CN108154190A - 一种基于som神经网络的岸桥电机状态聚类分析方法 - Google Patents
一种基于som神经网络的岸桥电机状态聚类分析方法 Download PDFInfo
- Publication number
- CN108154190A CN108154190A CN201810031212.4A CN201810031212A CN108154190A CN 108154190 A CN108154190 A CN 108154190A CN 201810031212 A CN201810031212 A CN 201810031212A CN 108154190 A CN108154190 A CN 108154190A
- Authority
- CN
- China
- Prior art keywords
- gantry crane
- data
- training
- neuron
- lifting motor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Control And Safety Of Cranes (AREA)
Abstract
一种基于SOM神经网络的岸桥电机状态聚类分析方法,首先通过传感器采集到岸桥起升电机振动烈度数据,再利用SOM神经网络得到电机振动烈度数据的聚类中心和类别,根据电机振动烈度数据的大小,把电机工作状态分为良好、正常、注意、警告和危险这五种状态,将结果反馈给岸桥技术人员,从而对岸桥的下一步操作进行准确的判断。本发明采用无监督神经网络,使用无标签数据,完全根据数据间的相似性进行聚类,避免了有监督学习采用有标签数据存在的主观性;本发明不需要借助于其他算法,可以自动处理各种类型的采样数据,具有很强的通用性和鲁棒性。此外,SOM神经网络算法结构简单,拥有高度的自组织和自学习能力,具有稳定、高效和抗干扰力强等优点。
Description
技术领域:
本发明属于岸桥模式识别技术领域,具体涉及一种基于SOM神经网络的岸桥电机状态聚类分析方法。
技术背景:
本发明研究对象为岸桥式集装箱起重机,其作为高危运输机械,属于国家规定的特种设备。岸桥是港口机械设备的重要组成部分,在集装箱装卸中扮演着重要的角色,岸桥一旦发生故障,轻则延误货物装卸,造成企业经济损失,重则威胁岸桥操作人员的生命安全。因此,对岸桥式集装箱起重机的研究具有非常重要的意义。
由于岸桥式集装箱起重机的起升电机是岸桥的核心部件,经常需要带载荷长时间连续工作,且在工作期间不能进行停机检修,因此需要在工作时间对起升电机整体的运行状况进行识别,这样才能保证岸桥的正常作业。
由于岸桥起升电机的机械状态可以很好的反映电机的工作状态,所以可以直接对起升电机的机械状态进行检测评估。又因为岸桥起升电机工作环境恶劣,很多故障特征是通过振动的形式表现出来的,因此,一般选取电机的振动烈度数据进行研究。
通过在岸桥起升电机上安装传感器,采集到大量的振动烈度数据。这些数据隐藏着起升电机运行状态的各种信息,但是由于采集到的振动烈度数据量庞大、杂乱无章并且个别数据出现丢失,因此,对这些海量数据的处理与分析具有一定的挑战。
目前对岸桥起升电机状态的分析方法主要包括:(1)通过起升电机上测点的状态来人为地对电机工作状态进行评价;(2)使用有监督学习算法对岸桥电机采样数据进行网络训练,将采样数据分类,然后分析每一类数据的物理意义。
不足之处:方法(1)要求具有一定专业技术和现场经验的工程师才行,且每次判断的结果都带有一定的主观性,而且工作效率比较低。这显然不适合在一些大型港口和生产型企业中使用。方法(2)采用有监督学习算法,使用的都是带标签的训练数据,并且需要事先设置训练期望值,使得训练过程带有一定的主观性,对岸桥起升电机的状态识别不够准确。
发明内容:
针对上述的不足,本发明提出了一种基于SOM神经网络的岸桥电机状态聚类分析方法,旨在对岸桥上电机的现场测试数据进行聚类分析,从而达到对岸桥上电机工作状态进行检测和识别的作用。
