（信号与信息处理专业论文）基于lpc2368的ivc远程报警系统的设计及其算法研究.pdf

基l 蛰鲤鳆! y 垂捏塑警丕统筮途盐厘基篡选硒窒史塞撞垂 基于l p c 2 3 6 8 的i v c 远程报警系统的设计 及其算法研究 中文摘要 i v c ( i n d i v i d u a l l yv e n t i l a t ec a g e s ，独立通风笼具系统) 具有节约能源、防止交叉 感染、易于维护和运行费用低等众多优点，适用于清洁级以上大、小鼠饲育及实验。 近年来，在国内外实验动物科学领域得到了一定程度的普及使用。但是在国内，由于 应用环境与国外的差异性，且众多国产的i v c 产品由于不能控制笼盒内温度、湿度、 动物照度等重要的物理指标而不能脱离许多实验室辅助设备独立使用，使得i v c 在 国内的推广受到了一定的制约。本文的研究工作能使国产i v c 产品更加符合我国实 验动物饲养的要求，也能使我国实验动物的清洁等级得到提高，同时能将国产i v c 产品更好地推向市场。 本文对i v c 报警系统及其故障算法做了研究，提出运用人工神经网络的方法对 i v c 故障进行诊断，并且设计了一套远程智能报警系统。 本文选用白组织特征映射网络( s e l f - o r g a n i z i n gf e a t u r em 印，简称s o m ) 进行 i v c 故障诊断。首先应用传统的多故障整体诊断模型，其次根据i v c 故障的特点， 采用了一种应用于i v c 的单一故障并行诊断模型。最后将两种模型的实验结果进行 对比，结果证明：在对i v c 故障诊断中，单一故障并行诊断模型明显优于传统的多 故障整体诊断模型。 该智能报警系统可以实现现场报警和远程报警的功能。远程报警部分基于d t m f ( d u a lt o n em u l t if r e q u e n c y ) 的远程数据传输技术，将报警信息和故障诊断的结果 通过语音及时、有效地传递给有关人员。文章介绍了语音录放电路、d t m f 信号解码 和发送模块、现场报警模块和远程报警模块等主要模块的硬件设计，最后介绍了本系 统的软件设计思想。 关键词：i v c ，s o m ，故障诊断，报警系统 作者：李冬冬 指导老师：曲波 d e v e l o p m e n to fi n t e l l i g e n tr e m o t ea l a r ms y s t e m b a s e do nl p c 2 36 8a n dt h es t u d yo fa l g o r i t h m a b s t r a c t i v c ( i n d i v i d u a l l yv e n t i l a t ec a g e s ) c o n t a i n sm a n ya d v a n t a g e s ，i t c a l ls a v ep o w e r s o u r c ea n dp r e v e n tf r o mc r o s s - c o n t a m i n a t i o n ，a n di tn e e d sl i t t l eo p e r a t i n gm a i n t e n a n c e n o wi ti su s e di nf e e d i n go fs p f ( s p e c i f i cp a t h o g e n sf r e e ) a n i m a l si n c l u d i n gm i c ea n dr a t s p o p u l a r l ya b r o a da n da th o m e b u t ，b e c a u s eo ft h ed i f f e r e n ta p p l i c a t i o nc o n d i t i o n sa n dt h a t s o m eh o m e m a d ei v cp r o d u c t sc a n n o tc o n t r o ls o m ep h y s i c a l p a r a m e t e r ss u c h a s t e m p e r a t u r ea n dh u m i d i t y ；t h e r ea r es o m eo b s t a c l e si nu s i n g s ot h e r ei sag r e a tv a l u eo f t h es t u d y i tc a nm a k eh o m e m a d ei v cp r o d u c t sa d a p tt ot h e f e e d i n gr e q u i r e s o f e x p e r i m e n t e da n i m a l s ，a n do v e r c o m et h eo b s t a c l ef o rt h em a r k e t i n g e v e nm o r e ，t h e c l e a n l yg r a d eo