CN108830244A - 基于art2神经网络分类的判定方法 - Google Patents
基于art2神经网络分类的判定方法 Download PDFInfo
- Publication number
- CN108830244A CN108830244A CN201810652417.4A CN201810652417A CN108830244A CN 108830244 A CN108830244 A CN 108830244A CN 201810652417 A CN201810652417 A CN 201810652417A CN 108830244 A CN108830244 A CN 108830244A
- Authority
- CN
- China
- Prior art keywords
- classification
- wavelet
- neural network
- art2
- art2 neural
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于ART2神经网络分类的判定方法,涉及振动故障诊断方法技术领域。所述方法首先采用小波软阈值将信号降噪,再将降噪后的信号通过相对小波包能量体现其更好的信号互异性,然后运用ART2神经网络进行初步分类,之后将K‑means算法引入ART2神经网络中,对原有的算法进行修正,并与ART2神经网络分类的结果进行对比。分析结果表明改进后的方法解决了只激活输出值最大的神经元和噪声干扰的问题,提高了故障分类的准确性。
Description
技术领域
本发明涉及振动故障诊断方法技术领域,尤其涉及一种基于ART2神经网络分类的判定方法。
背景技术
CaipenterG A.在1976年提出自适应共振理论,随后与GrossbergS.共同发明了ART神经网络。1987年由Caipenter和Grossberg提出的模型属于ART1模型,而且ART1网络模式只能处理二进制的输入,在实际应用中并不方便,有一定的局限性。针对这种情况,Caipenter和Grossberg在ART1模型结构的基础上进行了改进,使之适用于二进制和任意模拟信号的输入,提出了ART2网络结构。近年来,ART2神经网络得到了广泛的研究。ART2的优点是:可完成实时学习,且可适应非平稳的环境;对已学习过的对象具有稳定的快速识别能力,同时又能迅速适应学习的新对象;具有自归一能力且可以完全避免陷入局部最小的问题;具有自动记忆功能。但是ART2的固有缺陷也很多,输入信号的噪声干扰对后续计算影响大;只激活输出值最大的神经元,这都会影响警戒值的选择。
发明内容
本发明所要解决的技术问题是如何提供一种能够解决只激活输出值最大的神经元和噪声干扰的问题,提高故障分类准确性的基于ART2神经网络分类的判定方法。
为解决上述技术问题,本发明所采取的技术方案是:一种基于ART2神经网络分类的判定方法,其特征在于包括如下步骤:
将采集的振动信号通过小波软阈值进行降噪处理,再将降噪后的数据运用相对小波包能量进行转换,得到m个样本矢量集,样本矢量集为X={x(1),x(2),…,x(m)},样本矢量x(k)=(x1 (k),x2 (k),…,xn (k)),k∈m,n为样本特征值的数量;
设定警戒值ρ的取值范围,运用ART2神经网络进行初步分类,确定出每个警戒值ρ所对应的类别个数l;
将所得的类别个数l作为初始条件依次代入K-means算法中,计算得到K-means算法中每个l所对应的聚类的类内距离准则函数JW;
取最小的JW所对应的ρ当作最终选取的警戒值,代入ART2神经网络中进行分类,其分类结果即为最终分类结果。
进一步的技术方案在于,所述的将采集的振动信号通过小波软阈值进行降噪处理的方法如下:
对齿轮箱振动信号进行小波分解;
对分解后各层高频系数进行阈值量化处理;
将处理后的小波系数进行小波重构,获得降噪信号。
进一步的技术方案在于,所述的将降噪后的数据运用相对小波包能量进行转换,其转换的方法如下:
设x(t)为时间信号,x(t)经过J层小波包变换,可以获得2J个频率段的小波系数Cu(k),u=0,1,…,2J-1,某一频率段的小波系数的平方和是该频率段上的小波包能量,公式为:
所有频率段总能量:
相对小波包能量:
ρu=Eu/E。
进一步的技术方案在于,将所得的类别个数l作为初始条件依次代入K-means算法中计算,得到每个l相对应的聚类的类内距离准则函数JW的方法如下:
1)随机初始化类别的初始聚类中心z(1),z(2),…,z(l);
2)计算z(j)与样本矢量x(k)的欧式距离dj(j=1,2,…,l):