对某一图形或某一频率的特定兴奋过程是自组织特征映射(SOM)神经网络竞争机制的生物学基础。生物学研究表明,在人脑的感觉通道上,神经元的组织原理是有序排列的。当外界的特定信息输入时,大脑皮层的特定区域兴奋,而且类似的外界信息在对应的区域是连续映像的。例如:生物视网膜中有许多特定的细胞对特定的图形比较敏感,当视网膜中有若干个接收单元同时受特定模式刺激时,就使大脑皮层中的特定神经元开始兴奋,输入模式接近,与之对应的兴奋神经元也接近;这种大脑皮层中神经元的响应特点不是先天安排好的,而是通过后天的无监督学习自组织形成的。
神经元的有序排列以及对外界信息的连续映像在自组织特征映射(SOM)神经网络中也有反映,当外界输入不同的样本时,网络中哪个位置的神经元兴奋在训练开始时是随机的。但自组织训练后会在竞争层形成神经元的有序排列,功能相近的神经元非常靠近,功能不同的神经元离的较远。这一特点与人脑神经元的组织原理十分相似。
基于SOM神经网络的岸桥电机状态聚类分析方法包含以下几步:
(1)数据采集:实时采集岸桥电机各个测点的振动信号;
(2)SOM网络训练:利用SOM神经网络算法训练出采集数据的聚类中心以及分类区间;
(3)状态识别:观察一段时间内聚类中心以及分类区间的变化趋势,判断出岸桥上电机的工作状况;
(4)反馈结果:将电机的工作状况反馈给操作人员,对岸桥的下一步操作做出预先判断。
本发明技术方案:一种基于SOM神经网络的岸桥电机状态聚类分析方法。其特征包括以下步骤:
步骤1:数据采集
在岸桥左、右侧起升电机的输出端上安装加速度传感器,设置时间间隔为每10秒采集一个振动烈度信号,并用信号调理采集器收集信号。并将传感器、信号调理采集器、测点监控板和工控机等硬件设备连接在一起,让它们共同组成信号处理柜,并与计算机连接在一起,这样在岸桥操作间里就能直接对岸桥电机的工作状态进行监测,便于操作者管理和使用。
步骤2:SOM网络训练
步骤2.1:权值初始化
权值初始化的要求是使权值的初始位置与输入样本的分布区域充分重合,最常用的两种方法是:
(1)从岸桥起升电机振动烈度数据中选取一部分数据作为SOM神经网络的训练样本X=[x1,x2,···,xn]T,并从所有的训练样本集中随机抽取m个输入样本作为初始权值;
Wj=[wj1,wj2,···,wjm]T
式中:wj1,wj2,···,wjm为初始权值。
(2)从岸桥起升电机振动烈度数据中选取一部分数据作为SOM神经网络的训练样本计算出全体样本的中心向量,在该中心向量基础上迭加小随机数作为权向量初始值。
步骤2.2:权值归一化
式中:wji为初始权值,||wji||为权值向量的欧几里得范数。
步骤2.3:训练样本归一化
式中:为训练样本,为训练样本向量的欧几里得范数,xj为训练样本向量的第j个特征分量值。
步骤2.4:得到获胜神经元
将岸桥起升电机振动烈度归一化后的样本数据放入SOM神经网络的输入层,计算训练样本数据与权值向量的欧几里得距离,距离最小的神经元称为获胜神经元。
式中:dj为训练样本数据与权值向量的欧几里得距离,其中:获胜神经元dk=min(dj)。
步骤2.5:定义优胜邻域
优胜邻域以获胜神经元j*为中心确定t时刻的权值调整域,初始邻域较大Nj*(0),训练过程中Nj*(t)随训练时间逐渐收缩,优胜邻域的大小用邻域的半径表示。
式中:C1为与输出层节点数有关的大于零的常数,B1为大于1的常数,T为预先设定的最大训练次数。
步骤2.6:调整权值
对优胜邻域内所有神经元调整权值,公式如下所示:
(i=1,2,···,n,j∈Nj*(t))
式中:Wij(t+1)为调整后的权值,η(t,N)是训练时间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。
步骤2.7:判断是否达到训练要求
将每次训练后第j个神经元与获胜神经元拓扑距离的函数值η(t)与最初设定的最小的拓扑距离函数值ηmin进行比较,若η(t)<ηmin,结束网络训练,否则,返回步骤2.3继续执行以上步骤。
步骤3:输出聚类中心
网络训练完成,岸桥起升电机振动烈度数据的训练样本按照各数据之间的欧拉距离聚集成5种类别,每一种类别都有其聚类中心,将聚类中心输出,并统计每个聚类中心所属类别的数据的个数,计算出分好的每一类所占的比例以及每一类数据所在的区间,从而对岸桥起升电机的工作状态进行识别。
步骤4:反馈结果