fe x p e r i m e n t e da n i m a l s c a nb ei m p r o v e d 、t h ea r t i c l es t u d i e sf o rt h ei v ca l a r ms y s t e ma n di t sa l g o r i t h m i ta d v a n c e su s i n gt h e a n n ( a r t i f i c i a ln e u r a ln e t w o r k ) t od i a g n o s et h ef a u l to fi v c ，a n dd e s i g n st h ea l a r m s y s t e m s o m ( s e l f - o r g a n i z i n gf e a t u r em 印) n e t w o r ki su s e di ni v cf a u l td i a g n o s i s f i r s t ，a t r a d i t i o n a lm u l t i - f a u l tw h o l ed i a g n o s em o d e li s u s e d t h e n ，a c c o r d i n gt o t h ef a u l t c h a r a c t e r so fi v cs y s t e m ，t h ea r t i c l eb r i n g sf o r w a r das i n g l ef a u l t - p a r a l l e lp r o c e s s i n g d i a g n o s em o d e lf o rt h ei v cf a u l td i a g n o s e c o m p a r e dt h er e s u l t so ft h et w om o d e l s ，i t p r o v e dt h a tt h es e c o n dm o d e li sb e t t e rt h a nt h eo t h e ro n e a l a r ms y s t e mc a nf u l f i l lt h el o c a l ea n dt h er e m o t ea l a r m t h ep a r to fr e m o t ea l a r mi s b a s e do nt h er e m o t ed a t at r a n s m i s s i o no fd u a l t o n em u l t if r e q u e n c y i tt r a n s f e r st h ea l a r m i n f o r m a t i o na n dt h er e s u l t so ft h ef a u l td i a g n o s et ot h er e l a t i o n a lp e o p l ee f f e c t i v e l yi nt i m e ， s ot h a tt h e yc a nd e a lw i t ht h ef a u l tb e t i m e s t h ea r t i c l ei n t r o d u c e st h eh a r d w a r ed e s i g no f t h es y s t e ms u c hu st h ev o i c em o d u l e ，t h et e l e p h o n en u m b e r sp r e s e t t i n gm o d u l e ，t h el o c a l e a l a r r nm o d u l ea n dt h er e m o t ea l a r mm o d u l e m e a n w h i l ei ts h o w st h ei d e ao fs o f t w a r e d e s i g n k e yw o r d s ：i v c ，s o m ，f a u l td i a g n o s i s ，a l a r ms y s t e m l i w r i t t e nb y ：l id o n g d o n g s u p e r v i s e db y ：q ub o 苏州大学学位论文独创性声明及使用授权的声明 学位论文独创性声明 本人郑重声明：所提交的学位论文是本人在导师的指导下，独立进 行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含 其他个人或集体己经发表或撰写过的研究成果，也不含为获得苏州大学 或其它教育机构的学位证书而使用过的材料。对本文的研究作出重要贡 献的个人和集体，均己在文中以明确方式标明。本人承担本声明的法律 责任。 