)網(wǎng)絡(luò)的競(jìng)爭(zhēng)層為104的結(jié)構(gòu)

11、。神經(jīng)元自組織分布，每個(gè)神經(jīng)元可以區(qū)分不同的樣本。網(wǎng)絡(luò)訓(xùn)練結(jié)束后,權(quán)值也就固定了。以后每輸入一個(gè)值，網(wǎng)絡(luò)就會(huì)自動(dòng)地對(duì)其進(jìn)行分類。此時(shí)獲勝神經(jīng)元的連接權(quán)值，分別代表了相應(yīng)該類故障樣本的“聚類”中心，記錄下每個(gè)訓(xùn)練樣本在競(jìng)爭(zhēng)層的輸出位置。各種故障的“聚類”中心在圖中基本能夠均勻分布，這樣有利于對(duì)故障種類的清晰識(shí)別和診斷。從而可得到結(jié)論：利用SOM網(wǎng)絡(luò)對(duì)滾動(dòng)軸承故障模式進(jìn)行了成功的識(shí)別與分類。利用sim函數(shù)來觀察網(wǎng)絡(luò)對(duì)訓(xùn)練樣本數(shù)據(jù)的分類結(jié)果。進(jìn)行診斷時(shí)，只要輸入樣本激活的獲勝神經(jīng)元落入該“聚類”中心鄰域內(nèi)，就可診斷出該樣本故障是“聚類”中心所對(duì)應(yīng)的故障。聚類結(jié)果，如圖6所示。圖6標(biāo)準(zhǔn)樣本訓(xùn)練結(jié)果圖圖

12、7SOM網(wǎng)絡(luò)拓?fù)鋵W(xué)結(jié)構(gòu)圖8臨近神經(jīng)元之間的距離情況由圖7可知，競(jìng)爭(zhēng)層神經(jīng)元有10父6=60個(gè)；都代表一種故障類型，空格處表示對(duì)所有輸入都不興奮圖8中藍(lán)色代表神經(jīng)元，紅色代表神經(jīng)元之間直接的連接，每個(gè)菱形中的顏色表示神經(jīng)元之間距離的遠(yuǎn)近,從黃色到黑色，顏色越深說明神經(jīng)元之間的距離越遠(yuǎn)。3.4 神經(jīng)網(wǎng)絡(luò)的檢驗(yàn)為了檢驗(yàn)建立的SOM網(wǎng)絡(luò)的可靠性，分別進(jìn)行試驗(yàn)采集滾動(dòng)軸承正常狀態(tài)、外圈損壞、保持架損壞、內(nèi)圈損壞的振動(dòng)信號(hào)各一組，進(jìn)行軸承故障的識(shí)別驗(yàn)證。檢驗(yàn)樣本的數(shù)據(jù)，如表2所示。軸承狀態(tài)峰值指數(shù)波形指數(shù)脈沖指數(shù)裕度指數(shù)峭度指數(shù)正常0.40290.12410,55580.65100.2991外圈損壞0,4

13、4870.094S05刈0.66770.2507滾動(dòng)體損壞0.32710.0546055240.693903217保持架損壞0.26860.046605220.78620.18憑內(nèi)內(nèi)損壞0.39390.06860.5077073110.2188表2神經(jīng)網(wǎng)絡(luò)檢驗(yàn)樣本神經(jīng)網(wǎng)絡(luò)檢測(cè)結(jié)果如下所示：y=(1,1)1(12,2)1(12,3)1(4,4)1(6,5)1(6,6)1(41,7)1(51,8)1(53,9)1(10,10)1(29,11)1(20,12)1(47,13)1(59,14)1yc=1121245956rr=21155229(56,15)1556641515310292047從結(jié)果可

14、以看到待檢驗(yàn)樣本完全落在了標(biāo)準(zhǔn)樣本聚類的結(jié)果范圍內(nèi)，達(dá)到了很好地分類結(jié)果，證明該方法對(duì)于滾動(dòng)軸承的故障診斷是準(zhǔn)確有效的。4結(jié)論通過檢驗(yàn)樣本（表2）數(shù)據(jù)的網(wǎng)絡(luò)實(shí)際輸出與期望值的比較，可以發(fā)現(xiàn)它們十分接近，輸出結(jié)果比較理想。在分析自組織特征映射神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和學(xué)習(xí)算法的基礎(chǔ)上，利用自組織特征映射神經(jīng)網(wǎng)絡(luò)對(duì)滾動(dòng)軸承進(jìn)行故障診斷。該神經(jīng)網(wǎng)絡(luò)對(duì)被控對(duì)象的數(shù)學(xué)模型依賴程度較低，具有自學(xué)習(xí)、自適應(yīng)、聯(lián)想記憶、較強(qiáng)的容錯(cuò)性和非線性模式識(shí)別的能力，同時(shí)應(yīng)用神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行仿真的結(jié)果表明，基于SOM神經(jīng)網(wǎng)絡(luò)的診斷模型是準(zhǔn)確和可靠的，適合于滾動(dòng)軸承多故障復(fù)雜模式的故障診斷。本實(shí)驗(yàn)說明運(yùn)用SOM神經(jīng)網(wǎng)絡(luò)可以有效的識(shí)

15、別軸承的故障狀態(tài)，同時(shí)也說明把滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行時(shí)域分析所得的無(wú)量綱參數(shù)作為軸承故障分析的參數(shù)特征向量是可行的，為滾動(dòng)軸承診斷問題提供了一個(gè)較好的解決方案。參考文獻(xiàn)：1李春華，肖洋.基于SOM神經(jīng)網(wǎng)絡(luò)的礦井提升機(jī)減速器齒輪故障診斷J.礦山機(jī)械，2007(35).2余金寶，谷立臣，孫穎宏.利用SOM網(wǎng)絡(luò)可視化方法診斷液壓系統(tǒng)故障J.工程機(jī)械，2007(38).3朱大奇，史慧.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用M.北京：科學(xué)出版社.2006:144-163.4聞新，周鑫，等.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用M.北京：科學(xué)出版社，2003.5周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)*II型及其MATLAB仿真程序設(shè)計(jì)M.北京：

16、清華大學(xué)出版社,2005.程序如下：X=0.41520.12210.41110.12040.41360.12350.43380.09850.44390.09540.45070.08940.32860.05720.32210.05880.32810.05360.26080.04530.26710.04590.25980.04500.40990.07280.39710.06720.40160.0669%網(wǎng)絡(luò)建立和訓(xùn)練0.55590.62480.3009;0.55100.65280.2946;0.53990.65650.3016;0.53730.66840.2580;0.52310.67110.26

17、44;0.52680.67150.2549;0.54130.69950.3263;0.54130.70170.3279;0.54400.70430.3122;0.53930.77850.1815;0.53570.77910.1802;0.55150.77350.1674;0.49920.73130.2066;0.49830.73650.2169;0.51600.72520.2050;%newsom立SOM網(wǎng)絡(luò)。minmax(X)取輸入的最大最小值。競(jìng)爭(zhēng)層10*6=60個(gè)神經(jīng)元net=newsom(minmax(X),106);w1_init=net.iw1,1;plotsom(w1_init,net.layers1.distances);a=250400500;fori=1:3net=init(net);net=train(net,X);figure;w1_init=net.iw1,1;plotsom(w1_init,net.layers1.distances);endy=sim(net,X)%輸出結(jié)果yc=vec2ind(y)%網(wǎng)絡(luò)作分類的預(yù)測(cè)%測(cè)試樣本輸入0.2991;0.2507;0.3217;0.1896;0