通过SOM神经网络对岸桥起升电机振动烈度数据的聚类分析,得出起升电机当前的工作状态,将其结果反馈给岸桥操作人员以及技术维修人员,从而对岸桥的下一步操作进行较准确的判断。
相比于其它有监督学习聚类方法,本发明方法的优点是:
(1)对岸桥起升电机振动烈度数据的分类采用的是无监督的自组织特征映射(SOM)神经网络,使用的是没有标签的数据,完全根据样本间的相似性进行聚类,避免了有监督学习采用有标签数据存在的主观性;
(2)可以利用聚类中心以及分类区间对岸桥起升电机的工作状态进行较准确的识别,从而反馈给岸桥操作人员及时做出回应,减少经济损失;
(3)本发明方法不需要借助于其他算法,可以自动处理各种类型的采样数据,具有很强的通用性和鲁棒性。同时,SOM神经网络算法结构简单,拥有高度的自组织和自学习能力,具有稳定、高效和抗干扰力强等优点。
附图说明
图1:工作流程图;
图2:岸桥起升电机传感器安装示意图;
图3:SOM网络结构拓扑图;
图4:聚类前神经元权值分布图;
图5:聚类后神经元权值分布图。
图2中1为安装在起升电机上的传感器,2为岸桥左侧起升电机,3为岸桥右侧起升电机,4为齿轮箱;图4为岸桥起升电机振动烈度数据聚类前神经元权值分布情况,图5为岸桥起升电机振动烈度数据聚类后神经元权值分布情况。
具体实施案例
下面首先根据本发明操作流程图对本发明的技术方案进行完整、清晰的描述,然后通过具体的工程实例来说明本发明的技术方案。本专利所描述的实施例仅仅是本发明其中一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明的工作流程图
本发明技术方案:一种基于SOM神经网络的岸桥电机状态聚类分析方法。其特征包括以下步骤:
步骤1:数据采集
如图2所示,在岸桥左侧起升电机安装加速度传感器1。设置时间间隔为每10秒采集一个振动烈度信号,并用信号调理采集器收集信号。并将传感器、信号调理采集器、测点监控板和工控机等硬件设备连接在一起,让它们共同组成信号处理柜,并与计算机连接在一起,这样在岸桥操作间里就能直接对岸桥电机的工作状态进行监测,便于操作者管理和使用。
步骤2:SOM网络训练
图3为SOM网络结构拓扑图,它由输入层和竞争层组成,输入层是将训练样本数据输入到SOM神经网络的网络训练层中,竞争层对训练样本进行重复迭代训练,并将训练好的数据输出。
步骤2.1:权值初始化
权值初始化的要求是使权值的初始位置与输入样本的分布区域充分重合,最常用的两种方法是:
(3)从岸桥起升电机振动烈度数据中选取一部分数据作为SOM神经网络的训练样本X=[x1,x2,···,xn]T,并从所有的训练样本集中随机抽取m个输入样本作为初始权值;
Wj=[wj1,wj2,···,wjm]T
式中:wj1,wj2,···,wjm为初始权值。
(4)从岸桥起升电机振动烈度数据中选取一部分数据作为SOM神经网络的训练样本计算出全体样本的中心向量,在该中心向量基础上迭加小随机数作为权向量初始值。
步骤2.2:权值归一化
式中:wji为初始权值,||wji||为权值向量的欧几里得范数。
步骤2.3:训练样本归一化
式中:为训练样本,为训练样本向量的欧几里得范数,xj为训练样本向量的第j个特征分量值。
步骤2.4:得到获胜神经元
将岸桥起升电机振动烈度归一化后的样本数据放入SOM神经网络的输入层,计算训练样本数据与权值向量的欧几里得距离,距离最小的神经元称为获胜神经元。
式中:dj为训练样本数据与权值向量的欧几里得距离,其中:获胜神经元dk=min(dj)。
步骤2.5:定义优胜邻域Nj*(t)
优胜邻域以获胜神经元j*为中心确定t时刻的权值调整域,初始邻域较大Nj*(0),训练过程中Nj*(t)随训练时间逐渐收缩,优胜邻域的大小用邻域的半径表示。
式中:C1为与输出层节点数有关的大于零的常数,B1为大于1的常数,T为预先设定的最大训练次数。
步骤2.6:调整权值
对优胜邻域内所有神经元调整权值,公式如下所示:
(i=1,2,···,n,j∈Nj*(t))
式中:Wij(t+1)为调整后的权值,η(t,N)是训练时间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。
步骤2.7:判断是否达到训练要求
