SOM神经网络在旋转机械故障诊断中的应用_肖坤_百度文库

1、SOM 神经网络在旋转机械故障诊断中的应用 *肖 坤 原思聪王 丹(西安建筑科技大学 机电工程学院 , 西安 710055Application of SOM neural network in fault diagnosis of rotating machinesXIAO Kun , YUAN Si-cong , WANG Dan(School of Mech. &Elec. Eng. , Xi an Univ. of Arch. &Tech. , Xi an 710055, China 文章编号 :1001-3997(2010 11-0044-02【 摘 要 】 研究和分

2、析了自组织映射 (SOM 神经网络的结构和算法, 把 SOM 网络应用在旋转机械故障诊断中, 利用振动传感器拾取振动信号, 通过对时域 、 频域的分析来提取特征 。 通过对输入样本的 “ 聚 类 ” , 实现对故障的自动分类 。 这种故障的分类通过 MATLAB 更容易实现可视化的界面 。 仿真结果表明该 方法可以对故障进行有效 、 准确地诊断, 从而为旋转机械的故障诊断提供了一种新的途径 。关键词:旋转机械; SOM 神经网络; 故障诊断【 Abstract 】 The construction and algorithm of a self-organizing maps neural n

3、etwork are researched and analyzed.The SOM network applies to the fault diagnosis of rotating machinery.The use of vibration sensors pick up vibration signals , and through the time domain , frequency domain analysis to extract features.To real -ize the automatic classification diagnosis through the

4、 “ clustering ” of input sample. This classification of fault is easier to achieve visual interface.The results show that the method can effectively and accurately diagnose the faults.Therefore ,a new way is provided for the rotating machinery common fault diagnosis. Key words :Rotating machines ; S

5、OM neural network ; Fault diagnosis中图分类号:TH16文献标识码:A*来稿日期:2010-01-08*基金项目:陕西省自然科学基金项目 (2007E 218 , 陕西省教育厅自然科学专项 (09JK559旋转机械是工业生产的直接驱动力, 是石油 、 矿山 、 电力等重要生产部门中的关键生产工具, 往往一个零件出现故障, 整个 设备都不能工作, 对整个生产造成很大的损失 。 由于价格昂贵, 一 般都不配备备用设备 1。 如何做到在旋转机械运行或停机时, 在基 本不拆卸的情况下, 掌握机器的运行情况, 判定系统故障的部位 、 起因 、 严重程度, 并提出相应的解

6、决方案, 非常重要 。 神经网络具 有并行分布式处理 、 联想记忆 、 自组织及自学习能力和极强的非 线性映射特性,能对复杂的信息进行识别处理并给予准确的分 类 。 因此可以通过神经网络理论进行故障诊断 。 由于 SOM 人工神 经网络具有网络结构简单 、 自组织自学习能力强和学习速度快等 优点, 本文将采用 SOM 人工神经网络 。 实验结果表明这种方法具 有很好的实用性 。1SOM 人工神经网络1.1网络模型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 2。 输入层的作 用是通过权向量将外界信息转到输出层神经元 。 输出层也叫

7、竞争 层 。 其神经元排列有多种形式, 其最典型的是二维形式, 它的网络 结构, 如图 1所示 。 输出层的神经元同它周围的神经元侧向连接, 成棋盘状平面; 输入层为单层神经元排列 。SOM 神经网络采用的算法称为 Kohonen 算法 3, 它的基本思 想是:网络输出层的各神经元通过竞争来获得对输入层的响应机 会, 最后只有一个神经元获胜 。 获胜的神经元对它临近的神经元的影响由近及远, 由兴奋逐渐转为抑制, 那些与获胜神经元有关的各连接权朝着有利于它竞争的方向转变 。竞争层 输入层图 1二维 SOM 网络结构图1.2SOM 网络的学习算法1.2.1初始化对输出层权向量定义很小的随机数并进行

8、归一化,得到 w 赞 j(j =1, 2, m , 建立初始优胜邻域 N j *(0 和学习率 初值 。 m 是 输出层神经元的个数 。从训练集中随机取一输入模式并进行归一化,得到 X 赞 p (p =1, 2, n , n 为输入层神经元的个数 。1.2.2寻找获胜节点计算 X 赞 p 和 w 赞 j的点积, 从中找到点积最大的获胜节点 j *。 1.2.3定义优胜邻域 N j *(t 以 j *为中心确定 t 时刻的权值调整域,一般初始邻域 N j *(0 较大, 训练过程中 N j *(t 随训练时间收缩 。1.2.4调整权值调整优胜邻域 N j *(t 内的所有节点的权值 。 w ij

