CN103995470A - 一种基于PolSOM神经网络算法的设备故障诊断方法 - Google Patents

Abstract

一种基于PolSOM神经网络算法的设备故障诊断方法，包括以下步骤：1)采集设备的振动信号；2)对采集到的设备信号，分别在时域、时频域上进行特征计算，构建一个高维的特征数据集，并进行归一化处理；3)构建一个与高维特征数据相匹配的PolSOM模型，并对模型中的神经元权重向量进行初始化；4)利用PolSOM神经网络算法对设备数据可视化，表征同一故障情况的数据会以相近的半径和角度聚集呈现在极坐标映射图中；表征不同故障情况的数据会以不同的半径和角度分散地呈现在极坐标映射图中不同的位置，位于极坐标映射图越外层的数据，表征其对应的故障程度越大，从而达到对设备故障模式的识别。本发明不需要样本数据的训练学习，可自适应将实时采集到的表征设备健康情况的信号可视化。

Description

一种基于PolSOM神经网络算法的设备故障诊断方法

技术领域

本发明属于设备故障诊断领域，尤其涉及一种设备故障诊断方法。

背景技术

随着现代工业和科学技术的发展，机械、能源、化工等设备广泛地应用于国民经济中。关键设备一旦出现故障，往往会影响企业的正常生产运行、经济损失，甚至是一些灾难性的后果，如火灾，人员伤亡等，因此设备的故障诊断技术受到了高度的重视。为了避免当前的设备故障诊断技术中过分依赖领域专家的问题，同时借助于计算机、信号处理、人工智能等学科的发展和应用，发展出了一些智能故障诊断方法，如：基于神经网络、专家系统、机器学习等故障诊断方法，他们在实际工作中取得了一定的成效。但是，成功应用这些方法，首先需要采集大量的设备数据(包括设备的无故障数据和故障数据)对智能诊断方法进行学习，然而对这样的训练样本数据的获取通常是困难的。

发明内容

为了克服已有的智能故障诊断方法需要大量样本数据进行训练学习的不足，本发明提供了一种不需要样本数据的训练学习，可自适应将实时采集到的表征设备健康情况的信号可视化，实现对同一类型数据的聚集显示，对不同类型数据的区别显示，进而达到设备故障模式识别的方法。

本发明解决其技术问题所采用的技术方案是：

一种基于PolSOM神经网络算法的设备故障诊断方法，所述方法包括以下步骤：

1)采集设备的振动信号；

2)对采集到的设备信号，分别在时域、时频域上进行特征计算，构建一个高维的特征数据集，并进行归一化处理；

3)构建一个与高维特征数据相匹配的PolSOM模型，并对模型中的神经元权重向量进行初始化设置，

首先通过构建一个PolSOM模型，神经元均匀地分布在不同半径的扇形区域上面；在极坐标映射图上，参数半径和角度分别表示数据的值和特征；其中一个扇形区域表示一个数据的特征，不同的圆环表示数据值的大小，值越大的数据在越外面的圆环上；神经元可用权重向量w_c＝(w₁,w₂,…,w_d)^T表示，其中元素个数d是高维特征数据的数目，w₁表示权重向量w_c中的第一个元素，w₂表示权重向量w_c中的第二个元素，w_d表示权重向量w_c中的第d个元素；极坐标映射图中任意一个扇区的神经元都有一个突出的权重向量中的元素值与其相对应；

4)利用PolSOM神经网络算法对数据可视化处理，实现设备故障模式的识别，

在对不同神经元的权重向量进行初始化后，通过与设备数据的更新和迭代计算，把数据投影到与其最相符合的神经元上，并在极坐标映射图上将数据显示出来，与数据x＝(x₁,x₂,…,x_d)^T最相符合的神经元c是通过满足式(1)的条件来确定

$\left|\right|w_c-x\left|\right|\≤\left|\right|w_j-x\left|\right|,\∀j---\left(1\right)$

式中w_c是指神经元c的权重向量，w_j是第j个神经元的权重向量，符号||a||表示向量a欧氏距离的计算；

神经元c与其相邻的神经元子集N_c，在第t+1步的迭代计算中，第j个神经元的权重向量w_j(t+1)，通过式(2)进行更新

w_j(t+1)＝w_j(t)+η·(x(t)-w_j(t)),if j＝c or j∈N_c    (2)式中w_j(t)为第t步的迭代计算中第j个神经元的权重向量，η表示学习的速率；x(t)是指在第t步更新计算中，随机选取的数据；

设神经元c的半径坐标和角坐标分别为R_c和A_c，在极坐标映射图中的具体位置用(R_c,A_c)表示；第t步时，数据x的半径坐标和角坐标分别为r_x(t)和a_x(t)，在极坐标映射图中的具体位置用(r_x(t),a_x(t))表示，在第t+1步，数据x在极坐标映射图中的位置(r_x(t+1),a_x(t+1))通过式(3)和式(4)向最相符合的神经元c移动

r_x(t+1)＝r_x(t)+η(R_c-r_x(t))          (3)