将每次训练后第j个神经元与获胜神经元拓扑距离的函数值η(t)与最初设定的最小的拓扑距离函数值ηmin进行比较,若η(t)<ηmin,结束网络训练,否则,返回步骤2.3继续执行以上步骤。
步骤3:输出聚类中心
网络训练完成,岸桥起升电机振动烈度数据的训练样本按照各数据之间的欧拉距离聚集成5种类别,每一种类别都有其聚类中心,将聚类中心输出,并统计每个聚类中心所属类别的数据的个数,计算出分好的每一类所占的比例以及每一类数据所在的区间,从而对岸桥起升电机的工作状态进行识别。
如图4所示,图中白色六边形(初始权值5、初始权值6、初始权值7、初始权值8、初始权值9)为聚类前神经元初始权值的位置,黑球为起升电机振动烈度原始数据,如图5所示,图中白色六边形(获胜权值5’、获胜权值6’、获胜权值7’、获胜权值8’、获胜权值9’)为聚类后神经元获胜权值的位置,黑球为起升电机振动烈度原始数据。
步骤4:反馈结果
通过SOM神经网络对岸桥起升电机振动烈度数据的聚类分析,得到电机振动烈度数据的聚类中心以及每一类的分类区间,根据电机振动烈度数据的大小,可以把电机工作状态分为良好、正常、注意、警告和危险这五种状态,并将其结果反馈给岸桥操作人员以及技术维修人员,从而对岸桥的下一步操作进行较准确的判断。
基于SOM神经网络的岸桥电机状态聚类分析方法可以无监督、无导师地进行“学习”,然后根据数与数之间关系的亲疏将其分为不同的类别。将这样的方法应用于岸桥电机的状态分析中,能大大节省操作人员在分析判断上所用的时间,并且能从一个客观的角度去反映电机的状态。其具有以下几个优点:
(1)SOM神经网络对输入数据具有“聚类”作用,并可以用聚类中心(对应学习后的一组权向量)代表原输入,起到数据压缩作用,从而降低了数据的维数;
(2)SOM神经网络通过竞争学习,训练权值,自动得出各类的聚类中心,避免了人为判断存在的主观因素;
(3)SOM神经网络对岸桥起升电机振动烈度数据具有分布存储、并行处理、全局集体应用以及侧向联想等功能;
(4)SOM神经网络算法模拟人体大脑对信号的处理方式,因此具有高度的自组织和自学习能力,并且网络结构只有输入层和竞争层,因此结构简单,计算方便;
(5)SOM神经网络算法的网络层训练收敛速度快,工作效率高。
工程实例1
本工程实例数据为岸桥左侧起升电机振动烈度数据,选取从1月11日0时到1月17日12时为期一周的数据进行分析。由于传感器采集的数据庞大,每天约有8000个振动数据,因此把数据分割成每一天的数据进行聚类,得到每一天的聚类中心,最终对一周内每天的聚类中心进行分析,得出岸桥起升电机工作状态的变化规律。
实验基于Python软件以及SOM神经网络算法编程,旨在得到每天岸桥起升电机振动烈度数据的聚类中心。SOM神经网络训练过程分为排列和调整两个阶段进行,首先对采集数据进行归一化处理,将归一化数据放入4000行2列的矩阵中;其次,初始化、归一化权向量W;在排列阶段,取邻域半径=max([x y])-1,(x和y分别为二维数据的宽和高),排列阶段学习速率取0.1,学习次数取600次;在调整阶段,邻域半径取1.0,学习速率取0.02,经过训练后得到每一天的聚类中心,由于训练样本采用的是二维数据,因此,其聚类中心如表1所示:
表1:电机振动烈度数据聚类中心
通过MATLAB编程,计算每一天的4000组振动烈度数据与每一个聚类中心的欧几里得距离,根据距离的大小进行分类,进而得到岸桥起升电机的工作状态,将其反馈给岸桥操作人员以及技术人员,对岸桥的下一步操作做出及时反应。
表2:电机状态分类结果
一周内岸桥起升电机在每种工作状态下工作的次数如上表所示,以1月11日为例,岸桥起升电机在良好状态下工作次数为3758次,占总次数的95.36%;正常状态下的工作次数为54,占总次数的1.38%;注意状态下工作次数为29次,占总次数的0.71%;警告状态下的工作次数为53次,占总次数的1.36%;危险状态下的工作次数为47次,占总次数的1.19%;由此可知,岸桥起升电机大部分时间在良好状态下工作。当岸桥起升电机处于注意状态时,岸桥操作人员还可继续工作,但是要格外注意岸桥起升电机的实时变化情况;当电机处于警告和危险状态时,岸桥操作人员应立即停止作业,并告知技术人员进行安全排查检修。
