1、精選優質文檔-傾情為你奉上基于SOM神經網絡的礦井提升機故障診斷研究摘 要:應用自組織特征映射(SOM)神經網絡實現礦井提升機的故障診斷。介紹了SOM網絡的結構和學習算法；總結了礦井提升機的故障集、征兆集和故障特征數據。在MATLAB環境下給出了礦井提升機故障診斷的具體實例，表明該方法是一種可行有效的礦井提升機故障診斷方法。關鍵詞：故障診斷；礦井提升機；SOM神經網絡；Study of Fault Diagnosis of Mine Hoist Based on SOM Neural NetworkAbstract: A method based on self-organizing neur

2、al 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 t

3、hat the method is effective.Key words : fault diagnosis; mine hoist ; SOM neural network0 引言礦井提升機是礦井中非常關鍵和重大的設備。主要用途是提升礦物，在多數礦中,礦井的主產量就是提升設備的提升量。提升設備也是井上、井下升降人員的主要設備，并且在垂直或傾斜的狀態下高速運行。礦井提升機雖然本身有一些保護措施，可由于煤礦生產的復雜性、環境的惡劣性，一些保護不能達到預期效果，致使煤礦生產中仍有不少事故發生，輕則影響生產，重則造成國家財產的嚴重損失，甚至導致人身傷亡。因此關于礦井提升機的故障診斷研究具有重要意義

4、1。故障診斷系統的核心是故障診斷算法的設計。神經網絡是一種新的方法體系，它以分布的方式存儲信息，利用網絡的拓撲結構和權值分布實現非線性的映射，并利用全局并行處理實現從輸入空間到輸出空間的非線性信息變換。自組織映射(SOM)神經網絡能模擬大腦神經系統自組織特征映射的功能，是一種競爭式無教師自組織、自學習的網絡。本文主要分析SOM神經網絡的模型結構、學習算法，以及在MATLAB環境下采用此網絡模型實現對礦井提升機故障的診斷。1 SOM神經網絡結構和學習算法1.1 SOM神經網絡結構自組織特征映射(sel-forganizing featuremap，也稱Kohonen映射, SOM)神經網絡，是由

5、Kohonen教授提出的對神經網絡的數值模擬方法。該網絡由輸入層和輸出層組成。其中輸入層神經元個數的選取按輸入網絡的向量個數而定，輸入神經元接收網絡的輸入信號，輸出層則是由神經元按一定的方式排列成一個平面。輸入層的神經元與輸出層的神經元通過權值聯結在一起。當網絡接收到外部輸入信號后，輸出層的某個神經元便會興奮起3。自組織特征映射神經網絡模型結構如圖1所示。圖1 SOM神經網絡模型SOM的一個典型特征就是可以在一個一維或者二維的處理單元陣列上，形成一個輸入信號的特征拓撲分布，因此SOM具有提取輸入信號特征的能力，通過訓練，可以建立這樣一種布局，它使得每個權值向量都位于向量聚類的中心，一旦SOM訓

6、練完成，就可以用于對訓練數據或其他數據進行聚類。1.2 SOM神經網絡的訓練方法SOM神經網絡進行學習時,首先對網絡的連接權系數Xij賦予0,1區間內的隨機值,然后給網絡提供輸入矢量X=x1，x2，x3，. xnT,必存在與輸入神經元獲得最佳匹配時的最佳匹配單元C,在C的鄰域NC內,各神經元與最佳匹配單元C的側向連接為興奮型, NC以外各神經元受抑制作用而使輸出為0。具體學習算法如下:1)設輸入矢量,即故障征兆集合為,相應于第i個神經元的權系數構成的加權矢量,在沒有反饋的情況下，神經元的穩態輸出值為: 2)找到yi取最大值時的神經元i，則其為最佳匹配單元C。3)為使網絡具有一種聚類功能，定義最

7、佳匹配單元C的一個拓撲鄰域,使內的單元輸出為1，外的單元輸出為0，即:4)權值的訓練公式為:式中0<<1，為一學習因子。權值訓練后返回步驟2),直到或滿足要求為止。5) 輸入下一個輸入矢量，轉入1)進行下一輪的學習，直到所有的樣本都學習完為止。2 SOM神經網絡用于礦井提升機的故障診斷2.1 礦井提升機故障樣本的建立礦井提升機系統的主要設備包括液壓站、減速器和制動器等。現以礦井提升機系統中的液壓站模塊為例實現基于SOM神經網絡的故障診斷。液壓站模塊的主要故障有: a)合閘壓力過小；b)開閘殘壓過大；c)油溫過高；d)開閘間隙過大；e)合閘間隙過大。各個設備的運行是相對獨立的，利用數

8、據采集板將各主要設備的參數及性能指標采集出來,對礦井提升機的狀態進行監測。數據采集系統如圖2所示。圖2 數據采集系統歸一化處理后的液壓站標準樣本集,如表1所示。2.2 SOM神經網絡學習與訓練把液壓站標準樣本輸入到自組織神經網絡系統中,系統經過訓練,會反復調整權值。利用MATLAB中的神經網絡工具箱，函數創建一個SOM神經網絡。該神經網絡的輸入層為6個神經元，輸出為36(6x6)個神經元。創建完成SOM神經網絡后，就對其進行訓練，在MATLAB神經網絡工具箱中，train(net,X)函數用來訓練神經絡，net是創建SOM神經網絡6。編程與分析P=1.120 0.824 0.69 1.0 0.