α_x(t+1)＝α_x(t)+η(A_c-α_x(t))       (4)

通过设定次数的循环迭代计算，设备数据集中表征同一故障情况的数据将会被自动归类为同一组别，聚集在极坐标映射图中显示；同时表征不同故障情况的数据会以不同的半径和角度分散地呈现在极坐标映射图中不同的位置，位于极坐标映射图越外层的数据，表征其对应的故障程度越大，从而达到对设备故障模式的识别。

本发明的技术构思为：PolSOM神经网络算法是一个无监督可视化的方法，用于表示高维数据中的低维属性，是自组织神经网络方向一项新的研究成果。目前还尚未存在利用PolSOM神经网络算法来进行设备故障诊断的方法，因此本发明专利将该方法引入到了设备故障诊断领域。

本发明的有益效果主要表现在：基于PolSOM神经网络算法的设备故障诊断方法不需要样本数据的训练学习，可自适应将实时采集到的表征设备健康情况的信号可视化，实现对同一类型数据的聚集显示，对不同类型数据的区别显示，进而实现对设备故障模式的识别。

附图说明

图1为一个半径为4、8个扇区的PolSOM模型图，神经元的位置用“o”表示；

图2为利用PolSOM神经网络算法进行设备故障诊断的流程图；

图3为实施例子中电机数据的可视化效果图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图3，一种基于PolSOM神经网络算法的设备故障诊断方法，所述方法包括以下步骤：

1)采集设备的振动信号。

2)对采集到的设备信号，分别在时域、时频域上进行特征计算，构建一个高维的特征数据集，并进行归一化处理。

3)构建一个与高维特征数据相匹配的PolSOM模型，并对模型中的神经元权重向量进行初始化设置。

首先通过构建一个PolSOM模型，神经元均匀地分布在不同半径的扇形区域上面；在极坐标映射图上，参数半径和角度分别表示数据的值和特征；其中一个扇形区域表示一个数据的特征，不同的圆环表示数据值的大小，值越大的数据在越外面的圆环上。一个半径为4、8个扇区的PolSOM模型，如附图1所示。神经元可用权重向量w_c＝(w₁,w₂,…,w_d)^T表示，其中元素个数d是高维特征数据的数目，w₁表示权重向量w_c中的第一个元素，w₂表示权重向量w_c中的第二个元素，w_d表示权重向量w_c中的第d个元素。极坐标映射图中任意一个扇区的神经元都有一个突出的权重向量中的元素值与其相对应，如在b扇区的神经元，意味着权重向量中第b个元素具有最重要的权重，w_c＝(w₁,w₂,…,w_b,…,w_d)^T。

4)利用PolSOM神经网络算法对数据可视化处理，实现设备故障模式的识别。

在对不同神经元的权重向量进行初始化后，通过与设备数据的更新和迭代计算，把数据投影到与其最相符合的神经元上，并在极坐标映射图上将数据显示出来，与数据x＝(x₁,x₂,…,x_d)^T最相符合的神经元c是通过满足式(1)的条件来确定

$\left|\right|w_c-x\left|\right|\≤\left|\right|w_j-x\left|\right|,\∀j---\left(1\right)$

式中w_c是指神经元c的权重向量，w_j是第j个神经元的权重向量，符号||a||表示向量a欧氏距离的计算。

神经元c与其相邻的神经元子集N_c，在第t+1步的迭代计算中，第j个神经元的权重向量w_j(t+1)，通过式(2)进行更新

w_j(t+1)＝w_j(t)+η·(x(t)-w_j(t)),if j＝c or j∈N_c    (2)式中w_j(t)为第t步的迭代计算中第j个神经元的权重向量，η表示学习的速率；x(t)是指在第t步更新计算中，随机选取的数据。

设神经元c的半径坐标和角坐标分别为R_c和A_c，在极坐标映射图中的具体位置用(R_c,A_c)表示；第t步时，数据x的半径坐标和角坐标分别为r_x(t)和a_x(t)，在极坐标映射图中的具体位置用(r_x(t),a_x(t))表示。在第t+1步，数据x在极坐标映射图中的位置(r_x(t+1),a_x(t+1))通过式(3)和式(4)向最相符合的神经元c移动

r_x(t+1)＝r_x(t)+η(R_c-r_x(t))          (3)

α_x(t+1)＝α_x(t)+η(A_c-α_x(t))       (4)

通过设定次数的如图2的循环迭代计算，设备数据集中表征同一故障情况的数据将会被自动归类为同一组别，聚集在极坐标映射图中显示；同时表征不同故障情况的数据会以不同的半径和角度分散地呈现在极坐标映射图中不同的位置，位于极坐标映射图越外层的数据，表征其对应的故障程度越大，从而达到对设备故障模式的识别。