研究生签名：2 奎坌坌e t 学位论文使用授权声明 苏州大学、中国科学技术信息研究所、国家图书馆、清华大学论文 合作部、中国社科院文献信息情报中心有权保留本人所送交学位论文的 复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本 人电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文 外，允许论文被查阅和借阅，可以公布( 包括刊登) 论文的全部或部分 内容。论文的公布( 包括刊登) 授权苏州大学学位办办理。 研究生签名：莶箜兰 日 导师签名：、够夕艮日期： 1 1 lv c 概述 1 1 1iv c 的发展 第一章绪论 随着生命科学的发展，动物科学实验己成为生命医学的支撑条件，是研制和发现 新药的基础。同时，随着世界科技水平的不断提高，医学、药学和生命科学对实验动 物的质量也提出了更高的要求，特别是免疫缺陷动物的诞生，对实验动物和动物实 验的环境设施提高到了清洁级和s p f ( s p e c i f i cp a t h o g e nf r e e ，无特定病原体) 级的要 求【。 根据实验动物的规定，实验动物至少要求清洁级、普及s p f 动物，但清洁级以上 动物的饲养要求使用屏障系统。屏障系统设施投资巨大，运转费用也比较大，特别是 对于繁殖单位或对于为多个单位提供实验动物的实验中心来说问题更突出，如何使动 物实验中心的屏障系统不被污染也是一件非常难的事情。在这种情况下，我们需要一 种相对于传统的屏障系统，具有节约能源、易于维护、运行费用低、对房屋要求低、 能够减轻饲养人员的劳动以及防止交叉感染等特点的实验动物饲养平台【l 】。 实验外科学研究中，目前使用的实验动物尚以普通级大动物( 兔、犬、猪、猴等) 为主，今后会向使用清洁级和s p f 级的大、小鼠方向发展。因为，大、小鼠的遗传基 因谱系接近于人类，近交系动物的遗传纯合基因达9 9 8 以上。并且，在实验中，容 易控制动物生物特性的一致性，而且易于得到国际公认的s p f 级实验动物且实验费用 又比其他大动物节省。目前，这种适合于清洁级以上大、小鼠饲育实验的独立通风笼 具系统在国内呈现发展迅猛的趋势1 2 】。 独立通风笼具( i n d i v i d u a l l yv e n t i l a t e dc a g e s ，简称i v c ) 设备是目前国际上针对 啮齿类实验动物广泛使用的新型节能环保型动物实验设备。它采用具有先进水平的微 型隔离技术，通过向笼具内部输送经过高效过滤的空气以保证动物免受微生物的污 染，可以使动物生活在一个相对隔离的环境。 基l 2 三鲤的! y 适狸拯警丕统塑途盐丛墓簋鎏班塞 蕴二重鸶途 在上个世纪5 0 年代末期，l i s b e t hk r a f t 进行轮状病毒研究时，为防止病毒扩散和 环境污染，她使用玻璃纤维包裹带网孔的金属圆筒，构成一个隔离的小鼠饲养笼，这 就是i v c 隔离笼的雏形【3 】。然而在7 0 年代初，随着环境科学的发展，实验人员通过对 隔离笼内的微环境检测指出：隔离笼内温度比外界高1 - - 2 ，相对湿度高1 0 1 5 ，c 0 2 浓度比开放笼具高1 0 倍，n h 3 浓度接近4 0 0p p m 。这些数据都说明了不能通 风的i v c 的内部微环境并不适合实验动物的长期生长。1 9 8 0 年r o b e r ts e d l a e e k 发明了 一种能取代玻璃纤维的高效滤材，这种材料使得向笼内通入新鲜空气成为可能，它大 大提高了隔离笼内的空气质量，改善了隔离笼内的微环境。此后，这种能够通入新鲜 空气、进行换气的笼具进入了商业化生产时代。在上世纪9 0 年代，i v c 的隔离性能及 保护性能被大量感染性实验证实，i v c 系统得到了广泛认可，产品得到推广【4 引。 i v c 经过十多年的使用、研究和不断改进，特别是在材料、净化、微电子等现代 技术的带动下，一个全新的、高效节能的、更适合动物福利和小型啮齿类实验动物质 量要求的饲养设备已经展现在我们的面前。今天，i v c 系统被普遍地应用在动物实验 室及动物繁育室，大约1 0 2 0 的欧洲实验室使用i v c 系统饲养小型啮齿类动物、 免疫缺陷动物及转基因啮齿类动物【7 嗡j 。 1 1 2 iv c 的结构和特点 i v c 系统由电气主机箱、导风通道笼架和塑料笼盒三部分组成。电气主机箱主要 由送风系统、排风系统、电气控制系统和温湿度监视系统组成。室内空气经送风系统 预过滤和高效过滤进入导风通道笼架，通过即插即用连接装置送入到每个笼盒，为实 验动物提供均匀的低流速洁净空气。动物排放的废气和粉尘经过笼架回风管道后进入 主机箱的排风系统，再进行二级过滤后排放到室外，从而为动物提供统一标准的低 n h 3 和c 0 2 的微环境。笼盒直接排放废气，这样可增加通风效率，保持垫料干燥，很 好地控制温度和湿度，减少笼具更换次数，有效地防止了动物间交叉感染，保障了实 验工作人员的健康安全。i v c 适宜s p f 动物的培育、繁殖、保种和各类动物实验，尤 其适用于饲养免疫缺陷动物和转基因动物l lj 。 目前，i v c 产品己成为国际上一种发展最迅速的实验动物饲养平台，是传统动物 实验屏障系统的替代性设备，它与传统屏障系统相比较主要有以下几个特点 8 - 9 ： 2 基l 旦2 鳗的! y 垂猩拯警丕蕴数途盐丛基簦这班宜箍= 茔绻途 ( 1 ) 能提供高标准的微环境。