9、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;%轉置后符合神經網絡的輸入格式P=P'net=newsom(minmax(P),6 6);% newsom建立SOM網絡。minmax（P）取輸入的最大最小值。競爭層為6*6=36個神經元plotsom(net.layers1.positions) % 網絡建立和訓練圖3 建立的神經元拓撲結構a=10 30 50 100

10、200 500 1000; % 5次訓練的步數yc=rands(5,6); % 隨機初始化一個1*10向量。% 訓練次數為10次net.trainparam.epochs=a(1);net=train(net,P); y=sim(net,P);yc(1,:)=vec2ind(y) % 訓練網絡和查看分類plotsom(net.IW1,1,net.layers1.distances) % 進行訓練圖4 訓練次數為10次時的神經元分類情況訓練結果： yc=1 1 3 2 36 36圖中每個六邊形為一個位置，從下面的第一行第一個位置為編號1，最后一個神經元編號為36。由圖可知樣本1和2是一類故障，樣

11、本5和6是同種故障，其余分別為不同故障。% 訓練次數為30次net.trainparam.epochs=a(2);net=train(net,P);y=sim(net,P);yc(2,:)=vec2ind(y) % 訓練網絡和查看分類plotsom(net.IW1,1,net.layers1.distances)圖5訓練次數為30次時的神經元分類情況訓練結果：yc =36 36 5 1 2 2分類結果是1和2為一類，5和6為一類，3與4各為一類。% 訓練次數為50次net.trainparam.epochs=a(3);net=train(net,P); y=sim(net,P);yc(3,:)

12、=vec2ind(y) % 訓練網絡和查看分類 plotsom(net.IW1,1,net.layers1.distances)圖6訓練次數為50次時的神經元分類情況訓練結果：yc =35 36 35 5 1 25分類結果是1和3為一類，2、4、5、6各位一類。% 訓練次數為100次net.trainparam.epochs=a(4);net=train(net,P); y=sim(net,P);yc(4,:)=vec2ind(y) % 訓練網絡和查看分類plotsom(net.IW1,1,net.layers1.distances)圖7訓練次數為100次時的神經元分類情況訓練結果：yc =1

13、2 6 27 31 13 1分類結果是樣本1、2、3、4、5、6各位一類。% 訓練次數為200次net.trainparam.epochs=a(5);net=train(net,P);y=sim(net,P);yc(5,:)=vec2ind(y) % 訓練網絡和查看分類plotsom(net.IW1,1,net.layers1.distances)圖7訓練次數為200次時的神經元分類情況訓練結果：yc =1 9 6 31 28 36分類結果是樣本1、2、3、4、5、6各位一類。有次我們一次可以得出網絡在不同訓練次數下的分類結果：表格2 網絡在不同訓練次數下的分類結果訓練步數聚類結果101132

14、363630363651225035363551251001262731131200196312836聚類分析的結果如表所示，可見，當訓練次數為10時，網絡已對樣本進行分類，這種分類不夠精確。當訓練次數為100次，每個樣本都分為一類，這種分類結果更細化了，當訓練次數為200次時，同樣每個樣本被劃分為一類，這時，如果再提高訓練次數，已沒有必要。3 故障診斷實例將表2所示待檢的2組樣本送入訓練好的SOM網絡,驗證訓練后的SOM神經網絡對礦井提升機故障的診斷性能。% 網絡作分類的預測t=1.045 1.32 1.119 1.21 1.05;1.092 0.83 0.74 1.49 1.59'

15、% 測試樣本輸入r=sim(net,t);% sim( )來做網絡仿真rr=vec2ind(r)% 變換函數 將單值向量轉變成下標向量。% 網絡神經元分布情況plotsomtop(net)% 查看網絡拓撲學結構plotsomnd(net)% 查看臨近神經元直接的距離情況plotsomhits(net,P)% 查看每個神經元的分類情況結果為:rr = 6 36將X1,X2輸入已經訓練好的神經網絡，神經網絡經過聚類輸出診斷結果分別為故障5(開閘間隙過大)，故障4(油溫過高),與現場檢測的結果一致。4 結論研究了基于SOM神經網絡的礦井提升機故障診斷方法,給出了SOM網絡的結構和學習算法,采用MATLAB的神經網絡工具箱函數來對網絡進行訓練和仿真,以實現對礦井提升機故障診斷。SOM神經網絡具有無監督自學習,診斷結果簡單、直觀的特點,利用MATLAB的神經網絡工具箱不必進行繁瑣的編程,具有高效率和高解題品質的優點。故障實例表明該方法是有效可行的。參考文獻:1鄭殿賀,吳文革,劉仲良.礦井提升機故障監測及安全保護系統分析J.工礦自動化, 2003.2礦井提升機故障處理和技術改