人工神经网络作业.docVIP

西 安 建 筑 科 技 大 学 研 究 生 课 程 考 试 试 卷 考试科目：人工神经网络 课程编码：071032 任课教师：谷立臣 考试时间：2014.4.30 学 号：1307841390 学生姓名：李宇峰 题号 成 绩 总 成 绩 学 分 1 　 　 　 2 　 　 　 3 　 　 　 4 　 　 　 5 　 　 　 6 　 阅卷人签字 7 　 　 8 　 　 9 　 试题总页数 10 　 　 　 SOM神经网络在滚动轴承振动诊断中的应用 摘要：SOM网络是一种重要的无导师学习训练算法的神经网络，使用该算法进行训练后，可以将高维输入空间映射到二维空间上，并对故障现象进行自动分类，从而得出它们对应的故障原因。本文归纳和总结了SOM神经网络多参数诊断法的实施步骤，阐述了轴承故障与振动信号之间的关系以及神经网络的工作原理和实现过程，通过实验研究，提取了反映滚动轴承故障类型的振动信号的特征参数，以构建训练神经网络的特征向量，利用MATLAB人工神经网络工具箱模拟和仿真SOM神经网络，然后用训练后的SOM神经网络对故障模式进行识别。 关键词：振动；滚动轴承；故障诊断；SOM神经网络 1 故障轴承振动与信号的关系 故障滚动轴承在受载运转时，当缺陷部位与工作表面接触，都将产生一次冲击力。这种冲击力将激起轴承系统的振动，并通过适当的振动传递通道，以振动和声音的形式传出。信号传递过程，如图1所示。滚动轴承工作时，由传感器拾取的振动信号成分比较复杂，损伤引起的固有衰减振动只是其中的组成部分。当损伤微小时，往往被其他信号淹没而难以被发现。信号处理的目的就是突出这些损伤特征成分。 图1轴承振动信号传递过程 2 SOM神经网络的结构和学习算法 2.1 神经网络结构 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。输入层为单层神经元排列，其作用是通过权向量将外界信息转到输出层神经元。输出层也叫竞争层，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。其神经元排列有多种形式，其最典型的是二维形式。在初始状态下，这些二维的处理单元阵列上没有这些信号特征的分布拓扑图。利用SOM模型的这一特性，可以从外界环境中按照某种测度或者是某种可有序化的拓扑空间来抽取特征或者是表达信号的、概念性的元素。自组织特征映射神经网络模型结构如图2所示。 图2 SOM神经网络结构示意图 采用的学习算法是在胜者为王的基础上改进的。其自组织学习过程可以描述为：对于每一个网络的输入，不仅获胜神经元本身要调整权向量，其周围的神经元在其影响下也要不同程度地调整权向量。这一调整过程，就是学习—竞争—学习。随着不断学习，所有权矢量都在输入矢量空间相互分离，形成各自代表输入空间的一种模式，即为网络的自组织聚类功能。 2.2 SOM神经网络学习 SOM网络采用的学习算法称为Kohonen算法，按如下步骤进行： 初始化。将网络数值向量集(j=1，2，…，m)赋予[0,1]区间随机值，确定学习率初始值，确定邻域初始值的领域，确定总学习次数，为输出层神经元数目。 接受输入。从输入向量集中随机选取向量提供给网络输入层，并进行归一化处理。其公式如下： 寻找获胜节点。计算和的点积，从中选出点积最大的获胜节点；计算欧式距离，找出距离最小的获胜节点。 定义优胜邻域。设为中心确定时刻的权值调整域，一般初始邻域较大，训练过程中随训练时间收缩。 调整权值。对优胜邻域内的所有节点调整权值 其中：为神经元的权值；为训练时间和第个神经元与获胜神经元之间的拓扑距离函数。 结束检查。训练结束是以学习率是否衰减到0或某个预定的正小数为条件，不满足条件则回到（2）。 3 滚动轴承故障诊断的SOM神经网络 3.1 滚动轴承常见故障特征参数选择 描述滚动轴承振动时域波形的常用指标有均方根值，在峰值因子、波形因子、脉冲因子、裕度因子和峭度等参数指标当中，均方根植是有量纲参数指标，其余是无量纲参数指标。因为有量纲参数指标依赖历史数据并且对载荷和转速的变化比较敏感，而无量纲参数指标基本不受轴承型号、转速和载荷等因素的影响，无需考虑相对标准或与以前的数据进行比较，另外，它们不受信号绝对水平的影响，所以即使测试条件略有变化，对参数的计算结果也不会产生太大的影响。选择峰值因子、波形因子、脉冲因子、裕度因子和峭度等5个无量纲参数组成表征滚动轴承运行状态的特征向量，并作为SOM神经网络的输入参数。 3.2 SOM神经网络样本数据的建立 通过实验测得滚动轴承各种故障状态下的上述5个参数作为振动数据，经数据采集系统后，对数据进行时域信号处理，不停的对轴承的状态进行监测，对每种典型的故障形式分别进行三组标准样本的数据采集，最后提取采集的特征向量组成神经