以洁净度为例，i v c 的洁净度可以达到1 0 0 级，完 全满足高级别的科研要求。 ( 2 ) 投资低。是传统屏障系统投资额的一半。i v c 配套设施要求低，可在普通 室内安装，总体投资约数1 0 万元。 ( 3 )日常维修及维持费用低。一套i v c 设备，耗电1 0 0 w 左右，发生停电可使用 轻便发电机或h 7 6 电源，只需普通家用空调，随时根据需要开启。i v c 能耗是传统屏 障系统的1 3 6 。 ( 4 ) 摆放方便自由。每套机组可连接几组笼具，根据房间大小自由推拉摆放， 并可根据用户需要，随时增加数量。 ( 5 ) 单组i v c 设备可同时饲养多个品系动物，进行不同性质的动物实验，不会 造成交叉污染，节省空间及能源。可采用较灵活的无菌工作程序，并可随时进出实验 室，一天内可多次观察动物情况。 ( 6 ) 低污染。每个笼盒都有可靠的终端高效滤器屏障，可防止含有有害物质或 被污染的气体在动物饲养室传播、扩散。笼内换气次数高，保持盒内垫料干燥，有害 气体浓度很低，更换垫料间隔时间长，可大大减少人力和物力的投入，笼盒内废气全 部外排，室内空气质量好，氨浓度低，可保障工作人员健康安全。 ( 7 ) 动物搬运方便、可靠。 ( 8 ) 消毒方便。采用简单的化学灭菌方法即可对笼盒进行消毒灭菌。 ( 9 ) 环保。让人与动物的环境很好地隔离开来，有效保护工作人员免受过敏源 的侵害。 1 1 3目前国内外lv c 产品的使用现状 据考察，i v c 产品在国外使用已有3 0 多年的历史，已经被广泛用于医学、生物学、 药学、遗传学、环境卫生学等相关领域s p f 级实验动物的饲养及动物实验室，使用者 多是发达国家，包括美国、日本和英国等欧洲国家。 在我国，i v c 产品自上个世纪末被引入国内实验动物界，从研制到生产再到推广 仅仅花了几年的时间就已遍及大江南北，深受实验动物科技人员的欢迎。目前，已被 北京大学、清华大学、复旦大学、上海第二医科大南京大学、重庆医科大学、中科院 基l 2 3 鳗鳆! y 适猩拯警丕筮鳆送盐丛基翌逵硒蕴丕二重绪论 上海实验动物中心、湖南省药品检验所等众多单位采用。种种市场迹象表明，i v c 市 场将要进入快速成长阶段，前景广阔。 但是，在我国，由于缺少适合中国国情的综合性、规范化的实验动物建筑设施标 准以及生物净化体系标准，设计及施工单位又不了解实验动物建筑设施的特殊性，导 致出现了众多的“病态”实验动物设施。这制约了国产i v c 产品的市场推广f l o - 1 2 1 。 1 2 选题的意义 为了使国产i v c 产品能更好的被国内市场接受，更好的促进我国实验动物发展水 平的提高，更好的促进生命科学的发展，当前，我们的首要任务就是设计出符合我国 国情需求的、能确保实验动物s p f 级微生物、寄生虫学质量的、具有自己知识产权的 新型i v c 产品。 对i v c 远程报警系统的设计及故障诊断算法的研究，能够弥补目前国内i v c 产品 的一些不足，同时，这些研究使i v c 产品更加的智能化，更加适应了国内实验动物饲 养的要求。随着i v c 产品在国内的普及，我国s p f 级、清洁级实验动物的清洁等级、 生产能力将会有很大的提高，i v c 必将成为中国实验动物界一个新的里程碑。 1 3 本课题的主要工作 i v c 系统是一个密封的系统，各个单元之间是相互隔离的，笼盒内任意个环境 参数( 温度、相对湿度、内外压差、换气次数等) 的变化，都可能引起实验动物的生 理生化活动的变化，进而影响实验结果的准确性，严重的甚至会导致实验动物的死亡。 因此，如何对笼盒内的环境参数实施监控，并根据不同的监控结果采取适当的措施成 为国i 为i v c 产品在向市场推广前急需解决的问题。同时，鉴于i v c 产品对实效性的特 殊要求，报警系统必须能够及时地将故障信息传递给相关人员。因此，在现有i v c 产 品的基础上增加报警模块。 4 基坠丝鲤的型垂捏拯警丕统笪遮迁丛基篡鎏硒塞笈二童绪论 1 3 1lv c 故障分析 从目前i v c 在国内的应用来看，对实验动物有重大影响的主要故障包括电源故 障和通风系统故障。 研究表明，电源故障会导致送、排风及空调系统中止运行，致使室内压力梯度将 消失或逆转，氧气浓度在- d , 时内下降到1 0 以下，气流速度、二氧化碳等重要参数 也会急剧地改变，威胁着实验动物的清洁度及健康，甚至会威胁到实验动物的生命安 ，& 【1 3 - 1 4 】 工。 虽然i v c 进风排风均有初、高效过滤器装置。高效过滤器选用h 1 4 级的h e p a ( 高效过滤器) 进或排气过滤器( 对于 o 3p 的颗粒有效率9 9 9 9 7 ) ，但是动物自 身携带的粉尘和垫料、食物中的粉尘微粒等经过一段时间的累积，仍然会引起通风系 统的堵塞【l o 】。而i v c 是一个密封的系统，一旦通风系统不能正常工作，密封笼盒内 的微环境就会发生改变。 在国内，实验动物的饲养环境和条件仍没有统一的标准，各用户的使用条件相差 太远，难以像国外一样依据一个统一的标准来决定通风系统的使用状态和使用时间的 关系。