本实施例利用三相感应电机的故障样本数据对基于PolSOM神经网络算法的设备故障诊断方法进行验证。具体过程如下：

(1)采集电机的振动信号，包括无故障信号和三个对应与不同程度的不平衡输入电压下电机的故障信号，分别用故障1、故障2和故障3表示。故障1的不平衡故障程度最小，故障3的不平衡故障程度最大。

(2)对采集到的振动信号，分别在时域、时频域上进行特征计算，构建一个13维的特征数据集，并进行归一化处理。表1所示为13维特征数据20个样本的原始数据。

表1

表1续

(3)构建一个半径为8、13个扇区的PolSOM模型，并对模型中的神经元的权重向量初始化设置。

(4)利用PolSOM神经网络算法并参照附图2的流程，在极坐标映射图中，对神经元的权重向量和设备数据位置进行更新迭代计算，当迭代循环次数达到2400次的时候，停止计算，对最后的计算结果进行显示，如附图3所示。从附图3中可以看出，表征同一个电机故障情况数据聚集呈现在极坐标映射图中某一个局部的位置，而不同故障数据则分别以不同的半径和角度分散地呈现在极坐标映射图中的明显不同位置，故障程度的大小表现在极坐标映射图中半径的大小，故障数据越在极坐标映射图中外层显示，表示故障的程度越大，达到了设备故障模式的识别。综上所述，有效验证了PolSOM神经网络算法用于设备故障诊断领域的可行性。

Claims (1)

1.一种基于PolSOM神经网络算法的设备故障诊断方法，其特征在于：所述方法包括以下步骤：

1)采集设备的振动信号；

2)对采集到的设备信号，分别在时域、时频域上进行特征计算，构建一个高维的特征数据集，并进行归一化处理；

3)构建一个与高维特征数据相匹配的PolSOM模型，并对模型中的神经元权重向量进行初始化设置，

首先通过构建一个PolSOM模型，神经元均匀地分布在不同半径的扇形区域上面；在极坐标映射图上，参数半径和角度分别表示数据的值和特征；其中一个扇形区域表示一个数据的特征，不同的圆环表示数据值的大小，值越大的数据在越外面的圆环上；神经元可用权重向量w_c＝(w₁,w₂,…,w_d)^T表示，其中元素个数d是高维特征数据的数目，w₁表示权重向量w_c中的第一个元素，w₂表示权重向量w_c中的第二个元素，w_d表示权重向量w_c中的第d个元素；极坐标映射图中任意一个扇区的神经元都有一个突出的权重向量中的元素值与其相对应；

4)利用PolSOM神经网络算法对数据可视化处理，实现设备故障模式的识别；

在对不同神经元的权重向量进行初始化后，通过与设备数据的更新和迭代计算，把数据投影到与其最相符合的神经元上，并在极坐标映射图上将数据显示出来，与数据x＝(x₁,x₂,…,x_d)^T最相符合的神经元c是通过满足式(1)的条件来确定

$\left|\right|w_c-x\left|\right|\≤\left|\right|w_j-x\left|\right|,\∀j---\left(1\right)$ 式中w_c是指神经元c的权重向量，w_j是第j个神经元的权重向量，符号||a||表示向量a欧氏距离的计算；

神经元c与其相邻的神经元子集N_c，在第t+1步的迭代计算中，第j个神经元的权重向量w_j(t+1)，通过式(2)进行更新

w_j(t+1)＝w_j(t)+η·(x(t)-w_j(t)),if j＝c or j∈N_c    (2)式中，w_j(t)为第t步的迭代计算中第j个神经元的权重向量，η表示学习的速率；x(t)是指在第t步更新计算中，随机选取的数据；

设神经元c的半径坐标和角坐标分别为R_c和A_c，在极坐标映射图中的具体位置用(R_c,A_c)表示；第t步时，数据x的半径坐标和角坐标分别为r_x(t)和a_x(t)，在极坐标映射图中的具体位置用(r_x(t),a_x(t))表示，在第t+1步，数据x在极坐标映射图中的位置(r_x(t+1),a_x(t+1))通过式(3)和式(4)向最相符合的神经元c移动

r_x(t+1)＝r_x(t)+η(R_c-r_x(t))          (3)

α_x(t+1)＝α_x(t)+η(A_c-α_x(t))       (4)

通过设定次数的循环迭代计算，设备数据集中表征同一故障情况的数据将会被自动归类为同一组别，聚集在极坐标映射图中显示；同时表征不同故障情况的数据会以不同的半径和角度分散地呈现在极坐标映射图中不同的位置，位于极坐标映射图越外层的数据，表征其对应的故障程度越大，从而达到对设备故障模式的识别。