9、 (t +1 =w ij (t +a(t , N x pi -w ij (t *(1Machinery Design &Manufacture机械设计与制造第 11期 2010年 11月44i =1, 2, n ; j N j *(t 式中:w ij (t 第 j 个神经元和第 i 个神经元的权值;a (t , N 训练时间 t 和邻域内第 j 个神经元与获胜神经元 j *之间的拓扑距离 N 的函数 。1.4.5结束判定当学习率时, 结束训练; 不满足结束条件时, 转到步骤 (1 继续 。2旋转机械故障诊断的步骤对旋转机械进行故障诊断的大体步骤如下四步:(1选取具有典型特征的故障样本;

10、 (2 对具有典型特征的故障样本进行学习, 学习完成后, 对 输出的获胜神经元标上该故障的记号;(3 把需要检测的样本输入到 SOM 网络中进行学习; (4 把待检测样本输出神经元的位置和标准输出的位置进 行比较 4, 和哪种故障样本的输出位置相同, 说明待检测样本就是 哪种故障 。 如果和几种输出的位置都比较接近, 说明这几种故障 都有可能发生, 主要看待检测样本输出的位置和哪种标准输出的 位置之间的欧式距离最近 。3SOM 网络在旋转机械故障诊断中的应用3.1旋转机械常见故障形式故障诊断是通过提取设备状态的特征向量,在向量空间 内, 对故障类型进行分类 。 对大型旋转机械, 通常拾取振动信

11、号, 通过对时域 、 频域的分析来确定故障类型 。 通过大量的分析和 研究, 旋转机械的典型故障 5有:(1不平衡 (P 1 (2 不对中 (P 2 (3 油膜涡动 (P 3 (4 油膜振 荡 (P 4 (5 喘振 (P 5 (6 轴向碰磨 (P 6 (7 横向裂纹 (P 7 (8 联轴 器损坏 (P 8 (9 轴承座松动 (P 9 (10 不等轴承刚度 (P 10 。3.2采集数据样本经过大量的试验 、 测试, 分别对机组中需要测试的部位在 未带负荷和带负荷状况下, 用振动传感器进行测试 。 经过数据采 集系统和分析软件的处理, 对各个测点进行数据采集 。 采集各种 故障状态下的数据, 形成

12、标准样本数据和待检测数据 。 振动监测 系统结构, 如图 2所示 。 采集后的样本数据经过处理后, 如表 1所示 。计算机分析软件USB 接口数 据 采 集 器振动 传 感 器测点 1测点 2测点 3测点 4测点 5测点 6测点 7测点 8测点 9测点 10图 2振动监测系统结构图 表 1旋转机械故障样本故障类型123456789P 1不平衡 0.000.000.000.000.900.050.050.000.00P 2不对中 0.000.000.000.000.400.500.100.000.00P 3油膜涡动 0.100.800.000.100.000.000.000.000.00P 4油

13、膜振荡 0.000.001.000.000.000.000.000.000.00P 5喘振 0.700.000.000.000.300.000.000.000.00P 6轴向碰磨 0.100.050.050.100.300.100.100.100.00P 7横向裂纹 0.000.000.000.000.200.400.200.200.00P 8联轴器损坏 0.100.200.100.000.200.300.100.000.00P 9轴承座松动 0.900.000.000.000.000.000.000.100.00P 10不等轴承刚度0.000.000.000.000.000.800.200.

14、000.003.3采集数据样本仿真实验设计网络结构:(1 输入层:10个节点 (神经元 ; (2 输出层:9×9=81个节点 (神经元 。如图 3所示, 利用 Matlab 神经网络工具箱 6对标准故障样本进 行训练, 训练后各种故障在竞争层中的分布, 如图 3所示 。 P 1、 P 2 P 10共 10种故障均匀的分布在输出层所在平面对应的神经元上 。 SOM 神经网络完成训练后,对每个输入都有特定的输出层神经元与之对 应 。 这种输入输出的对应关系在输出的平面中表现的非常清楚 。987654321123456789P 3P 8P 10P 7P 6P 1P 4P 5P 9P 2图