而专门地依据每一个用户的使用条件来唯一地确定每一套i v c 产品进风出风 过滤网膜的更换频度，会耗费过多的人力和时间，不是一个可行的方案。 因此，根据国内的实际情况，在原有i v c 的基础上，本文提出将人工神经网络 的故障诊断方法应用于i v c 系统，通过对i v c 使用状态的实时监控，及对监控数据 的处理分析，识别出i v c 系统的状态。 1 3 2 故障信息的传递 当控制系统识别出i v c 系统的故障后，控制系统应采取相应的措施，以保持密 封笼盒内的环境参数的相对稳定。 对电源故障，可以采取开启后备电源的方法来消除故障：对通风系统的识别结果 可以分为两类：轻微堵塞和严重堵塞；对通风系统轻微堵塞的故障，可以通过采取加 压送风或改变电机频率等操作改变通风率。以上两种情况下的故障处理可以由程序控 制，无需相关人员到场处理。但是对于通风系统严重堵塞的故障，则必须由有关人员 基壬l 2 3 鱼8 的盟适捏拯警丕缝鳆送盐丛茎篡洼丛蕴 蕴= 重缝迨 更换过滤网膜来解决。若严重的堵塞情况发生在有人职守的时间，可以通过现场报警 的方式提醒。但是，如果这种情况发生在夜间或者无人职守的时候，现场的报警就难 以满足需要。而对笼盒内的实验动物来说，通风系统严重堵塞的故障是致命的，需要 尽可能快地排除，因此需要远程报警将故障信息及时传递到有关人员。 本文介绍了s o m 网络算法的基本理论，应用人工神经网络对i v c 系统进行故障 诊断设计；并设计了i v c 报警系统，包括d t m f 信号解码和发送模块、故障语音录 放、信息显示、现场报警和远程报警等模块的硬件设计和软件设计。 i v c 报警系统基本框图见图1 1 。 1 4 论文结构 图1 1i v c 报警系统基本框图 本论文共分五章，主要研究内容及章节安排如下： 第一章绪论 首先简要介绍了i v c 的发展历程，其次介绍了i v c 的结构和特点，最后简要地 介绍了国内外i v c 产品的使用现状，并指出了目前国内i v c 产品存在的问题。 第二章i v c 故障诊断的算法研究 本章提出应用人工神经网络的方法对i v c 故障进行诊断，介绍了s o m 网络的基 本理论。分别采用了多故障整体诊断模型和单一故障并行诊断模型对i v c 故障进行 了诊断，得出了在i v c 系统中，后者更适合用来做i v c 的故障检测模型的结论。 6 基王! = 2 3 鳋笪! y 重握邀篷丞缝的遮让丞基簋这班蕴筮二童缝论 第三章i v c 报警系统的硬件设计 本章首先介绍了i v c 报警系统的整体框架。然后分别详细地介绍了电源模块以 及延时模块、现场报警模块、语音电路、状态切换电路、d t m f 信号解码和发送电路 和远程报警模块、存储电路的硬件连接和相应功能。 第四章i v c 报警系统的软件设计 本章主要介绍了远程报警模块的软件设计思想，并详细介绍了拨号子程序、号码 设置程序以及语音录放等部分程序设计思想。 第五章结论 本章对全文进行了总结，并针对目前研究工作中的不足，提出了今后研究工作的 方向。 第二章 lv c 故障诊断的算法研究 2 1 人工神经网络简介 人工神经网络a n n ( a r t i f i c i a ln e u r a ln e t w o r k ) 简称为神经网络n n ( n e u r a l n e t w o r k ) ，是近年来人们十分关注的热门交叉学科，涉及生物、电子、数学、物理、 计算机、人工智能等多种学科和技术，有着十分广阔的应用前景。 简单的说，神经网络就是使用物理上可实现的器件、系统和计算机，来模拟人脑 结构和功能的人工系统。它由大量简单的神经元经广泛互联，构成一个计算结构来模 拟人脑的信息处理，并应用这种模拟结构来解决实际问题。 神经网络的研究已有近4 0 年的历史。早在2 0 世纪4 0 年代，心理学家m c c u l l o c h 和 p i t t s 就提出了神经元的形式模型【1 5 】。h e e b 提出了改变神经元连接强度的规则16 1 ，它们 至今仍在各种神经网络模型中起着重要的作用。随后，r o s e n b l a t t 、w i d r o w 等人对它 们进行了改进并提出了感知器f 1 7 】( p e r c e p t r o n ) 和自适应线性元件【1 8 】( a d a p t i v el i n e a r e l e m e n t ) 。 随着人工神经网络研究的不断发展，人们曾遇到来自各方面的困难，也碰到许多 一时难以解决的问题。人工智能的创始人之一m m i n s k y 和s p a r p c r t 于1 9 6 9 年 发表了对神经网络研究产生重要影响的感知机一书。书中提出了感知机网络的局 限性，它大大影响了人们对神经网络研究的兴趣，使人工神经网络研究在7 0 年代处 于萧条期。 后来，h o p f i e l d 、r u m e l h a r t 、a n d e r s o n 、f e l d m a n 、g r o s sb e r g 和k o h o n e n 等人所 做的工作又掀起了神经网络研究的热潮【1 9 - 2 3 1 。