尽管本专利对基于SOM神经网络的岸桥电机状态聚类分析方法做了详细介绍,并通过实施例对本发明进行了详细的说明,但对于本领域的技术人员来说,其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于SOM神经网络的岸桥电机状态聚类分析方法,其特征在于包括以下步骤:
步骤1:数据采集
在岸桥左、右侧起升电机的输出端上安装加速度传感器,设置时间间隔为每10秒采集一个振动烈度信号,并用信号调理采集器收集信号;将传感器、信号调理采集器、测点监控板和工控机等硬件设备连接在一起,让它们共同组成信号处理柜,并与计算机连接在一起,这样在岸桥操作间里就能直接对岸桥电机的工作状态进行监测,便于操作者管理和使用;
步骤2:SOM网络训练
步骤2.1:权值初始化
权值初始化的要求是使权值的初始位置与输入样本的分布区域充分重合,最常用的两种方法是:
(1)从岸桥起升电机振动烈度数据中选取一部分数据作为SOM神经网络的训练样本X=[x1,x2,…,xn]T,并从所有的训练样本集中随机抽取m个输入样本作为初始权值;
Wj=[wj1,wj2,…,wjm]T
式中:wj1,wj2,…,wjm为初始权值;
(2)从岸桥起升电机振动烈度数据中选取一部分数据作为SOM神经网络的训练样本计算出全体样本的中心向量,在该中心向量基础上迭加小随机数作为权向量初始值;
步骤2.2:权值归一化
式中:wji为初始权值,||wji||为权值向量的欧几里得范数;
步骤2.3:训练样本归一化
式中:为训练样本,为训练样本向量的欧几里得范数,xj为训练样本向量的第j个特征分量值;
步骤2.4:得到获胜神经元
将岸桥起升电机振动烈度归一化后的样本数据放入SOM神经网络的输入层,计算训练样本数据与权值向量的欧几里得距离,距离最小的神经元称为获胜神经元;
式中:dj为训练样本数据与权值向量的欧几里得距离,其中:获胜神经元dk=min(dj);
步骤2.5:定义优胜邻域
优胜邻域以获胜神经元j*为中心确定t时刻的权值调整域Nj*(t),初始邻域较大,训练过程中Nj*(t)随训练时间逐渐收缩,优胜邻域的大小用邻域的半径表示;
式中:C1为与输出层节点数有关的大于零的常数,B1为大于1的常数,T为预先设定的最大训练次数;
步骤2.6:调整权值
对优胜邻域内所有神经元调整权值,公式如下所示:
(i=1,2,…,n,j∈Nj*(t))
式中:Wij(t+1)为调整后的权值,η(t,N)是训练时间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;
步骤2.7:判断是否达到训练要求
将每次训练后第j个神经元与获胜神经元拓扑距离的函数值η(t)与最初设定的最小的拓扑距离函数值ηmin进行比较,若η(t)<ηmin,结束网络训练,否则,返回步骤2.3继续执行以上步骤;
步骤3:输出聚类中心
网络训练完成,岸桥起升电机振动烈度数据的训练样本按照各数据之间的欧拉距离聚集成5种类别,每一种类别都有其聚类中心,将聚类中心输出,并统计每个聚类中心所属类别的数据的个数,计算出分好的每一类所占的比例以及每一类数据所在的区间,从而对岸桥起升电机的工作状态进行识别;
步骤4:反馈结果
通过SOM神经网络对岸桥起升电机振动烈度数据的聚类分析,得到电机振动烈度数据的聚类中心以及每一类的分类区间,根据电机振动烈度数据的大小,可以把电机工作状态分为良好、正常、注意、警告和危险这五种状态,并将其结果反馈给岸桥操作人员以及技术维修人员,从而对岸桥的下一步操作进行准确的判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810031212.4A CN108154190A (zh) | 2018-01-12 | 2018-01-12 | 一种基于som神经网络的岸桥电机状态聚类分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810031212.4A CN108154190A (zh) | 2018-01-12 | 2018-01-12 | 一种基于som神经网络的岸桥电机状态聚类分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108154190A true CN108154190A (zh) | 2018-06-12 |