15、3标准样本训练结果图为了检验 SOM 神经网络对旋转机械故障诊断的准确度, 待检 测样, 如表 2所示,把表 2中待检验的样本送入网络中进行训练 7。 表 2待检测样本序号故障类型 1234567t 1P 2不对中 0.000.000.000.000.500.60.20t 2P 4油膜振荡 0.000.000.001.000.000.050.00t 3P 6轴向碰磨0.150.100.050.050.300.100.2080.000.000.1090.000.000.00如图 4所示, 可以看出测试样本 t 1和 P 2重合为第二种故障 (不对中 ; 测试样本 t 2和 P 4距离最近为第四种

16、故障 (油膜振荡 ; 测试样本 t 3和 P 6距离最近为第六种故障 (轴向碰磨 。 t 2、 t 3和 P 4、 P 6没有完全匹配, 是因为输出层神经元个数的选取, 个数过多增 加计算量, 降低学习的速度; 数目过少, 可能把两种模式相近的故 障诊断为同一种故障 。 和待检测样本对比, 可以看到利用 SOM 网 络诊断结果和测试结果完全一致, 证明该方法对于旋转机械常见 故障的诊断是完全有效可行的 。987654321123456789P 3P 8P 10P 7P 6P 1P 4P 5P 9P 2t 2t 3t 1图 4待检验样本仿真结果图第 11期肖 坤等:SOM 神经网络在旋转机械故障

17、诊断中的应用 454结论利用 SOM 神经网络对输入样本的 “ 聚类 ” 作用, 实现了对故障样本的分类 。由于输出层神经元对输入层神经元有特定的响应 关系, 这种响应关系很容易实现图形的可视化 。 从而使故障的分 类更加直观 。 同时输出层神经元的选取如果不当, 可能造成对模 式相近的故障不能明显区分, 这是由网络算法决定的 。参考文献1车立志, 徐文尚, 刘倩婧 . 旋转机械系统故障诊断发展综述 J . 矿山机械,2008, 36(12 :692朱大奇,史慧 . 人工神经网络原理及应用 M . 北京:科学出版社, 20033闻新, 周露, 李翔等 .MATLAB 神经网络仿真与应用 M .

18、 北京:科学出版社, 20034赵进昌, 原思聪等 .SOM 神经网络在复合材料损伤监测中的应用 J . 煤 矿机械, 2009, 30(4 :2012035王光研, 许宝杰 .RBF 神经网络在旋转机械故障诊断中的应用 J . 机械 设计与制造, 2008(9 :57586飞思科技产品研发中心 . 神经网络理论与 MATLAB7实现 M . 北京 :电 子工业出版社, 20067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激光微成形技术的研究及应用 *胡玲玲 周建忠黄 舒 杨小东(江苏大学 机械工程学院 , 镇江 212013

19、Research and application of laser micro forming technologyHU Ling-ling , ZHOU Jian-zhong , HUANG Shu , YANG Xiao-dong(School of Mechanical Engineering , Jiangsu University , Zhenjiang 212013, China 文章编号 :1001-3997(2010 11-0046-03【 摘 要 】 激光微成形作为一种柔性精密加工技术已经成为微塑性成形领域的研究热点 , 其成形的材料广和效果高, 能在一定程度上克服传统微塑性

20、成形中的尺寸效应 。 分别阐述了激光微弯曲成形 、 激光微 冲击成形和激光辅助加热微成形等几种典型的微成形技术, 分析了各自的加工机理及技术特点, 讨论影响 成形精度的主要因素, 介绍了国内外激光微成形技术在精密成形和精确校形方面的应用研究进展, 最后展 望了激光微成形技术的发展前景 。关键词:激光技术; 激光微弯曲; 激光微冲击成形; 激光辅助加热; 尺寸效应【 Abstract 】 Laser micro forming is a flexible precision finishing technology , which has been a focus in the field of

21、 micro plastic deformation.This method could be applied for the rapid and effective forming of various materials ,and could reduce the size effect of the traditional micro forming. Laser micro bending , laser micro shock forming and laser-assisted heating microforming were demonstrated , process mechanism and technology characteristics were investigated ,and the influencing factors of forming accuracy were dis -cussed.Then the application of laser forming and laser fine adjustment was introduced.At last , the prospect of laser micro forming was presented.Key words :Laser