这一热潮的出现，除了神经生物学本身 的突破和进展以外，更主要的是由于计算机科学与人工智能发展的需要，以及v l s i ( v e r yl a r g es c a l ei n t e g r a t e dc i r c u i t e s ，超大规模集成电路) 技术、生物技术、光 电技术等的迅速发展为其提供了技术上的可能性。同时，由于人们认识到类似于人脑 特性行为的语音和图像等复杂模式的识别，现有的数字计算机难以实现这些大量的运 算处理，而神经网络应用大量的并行简单运算处理单元为此提供了新的技术手段【2 4 1 。 在我国，经过几十年的发展，我国学术界和工程界在人工神经网络的理论研究与 基业2 3 鲮的! y 适猩拯鳌丕统盥送过区基篡选班塞箍三童! y 垫瞳趁堑的篡洼硒塞 应用方面取得了丰硕成果，学术论文和研究人员的数量逐年增加。目前，人工神经网 络已在我国科研、生产和生活中产生了普遍而巨大的影响。 2 2 人工神经网络在故障诊断领域的应用现状 神经网络在故障诊断领域的应用始于上个世纪8 0 年代，由于神经网络具有容错、 联想、推测、记忆、自学习、自适应等独特优势，因此在故障诊断中得到了人们的广 泛关注。 目前，神经网络在故障诊断领域的研究主要集中在以下三个方面【2 5 】： ( 1 ) 从模式识别的角度，应用神经网络作为分类器进行故障诊断； ( 2 ) 从预测的角度，应用神经网络为动态预测模型进行故障诊断； ( 3 ) 从知识处理的角度，建立基于神经网络的故障诊断专家系统。 随着人工智能和计算机技术的迅速发展，特别是知识工程、专家系统的进一步应 用，为神经网络故障诊断技术的研究提供了新的理论和方法。神经网络故障诊断技术 具有广阔的发展前景。 2 3s o m 网络理论 目前，已经有近四十种人工神经网络模型在研究和应用中，归纳起来可以分为前 馈型网络、反馈型网络和自组织网络。其中1 9 8 1 年芬兰h e l s i n k 大学的t k o h o n e n 教授提出一种自组织特征映射网( s e l f - o r g a n i z i n gf e a t u r em a p ，简称s o m 网络，又 称k o h o n e n 网) 属于自组织网络。它是一类非常重要的无导师学习网络，是目前人 工神经网络理论中的一种重要的学习方法，主要应用在模式识别、语音识别、分类等 场合。 2 3 1s o m 网的拓扑结构 s o m 网络是芬兰学者k o h o n e n 提出的，基本结构如图2 1 所示，包括一个输入层和 一个竞争层。输入层负责接受外乔信息并将输入模式向竞争层传递，起“观察 作用； 竞争层负责对该模式进行“分析比较”，找出规律以正确归类。 9 基土业至鲣塑! y 适猩拯警丕筮酸退让星基篡逮班壅 箍三童! y 垫堕途匦的鲤鎏班蕉 在竞争过程中，以输出最大的神经元为“赢”单元，其邻域范围内的神经元也会 在不同程度上得到兴奋，而邻域范围外的神经元将被抑制，通过自激学习使获胜神经 元的邻域逐渐缩小，直至达到预先设定条件的要求。 x 1x 2xn 图2 1s o m 网络结构 2 3 2s o m 网络学习规则 2 3 2 1神经元的变换函数 ( 1 ) 阈值变换函数 图2 2 ( a ) 、2 2 ( b ) 所示分别为单极性阈值型变换函数和双极性阈值型变换函数。 一般采用单极性阈值型变换函数，也就是阶跃函数，其表达式如式2 1 。 似，= 0 | 篇s ，) 阂值变换函数曲线图如图2 2 所示。 f ( x ) 7 1 0 ， 0x f ( x ) 7 1 0 0 ； - 1 o ( a ) 单极性阈值变换函数( b ) 双极性阈值变换函数 图2 2 阈值变换函数 ( 2 ) 分段线性函数 该函数的特点是神经元的输入与输出在一定区间内满足线性关系。由于具有分段 1 0 基l 里3 曼墨笪! y 重猩拯鳘丕缝鲍遮进丛基簋选塑蕴箍三重! y 垫堕途堑盥差选盟蕴 线性的特点，因此实现上比较简单。表达式如式2 2 ，一般令c = 1 。 f 一1x 一l f ( x ) = f 石一1 z 1 ( 2 2 ) 【 lx l 曲线图如图2 3 。 1 一万 岁v 1 一 x 图2 3 分段线性函数 ( 3 ) s i g m o i d 函数 图2 4 所示为最常用的单极性的s i g m o i d i 函数，简称s 型函数。它代表了状态连续 型神经元模型，特点是函数本身及其导数都是连续的，处理起来非常方便，被广泛采 用。本文采用的是标准s 型函数，表达式如式2 3 。 1 ( z ) 2 再 2 曲线图如图2 4 。 1 厂 - 5 0 + 5 7 2 3 2 2 权值调整域 图2 4 s i g m o i d i 函数 x 在胜者为王的算法中，只有竞争获胜神经元才能调整权向量，其他任何神经元都 无权调整，这不符合人脑神经元的组织原理。 而s o m 网络的获胜神经元对其邻近神经元的影响是由近及远的，由兴奋逐渐转 蕉王b 2 3 鱼s 鲤! y 适猩拯鳘丕筮酸送进丛基篡洼班究筮三童! y 垫隍堡堑塑篡鎏班荭 变为抑制，因此其学习算法( k o h o n e n 算法) 中不仅获胜神经元本身进行调整权向量， 它周围的神经元在其影响下也要调整权向量。