Family
ID=62461495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810031212.4A Pending CN108154190A (zh) | 2018-01-12 | 2018-01-12 | 一种基于som神经网络的岸桥电机状态聚类分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154190A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960423A (zh) * | 2018-06-22 | 2018-12-07 | 青岛鹏海软件有限公司 | 基于机器学习的电机监测系统 |
CN109685140A (zh) * | 2018-12-25 | 2019-04-26 | 上海海事大学 | 一种基于主成分分析的dbscan算法岸桥状态分类方法 |
CN109977869A (zh) * | 2019-03-27 | 2019-07-05 | 上海海事大学 | 一种基于深度学习的岸桥运行机构状态评估方法 |
CN110070171A (zh) * | 2019-03-29 | 2019-07-30 | 中国科学院深圳先进技术研究院 | 基于神经网络的分类方法、装置、终端及可读介质 |
CN111211994A (zh) * | 2019-11-28 | 2020-05-29 | 南京邮电大学 | 基于SOM与K-means融合算法的网络流量分类方法 |
CN112101142A (zh) * | 2020-08-27 | 2020-12-18 | 深圳市行健自动化股份有限公司 | 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 |
CN112270374A (zh) * | 2020-11-10 | 2021-01-26 | 河北大学 | 基于som聚类模型的数学表达式的聚类方法 |
CN112488821A (zh) * | 2020-11-27 | 2021-03-12 | 百维金科(上海)信息科技有限公司 | 一种基于abc-som神经网络的消费信贷场景欺诈检测方法 |
CN113033683A (zh) * | 2021-03-31 | 2021-06-25 | 中南大学 | 一种基于静态与动态联合分析的工业系统工况监测方法和系统 |
CN113205191A (zh) * | 2021-04-15 | 2021-08-03 | 特斯联科技集团有限公司 | 一种基于强化学习的设备更换智能决策系统及方法 |
CN117883604A (zh) * | 2024-03-15 | 2024-04-16 | 上海博迅医疗生物仪器股份有限公司 | 一种用于药包材检测的蒸汽灭菌器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104808107A (zh) * | 2015-04-16 | 2015-07-29 | 国家电网公司 | 一种xlpe电缆局部放电缺陷类型识别方法 |
CN106092565A (zh) * | 2016-06-08 | 2016-11-09 | 成都阜特科技股份有限公司 | 一种振动故障分析方法及其系统 |
CN106228274A (zh) * | 2016-08-03 | 2016-12-14 | 河海大学常州校区 | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 |
CN106447403A (zh) * | 2016-10-17 | 2017-02-22 | 国网重庆市电力公司电力科学研究院 | 一种大用户直购电环境下用户优先级分类方法 |
CN107103441A (zh) * | 2017-04-21 | 2017-08-29 | 美林数据技术股份有限公司 | 基于自组织特征映射网络的电力物资分类方法 |
