人工神经网络作业剖析.docx

基于SOM神经网络的矿井提升机故障诊断研究 摘 要:应用自组织特征映射(SOM)神经网络实现矿井提升机的故障诊断。介绍了SOM网络的结构和学习算法；总结了矿井提升机的故障集、征兆集和故障特征数据。在MATLAB环境下给出了矿井提升机故障诊断的具体实例，表明该方法是一种可行有效的矿井提升机故障诊断方法。 关键词：故障诊断；矿井提升机；SOM神经网络； Study of Fault Diagnosis of Mine Hoist Based on SOM Neural Network Abstract: A method based on self-organizing neural 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 that the method is effective. Key words : fault diagnosis; mine hoist ; SOM neural network 0 引言 矿井提升机是矿井中非常关键和重大的设备。主要用途是提升矿物，在多数矿中,矿井的主产量就是提升设备的提升量。提升设备也是井上、井下升降人员的主要设备，并且在垂直或倾斜的状态下高速运行。矿井提升机虽然本身有一些保护措施，可由于煤矿生产的复杂性、环境的恶劣性，一些保护不能达到预期效果，致使煤矿生产中仍有不少事故发生，轻则影响生产，重则造成国家财产的严重损失，甚至导致人身伤亡。因此关于矿井提升机的故障诊断研究具有重要意义[1]。故障诊断系统的核心是故障诊断算法的设计。神经网络是一种新的方法体系，它以分布的方式存储信息，利用网络的拓扑结构和权值分布实现非线性的映射，并利用全局并行处理实现从输入空间到输出空间的非线性信息变换。自组织映射(SOM)神经网络能模拟大脑神经系统自组织特征映射的功能，是一种竞争式无教师自组织、自学习的网络。本文主要分析SOM神经网络的模型结构、学习算法，以及在MATLAB环境下采用此网络模型实现对矿井提升机故障的诊断。 1 SOM神经网络结构和学习算法 1.1 SOM神经网络结构 自组织特征映射(sel-forganizing featuremap，也称Kohonen映射, SOM)神经网络，是由Kohonen教授提出的对神经网络的数值模拟方法。该网络由输入层和输出层组成。其中输入层神经元个数的选取按输入网络的向量个数而定，输入神经元接收网络的输入信号，输出层则是由神经元按一定的方式排列成一个平面。输入层的神经元与输出层的神经元通过权值联结在一起。当网络接收到外部输入信号后，输出层的某个神经元便会兴奋起[3]。自组织特征映射神经网络模型结构如图1所示。 图1 SOM神经网络模型 SOM的一个典型特征就是可以在一个一维或者二维的处理单元阵列上，形成一个输入信号的特征拓扑分布，因此SOM具有提取输入信号特征的能力，通过训练，可以建立这样一种布局，它使得每个权值向量都位于向量聚类的中心，一旦SOM训练完成，就可以用于对训练数据或其他数据进行聚类。 1.2 SOM神经网络的训练方法 SOM神经网络进行学习时,首先对网络的连接权系数Xij赋予[0,1]区间内的随机值,然后给网络提供输入矢量X=[x1，x2，x3，... xn]T,必存在与输入神经元获得最佳匹配时的最佳匹配单元C,在C的邻域NC内,各神经元与最佳匹配单元C的侧向连接为兴奋型, NC以外各神经元受抑制作用而使输出为0。 具体学习算法如下: 1)设输入矢量,即故障征兆集合为,相应于第i个神经元的权系数构成的加权矢量,在没有反馈的情况下，神经元的稳态输出值为: 2)找到yi取最大值时的神经元i，则其为最佳匹配单元C。 3)为使网络具有一种聚类功能，定义最佳匹配单元C的一个拓扑邻域,使内的单元输出为1，外的单元输出为0，即: 4)权值的训练公式为: 式中01，为一学习因子。权值训练后返回步骤2),直到或满足要求为止。 5)输入下一个输入矢量，转入1)进行下一轮的学习，直到所有的样本都学习完为止。 2 SOM神经网络用于矿井提升机的故障诊断