[發明專利]一種基于SOM神經網絡的岸橋電機狀態聚類分析方法

在審

• 申請號: 201810031212.4
• 申請日: 2018-01-12
• 公開（公告）號: CN108154190A
• 公開（公告）日: 2018-06-12
• 發明（設計）人: 唐剛;姚小強;胡雄
• 申請（專利權）人: 上海海事大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海三和萬國知識產權代理事務所(普通合伙) 31230
• 代理人: 陳偉勇

1.一種基于SOM神經網絡的岸橋電機狀態聚類分析方法，其特征在于包括以下步驟：

步驟1：數據采集

在岸橋左、右側起升電機的輸出端上安裝加速度傳感器，設置時間間隔為每10秒采集一個振動烈度信號，并用信號調理采集器收集信號；將傳感器、信號調理采集器、測點監控板和工控機等硬件設備連接在一起，讓它們共同組成信號處理柜，并與計算機連接在一起，這樣在岸橋操作間里就能直接對岸橋電機的工作狀態進行監測，便于操作者管理和使用；

步驟2：SOM網絡訓練

步驟2.1：權值初始化

權值初始化的要求是使權值的初始位置與輸入樣本的分布區域充分重合，最常用的兩種方法是：

(1)從岸橋起升電機振動烈度數據中選取一部分數據作為SOM神經網絡的訓練樣本X＝[x₁,x₂,…,x_n]^T，并從所有的訓練樣本集中隨機抽取m個輸入樣本作為初始權值；

W_j＝[w_j1,w_j2,…,w_jm]^T

式中：w_j1,w_j2,…,w_jm為初始權值；

(2)從岸橋起升電機振動烈度數據中選取一部分數據作為SOM神經網絡的訓練樣本計算出全體樣本的中心向量，在該中心向量基礎上迭加小隨機數作為權向量初始值；

步驟2.2：權值歸一化

式中：w_ji為初始權值，||w_ji||為權值向量的歐幾里得范數；

步驟2.3：訓練樣本歸一化

式中：為訓練樣本，為訓練樣本向量的歐幾里得范數,x_j為訓練樣本向量的第j個特征分量值；

步驟2.4：得到獲勝神經元

將岸橋起升電機振動烈度歸一化后的樣本數據放入SOM神經網絡的輸入層，計算訓練樣本數據與權值向量的歐幾里得距離，距離最小的神經元稱為獲勝神經元；

式中：d_j為訓練樣本數據與權值向量的歐幾里得距離，其中：獲勝神經元d_k＝min(d_j)；

步驟2.5：定義優勝鄰域

優勝鄰域以獲勝神經元j*為中心確定t時刻的權值調整域N_j*(t)，初始鄰域較大，訓練過程中N_j*(t)隨訓練時間逐漸收縮，優勝鄰域的大小用鄰域的半徑表示；

式中：C₁為與輸出層節點數有關的大于零的常數，B₁為大于1的常數，T為預先設定的最大訓練次數；

步驟2.6：調整權值

對優勝鄰域內所有神經元調整權值，公式如下所示：

(i＝1,2,…,n,j∈N_j*(t))

式中：W_ij(t+1)為調整后的權值，η(t,N)是訓練時間t和鄰域內第j個神經元與獲勝神經元j*之間的拓撲距離N的函數；

步驟2.7：判斷是否達到訓練要求

將每次訓練后第j個神經元與獲勝神經元拓撲距離的函數值η(t)與最初設定的最小的拓撲距離函數值η_min進行比較，若η(t)<η_min，結束網絡訓練，否則，返回步驟2.3繼續執行以上步驟；

步驟3：輸出聚類中心

網絡訓練完成，岸橋起升電機振動烈度數據的訓練樣本按照各數據之間的歐拉距離聚集成5種類別，每一種類別都有其聚類中心，將聚類中心輸出，并統計每個聚類中心所屬類別的數據的個數，計算出分好的每一類所占的比例以及每一類數據所在的區間，從而對岸橋起升電機的工作狀態進行識別；

步驟4：反饋結果

通過SOM神經網絡對岸橋起升電機振動烈度數據的聚類分析，得到電機振動烈度數據的聚類中心以及每一類的分類區間，根據電機振動烈度數據的大小，可以把電機工作狀態分為良好、正常、注意、警告和危險這五種狀態，并將其結果反饋給岸橋操作人員以及技術維修人員，從而對岸橋的下一步操作進行準確的判斷。