这种调整方式可用图2 5 中的3 种函数来 表示。 r l 7 卜r 0 l r r r - 】 1 r r 。 一 卜r o ( a )墨西哥草帽函数( b ) 大礼帽函数 ( c ) 厨师帽函数 图2 5 三种激励函数 图2 5 中的三个图形分别表示墨西哥草帽函数、大礼帽函数和厨师帽函数。墨西 哥草帽函数是由k o h o n e n 提出的，它的特点就是与生物系统十分相似，但是其计算上 的复杂性影响了网络的收敛性。因此，在s o m 网络的实际应用中常使用墨西哥草帽 函数的简化函数，即图2 5 中的大礼帽函数和进一步简化的厨师帽函数。 2 3 2 3 相似性测量 神经网络的输入模式用向量表示，比较不同模式的相似性可转化成比较两个向量 的距离，因而可用模式向量的距离作为聚类判据。传统模式识别中常用的两种聚类方 法是欧式距离法和余弦法。 ( 1 ) 欧式距离法 欧式距离法的计算如式2 4 所示： i x x ，0 = ( x t ) 7 ( 一x ，) ( 2 4 ) 两个模式向量的欧式距离越小，两个向量越接近，因此认为这两个模式越相似， 当两个模式完全相同时其欧式距离为零。如果对同一类内的各个模式向量间的欧式距 离作出规定，不容许超出某一最大值d ，则最大欧式距离d 就成为一个聚类判据。 ( 2 ) 余弦法 余弦法是计算两个模式向量夹角的余弦值，即 c 。s = x7 z ( i ) ( 2 5 ) 基! = 蛰鲤笪! y 适蕉丝鳘丕缝鲤遮生丛基墓逵班塞箍三童型垫瞳丝堑竣篡鎏盟塞 两个模式向量越接近，其夹角越小，余弦值越大。当两个模式向量完全相同时， 其夹角余弦值为1 。如果对同一类内各个模式向量间的夹角作出规定，不容许超过某 一最大夹角昕，则最大夹角忻就成为一种聚类判据。 余弦法适合模式向量长度相同或者模式特征只与向量方向相关的相似性测量。 2 3 2 4 s o m 网络学习规则 s o m 网络采用的学习规则是k o h o n e n 算法，是在胜者为王算法基础上加以改进而 成的，二者之间的主要区别在于调整权值向量与侧抑制的方式不同。k o h o n e n 算法主 要按照如下几个步骤进行【2 6 - 2 8 1 ： ( 1 ) 初始化 对输入层各权值向量赋小随机数并进行归一化处理，得到矿，j - l ，2 ，m ； 建立初始优胜邻域m 。( 0 ) ；对学习率7 赋初始值。 ( 2 ) 接受输入 随机选取一个输入模式并进行归一化处理，得到x p ，p 1 ，2 ，p 。 ( 3 ) 寻找获胜神经元 计算x p 和矿的点积，j = 1 ，2 ，m ，从中选择点积值最大的获胜神经元厂， 如果输入模式未经归化，应按式( 2 4 ) 计算欧式距离，从中找出距离最小的获胜 神经元。 ( 4 ) 定义优胜邻域m t ) 以为中心确定t 时刻的权值调整域，一般初始邻域m 。( 0 ) 较大，训练过程中 e 。( f ) 随着训练时间的增加而逐渐收缩。 ( 5 ) 调整权值 对优胜邻域m 。( r ) 内的所有神经元调整权值 ( f + 1 ) = ( f ) + 7 7 ( ，) 一p 一( f ) i = 1 ，2 ，巩j m 。( f ) ( 2 6 ) 其中，刁( ，n ) 是训练时间t 和邻域内第j 个神经元与获胜神经元之间的拓扑 基士! = 至3 鳗鲢盟垂蕉拯鳘丕统的遮盐丛墓簋鎏盟窥 箍三重l y 垫堕途堑数差这婴筮 距离n 的函数，该函数一般有以下规律 f 个争r 上，n 个j7 7j ( 6 ) 结束检查 检查学习率刁( f ) 是否衰减到零或者预定的正小数，不满足条件则退回到步骤( 2 ) 。 s o m 网络学习规则流程图如图2 6 所示。 图2 6s o m 网络学习规则流程图 】4 蒸土坠至3 鱼墨的垂焦拯鳘丕统数送迁丛! 篡洼盟壅箍三童! y 堑瞳堡堑盟墓鎏盟壅 2 4 应用于i v c 的多故障诊断模型 2 4 1输入层、输出层的设计 1 、输入层 在i v c 系统中，需要监控的有温度、相对湿度、动物照度、内外压差、噪声、气 流速度、氧气浓度、二氧化碳浓度、氨气浓度等众多物理指标。考虑到样本的相关性 以及冗余性，本系统选择氧气浓度、二氧化碳浓度、氨气浓度、内外压差、相对湿度 和气流速度六个物理指标作为输入层的样本空间。因此，输入层确定为六个神经元。 2 、输出层 网络的输出层主要是用来直观的表示系统的故障种类。表2 1 为故障模式及其对 应的编码。 表2 1 故障模式及其对应编码 期望输入 对应故障 10o00i 01o0oi i 单一故障 00lo0i h 00010 0o001v 1ooo1i 、v lo01oi 、 l0 10 0i 、 11oo0 i 、i i 双重故障 o1001i i 、v o1 1o oi i 、i i i o011oi i i 、 00011、v l00lli 、v 10ll0i 、i i i 、 三重故障 11o01i 、i i 、v 11l0o i 、i i 、 i i i 基l 至3 鲤丝! y 重蕉塑鳌丕统的遮盐丛基篡选盟塞 箍三童! y 邀瞳途堑盟复鎏盟塞 在i v c 系统中，主要故障有电源故障和通风系统故障。