-
2018
- 2018-01-12 CN CN201810031212.4A patent/CN108154190A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104808107A (zh) * | 2015-04-16 | 2015-07-29 | 国家电网公司 | 一种xlpe电缆局部放电缺陷类型识别方法 |
CN106092565A (zh) * | 2016-06-08 | 2016-11-09 | 成都阜特科技股份有限公司 | 一种振动故障分析方法及其系统 |
CN106228274A (zh) * | 2016-08-03 | 2016-12-14 | 河海大学常州校区 | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 |
CN106447403A (zh) * | 2016-10-17 | 2017-02-22 | 国网重庆市电力公司电力科学研究院 | 一种大用户直购电环境下用户优先级分类方法 |
CN107103441A (zh) * | 2017-04-21 | 2017-08-29 | 美林数据技术股份有限公司 | 基于自组织特征映射网络的电力物资分类方法 |
Non-Patent Citations (5)
Title |
---|
EASON.WXD: "系统学习机器学习之神经网络(四) --SOM", 《HTTPS://BLOG.CSDN.NET/APP_12062011/ARTICLE/DETAILS/53462563?LOCATIONNUM=2&FPS=1》 * |
LINGHUIMENG等: "Safety Assessment for Electrical Motor Drive System Based on SOM Neural Network", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 * |
周晶等: "基于SOM神经网络的航舵故障分类方法", 《信息与电子工程》 * |
张胜等: "神经网络模糊聚类方法在故障诊断中的应用", 《北京机械工业学院学报》 * |
郭维: "桥吊电机机械性能参数的统计特征与状态聚类分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960423A (zh) * | 2018-06-22 | 2018-12-07 | 青岛鹏海软件有限公司 | 基于机器学习的电机监测系统 |
CN109685140A (zh) * | 2018-12-25 | 2019-04-26 | 上海海事大学 | 一种基于主成分分析的dbscan算法岸桥状态分类方法 |
CN109977869A (zh) * | 2019-03-27 | 2019-07-05 | 上海海事大学 | 一种基于深度学习的岸桥运行机构状态评估方法 |
CN109977869B (zh) * | 2019-03-27 | 2023-04-07 | 上海海事大学 | 一种基于深度学习的岸桥运行机构状态评估方法 |
CN110070171A (zh) * | 2019-03-29 | 2019-07-30 | 中国科学院深圳先进技术研究院 | 基于神经网络的分类方法、装置、终端及可读介质 |
CN111211994B (zh) * | 2019-11-28 | 2022-08-19 | 南京邮电大学 | 一种基于SOM与K-means融合算法的网络流量分类方法 |
CN111211994A (zh) * | 2019-11-28 | 2020-05-29 | 南京邮电大学 | 基于SOM与K-means融合算法的网络流量分类方法 |
CN112101142A (zh) * | 2020-08-27 | 2020-12-18 | 深圳市行健自动化股份有限公司 | 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 |