通风系统故障又分为进风 过滤网膜故障和出风过滤网膜故障。考虑到发生多重故障的可能性，输出层的样本空 间包含了单一故障模式和多重故障模式。 由于样本空间包含了1 7 种故障模式，因此，输出层至少需要1 7 个神经元才能包 含所有的故障模式，分别表示电源故障( i ) 、进风过滤网膜轻微堵塞( i i ) 、出风过 滤网膜轻微堵塞( i i i ) 、进风过滤网膜严重堵塞( ) 、出风过滤网膜严重堵塞( v ) 5 种故障以及其他1 2 种多故障模式。故障发生时，对应的神经元输出为1 ，否则为0 。 2 4 2 优胜邻域的设计 优胜邻域( t ) 的设计原则是使邻域不断减小，这样输出平面上相邻神经元对应 权向量之间既有区别又有相当的相似性，从而保证当获胜神经元对某一类模式产生最 大响应时，其邻近神经元也能产生较大的影响。邻域的形状可以是正方形、六边形或 圆形。 优胜邻域的大小用邻域半径r ( ，) 表示，厂( ，) 的设计目前还没有一般化的数学方法， 通常凭借经验选择。但是，前人在实践的基础上，总结了一些用于选择最佳邻域设计 的参考公式。本系统选用： r ( t ) = c le x p ( e f t m )( 2 7 ) 其中，c l 为与输出层神经元数e l m 有关的正常数，b l 为大于1 的常数，t 。为预先 设定的最大训练次数。 2 4 3 学习率的设计 7 7 ( r ) 是网络在时刻t 的学习率，在训练开始时，7 7 ( r ) 可以取值较大，之后会以 较快的速度下降，这样有利于很快捕捉到输入向量的大致结构。然后7 7 ( f ) 又在较小的 值上缓慢降至趋于0 ，这样也就可以精细地调整权值使之符合输入空间的样本分布结 构。图2 7 所示即为满足上述规律的三种学习率函数。 1 6 节0 ) 节o o r j ( t ) 节o o 图2 7 三种学习率函数 0 ) 刁o 0 本设计选择第三种学习率函数，表达式为： 刁。，= 0 。一。一，。乙一名，：三乏 c 2 8 ， 其中t p 为学习率的起始点，乇为学习率的终点，0 r o 弋 1 。 2 4 4 训练样本集和测试样本集的选取与处理 将所有数据分为两部分，其中1 2 0 组数据作为训练样本集，剩余5 0 组数据作为测 试样本集。训练样本集和测试样本集都包含了单一故障和多重故障下的故障数据。 由于所得数据的幅值相差比较大，直接在实验中使用会造成较大的误差。因此， 有数据输入网络前，要对数据进行预处理。本系统采用了归一化的方法，将数据转换 在 o ，1 范围内。 要检验网络模型能否正确地对故障作出判断，就要在训练好的网络模型基础上， 用不同的训练样本集对网络进行测试。训练样本集在输入以前，也要进行归一化处理。 2 4 5 故障诊断结果 经过测试样本集对网络的测试，可以看出，本系统对单一故障样本的判别正确率 可以达到8 2 以上，见表2 2 ( a ) 。但是，对多重故障进行识别时，正确率比单一故障 样本时低的多，见表2 2 ( b ) 、2 2 ( c ) 。 基三e ! = 盟鲤数! y g 垂猩塑警丞缠鲍遮过丞墓篁这硒红箍三童! y 垫瞳途堑数簋这婴塞 表2 2 ( a ) 单一故障数据诊断结果( ) i i ii i iv 正确识别率9 7 2 8 2 48 4 68 4 38 7 9 错误识别率 2 81 2 3 1 4 - 3 1 3 25 8 未识别概率 o5 32 13 56 3 表2 2 ( b ) 双重故障数据诊断结果( ) i 、vi 、i 、i i ii 、i ii i 、vi i 、i i ii i i 、v 正确识别率 7 2 16 6 7 6 6 75 8 86 5 67 5 46 9 76 6 7 错误识别率 1 2 91 4 8 2 2 42 3 71 8 01 5 31 9 31 5 9 未识别概率 1 5 01 8 51 1 91 7 5 1 6 79 31 1 01 7 4 表2 2 ( c ) 三重故障数据诊断结果( ) i 、vi 、i i i 、i 、i i 、vi 、i i 、i i i 正确识别率 5 7 95 2 45 6 65 0 4 错误识别率 3 0 32 1 32 5 73 3 6 未识别概率 1 1 82 6 31 7 71 6 o 2 5 应用于i v c 的单一故障并行诊断模型 2 5 1并行诊断模型介绍 在上一节的实验中，要通过输入空间的六个量来识别出1 7 种故障模式，由于各 个神经元之间的相互抑制作用，使得识别效果较差。因此，尝试通过五个独立并行的 单一故障诊断网络对i v c 故障进行诊断，采用这种方法可以减少各神经元之间的相 互影响，减小错判和误判的可能。并行诊断网络结构如图2 8 所示。 图2 8 并行诊断网络结构 与多故障整体诊断模型一样，单一故障并行诊断模型的输入层也包含六个神经 元，分别代表氧气浓度、二氧化碳浓度、氨气浓度、气流速度、内外压差、相对湿度 六个量，输出层则只包括一个神经元。在进行诊断时，输入空间的六个量的数据分别 输入这五个单一故障诊断模型，每个模型将分别独立地进行判断，从数据中分析出是 否含有本模型所代表的故障，有故障则输出神经元表示为1 ，无故障则表示为0 。 2 5