CN112270374A (zh) * | 2020-11-10 | 2021-01-26 | 河北大学 | 基于som聚类模型的数学表达式的聚类方法 |
CN112488821A (zh) * | 2020-11-27 | 2021-03-12 | 百维金科(上海)信息科技有限公司 | 一种基于abc-som神经网络的消费信贷场景欺诈检测方法 |
CN113033683A (zh) * | 2021-03-31 | 2021-06-25 | 中南大学 | 一种基于静态与动态联合分析的工业系统工况监测方法和系统 |
CN113205191A (zh) * | 2021-04-15 | 2021-08-03 | 特斯联科技集团有限公司 | 一种基于强化学习的设备更换智能决策系统及方法 |
CN117883604A (zh) * | 2024-03-15 | 2024-04-16 | 上海博迅医疗生物仪器股份有限公司 | 一种用于药包材检测的蒸汽灭菌器 |
CN117883604B (zh) * | 2024-03-15 | 2024-05-14 | 上海博迅医疗生物仪器股份有限公司 | 一种用于药包材检测的蒸汽灭菌器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154190A (zh) | 一种基于som神经网络的岸桥电机状态聚类分析方法 | |
CN101399672B (zh) | 一种多神经网络融合的入侵检测方法 | |
CN116796907A (zh) | 一种基于物联网的水环境动态监测系统及其方法 | |
CN109102189A (zh) | 一种电气设备健康管理系统和方法 | |
CN105095963B (zh) | 一种精确诊断与预测风洞设备故障的方法 | |
CN109871976A (zh) | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 | |
CN110533331B (zh) | 一种基于输电线路数据挖掘的故障预警方法和系统 | |
CN108200005A (zh) | 基于非监督学习的电力二次系统网络流量异常检测方法 | |
CN110287552A (zh) | 基于改进随机森林算法的电机轴承故障诊断方法及系统 | |
CN103267832A (zh) | 地表水在线水质监测系统 | |
KR20030011921A (ko) | 회전 장비 진단 시스템 및 적합한 제어기 | |
CN106789904A (zh) | 物联网入侵检测方法及装置 | |
Li et al. | A machine learning based intrusion detection system for software defined 5G network | |
CN109670584A (zh) | 一种基于大数据的故障诊断方法及系统 | |
CN112200263B (zh) | 一种应用于配电物联网的自组织联邦聚类方法 | |
CN113738595A (zh) | 一种风力发电机组叶片状态监测方法及其系统 | |
CN108154256A (zh) | 预测风险值的确定方法及装置、存储介质 | |
CN110472684A (zh) | 一种风机叶片的结冰监测方法、其装置及可读存储介质 | |
CN109034076A (zh) | 一种机械故障信号的自动聚类方法及自动聚类系统 | |
TW202123654A (zh) | 基於行動物聯網之網路行為異常偵測系統及方法 | |
CN106681145A (zh) | 基于深度学习的球磨机节能优化控制方法 | |
CN107328592A (zh) | 空调测试方法、装置、系统及处理器、存储介质 | |
CN110535850A (zh) | 帐号登录的处理方法和装置、存储介质及电子装置 | |
CN114168941A (zh) | 基于电力运维大数据监控方法 | |
CN106980055A (zh) | 一种基于数据挖掘的学生寝室违章电器使用监测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180612 |