dj=||x(k)-z(j)||
式中z(j)为第j类聚类中心;
3)当Dj'=min{dj},j=1,2,…,l,则有x(k)∈第j’类,Dj'是根据最小距离准则所定义的函数;
4)更改第j’类的聚类中心z(j′),如以下公式所示,然后返回步骤2),并进行下一个样本的分类:
式中z(j′)为第j’类的聚类中心,Nj'为第j’类中所含样本的个数;
5)当m个样本完成分类时,根据下式计算聚类的类内距离准则函数JW:
当JW为最小值时,停止分类,否则返回步骤1),重新随机初始化聚类中心。
采用上述技术方案所产生的有益效果在于:所述方法针对ART2在分类时只选择输出值最大的神经元和噪声对最终结果影响较大的缺点,首先采用小波软阈值将信号降噪,再将降噪后的信号通过相对小波包能量体现其更好的信号互异性,然后运用ART2神经网络进行初步分类,之后将K-means算法引入ART2神经网络中,对原有的算法进行修正,并与ART2神经网络分类的结果进行对比。分析结果表明改进后的方法解决了只激活输出值最大的神经元和噪声干扰的问题,提高了故障分类的准确性。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例所述方法的流程图;
图2是本发明实施例中部分信号降噪前的波形图;
图3是本发明实施例中部分小波软阈值降噪后的波形图;
图4是本发明实施例中结合小波软阈值和K-means算法的ART2神经网络进行分析的警戒值和JW关系图;
图5是本发明实施例中结合小波软阈值和K-means算法的ART2神经网络进行分析的分类结果图;
图6是本发明实施例中ART2神经网络分析的警戒值和JW关系图;
图7是本发明实施例中ART2神经网络分析的分类结果图;
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,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。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
总体的,如图1所示,本发明实施例公开了一种基于ART2神经网络分类的判定方法,所述方法包括如下步骤:
S101:采用小波软阈值将信号降噪,再将降噪后的信号通过相对小波包能量体现其更好的信号互异性;
S102:运用ART2神经网络进行初步分类,之后将K-means算法引入ART2神经网络中,对原有的算法进行修正,并与ART2神经网络分类的结果进行对比。
进一步的,所述方法具体包括如下步骤:
将采集的信号通过小波软阈值进行降噪,再将降噪后的数据运用相对小波包能量进行转换,得到m个样本矢量集,样本矢量集为X={x(1),x(2),…,x(m)},样本矢量x(k)=(x1 (k),x2 (k),…,xn (k)),k∈m,n为样本特征值的数量;
设定警戒值ρ的取值范围,运用ART2神经网络进行初步分类,确定出每个ρ所对应的类别个数l;
将所得的l作为初始条件依次代入K-means算法中计算得到K-means算法中每个l所对应的聚类的类内距离准则函数JW;
取最小的JW所对应的ρ当作最终选取的警戒值,代入ART2神经网络中进行分类,其分类结果即为最终分类结果。
进一步,所述的将原始信号使用小波软阈值方法进行降噪,这个过程中包括以下步骤:对信号进行小波分解;对分解后各层高频系数进行阈值量化处理;将处理后的小波系数进行小波重构,获得降噪信号。
进一步,将降噪后的数据运用相对小波包能量进行转换,这个过程中包括以下步骤:设x(t)为时间信号,x(t)经过J层小波包变换,可以获得2J个频率段的小波系数Cu(k),u=0,1,…,2J-1,某一频率段的小波系数的平方和是该频率段上的小波包能量,公式为:
所有频率段总能量:
相对小波包能量:
ρu=Eu/E。
进一步,将所得的l作为初始条件依次代入K-means算法中计算,得到每个l相对应的聚类的类内距离准则函数JW,其过程包括以下步骤:
1)随机初始化类别的初始聚类中心z(1),z(2),…,z(l);
2)计算z(j)与样本矢量x(k)的欧式距离d j(j=1,2,…,l):
dj=||x(k)-z(j)||
式中z(j)为第j类聚类中心;
3)当Dj'=min{dj},j=1,2,…,l,则有x(k)∈第j’类,Dj'是根据最小距离准则所定义的函数;
4)更改第j’类的聚类中心z(j′),如以下公式所示,然后返回步骤2),并进行下一个样本的分类:
式中z(j′)为第j’类的聚类中心,Nj'为第j’类中所含样本的个数;
5)当m个样本完成分类时,根据下式计算聚类的类内距离准则函数JW:
当JW为最小值时,停止分类,否则返回步骤1),重新随机初始化聚类中心。
下面结合具体实施例对本发明作进一步的说明。
利用DDS实验台的齿轮箱故障数据进行方法可行性检测。
(1)试验对象
电机-行星齿轮箱-二级直齿轮箱(故障轴承在该齿轮箱中间轴)
行星齿轮箱传动比为4.5714,第一级直齿轮传动比为3.4483,第二级直齿轮传动比为2.5。
测点位置:
CH1:支撑轴承垂向-PCB353B52-SN177840
CH2:齿轮箱体横向-PCB353B52-SN177841
(2)信号采样频率10KHz,转速2400r/min。
测试3种故障的振动信号,依次为轴承滚动体故障、轴承滚动体和外圈的混合故障、轴承内圈故障,每个状态测试时长为10秒,将每个状态测试数据均匀的分为10组,按顺序排列,共30个样本。
对每个样本信号先进行小波软阈值降噪,部分降噪信号前后对比图如图2-图3所示,然后再将降噪前与降噪后的数据进行3层小波包变换,计算每个频段上的相对小波包能量作为输入信号。
将输入信号运用结合K-means算法的ART2神经网络进行数据分类,再与ART2神经网络分类结果作对比。网络参数a=10,b=10,c=0.4,d=0.6,m=30,n=8,e=10-8,警戒值范围0.9-0.999,m是样本个数,n是相对小波包能量频段数,a,b为正反馈系数,θ是抗噪系数,c是权重系数,d是学习速率,分析结果如图4-图7所示。
得到分类结果可以看出,结合小波软阈值和K-means算法的ART2神经网络分类方法在JW取最小值时,ρ为0.998,将这个数代入ART2神经网络中得到的结果最终实现齿轮箱的三种不同故障的识别分类。而ART2神经网络在JW取最小值时,ρ取值为0.999,将此值代入到ART2神经网络中,得到的分类结果极其混乱,尤其是在轴承滚动体故障识别上,分类出现了严重的分歧。上述结果分析可以看出,本发明提出的方法对齿轮箱的故障分类切实可行。
Claims (4)
1.一种基于ART2神经网络分类的判定方法,其特征在于包括如下步骤:
将采集的振动信号通过小波软阈值进行降噪处理,再将降噪后的数据运用相对小波包能量进行转换,得到m个样本矢量集,样本矢量集为X={x(1),x(2),…,x(m)},样本矢量x(k)=(x1 (k),x2 (k),…,xn (k)),k∈m,n为样本特征值的数量;
设定警戒值ρ的取值范围,运用ART2神经网络进行初步分类,确定出每个警戒值ρ所对应的类别个数l;
将所得的类别个数l作为初始条件依次代入K-means算法中,计算得到K-means算法中每个l所对应的聚类的类内距离准则函数JW;
取最小的JW所对应的ρ当作最终选取的警戒值,代入ART2神经网络中进行分类,其分类结果即为最终分类结果。
2.如权利要求1所述的基于ART2神经网络分类的判定方法,其特征在于,所述的将采集的振动信号通过小波软阈值进行降噪处理的方法如下:
对齿轮箱振动信号进行小波分解;
对分解后各层高频系数进行阈值量化处理;
将处理后的小波系数进行小波重构,获得降噪信号。
3.如权利要求1所述的基于ART2神经网络分类的判定方法,其特征在于,所述的将降噪后的数据运用相对小波包能量进行转换,其转换的方法如下:
设x(t)为时间信号,x(t)经过J层小波包变换,可以获得2J个频率段的小波系数Cu(k),u=0,1,…,2J-1,某一频率段的小波系数的平方和是该频率段上的小波包能量,公式为:
所有频率段总能量:
相对小波包能量:
ρu=Eu/E。
4.如权利要求1所述的基于ART2神经网络分类的判定方法,其特征在于,将所得的类别个数l作为初始条件依次代入K-means算法中计算,得到每个l相对应的聚类的类内距离准则函数JW的方法如下:
1)随机初始化类别的初始聚类中心z(1),z(2),…,z(l);
2)计算z(j)与样本矢量x(k)的欧式距离dj(j=1,2,…,l):
dj=||x(k)-z(j)||
式中z(j)为第j类聚类中心;
3)当Dj'=min{dj},j=1,2,…,l,则有x(k)∈第j’类,Dj'是根据最小距离准则所定义的函数;
4)更改第j’类的聚类中心z(j′),如以下公式所示,然后返回步骤2),并进行下一个样本的分类:
式中z(j′)为第j’类的聚类中心,Nj'为第j’类中所含样本的个数;
5)当m个样本完成分类时,根据下式计算聚类的类内距离准则函数JW:
当JW为最小值时,停止分类,否则返回步骤1),重新随机初始化聚类中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810652417.4A CN108830244A (zh) | 2018-06-22 | 2018-06-22 | 基于art2神经网络分类的判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810652417.4A CN108830244A (zh) | 2018-06-22 | 2018-06-22 | 基于art2神经网络分类的判定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108830244A true CN108830244A (zh) | 2018-11-16 |
Family
ID=64138078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810652417.4A Pending CN108830244A (zh) | 2018-06-22 | 2018-06-22 | 基于art2神经网络分类的判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830244A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114567512A (zh) * | 2022-04-26 | 2022-05-31 | 深圳市永达电子信息股份有限公司 | 基于改进art2的网络入侵检测方法、装置及终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262729A (zh) * | 2011-08-03 | 2011-11-30 | 山东志华信息科技股份有限公司 | 基于集成学习的混合融合人脸识别方法 |
US8170894B2 (en) * | 2008-04-14 | 2012-05-01 | Yitts Anthony M | Method of identifying innovations possessing business disrupting properties |
CN103308292A (zh) * | 2013-05-16 | 2013-09-18 | 国家电网公司 | 基于振动信号分析的真空断路器机械状态检测方法 |
CN104792522A (zh) * | 2015-04-10 | 2015-07-22 | 北京工业大学 | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 |
CN104952753A (zh) * | 2014-03-26 | 2015-09-30 | 郑芳田 | 测量抽样方法 |
-
2018
- 2018-06-22 CN CN201810652417.4A patent/CN108830244A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8170894B2 (en) * | 2008-04-14 | 2012-05-01 | Yitts Anthony M | Method of identifying innovations possessing business disrupting properties |
CN102262729A (zh) * | 2011-08-03 | 2011-11-30 | 山东志华信息科技股份有限公司 | 基于集成学习的混合融合人脸识别方法 |
CN103308292A (zh) * | 2013-05-16 | 2013-09-18 | 国家电网公司 | 基于振动信号分析的真空断路器机械状态检测方法 |
CN104952753A (zh) * | 2014-03-26 | 2015-09-30 | 郑芳田 | 测量抽样方法 |
CN104792522A (zh) * | 2015-04-10 | 2015-07-22 | 北京工业大学 | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 |
Non-Patent Citations (1)
Title |
---|
李状 等: "结合C-均值聚类的自适应共振神经网络在风电机组齿轮箱故障诊断中的应用", 《动力工程学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114567512A (zh) * | 2022-04-26 | 2022-05-31 | 深圳市永达电子信息股份有限公司 | 基于改进art2的网络入侵检测方法、装置及终端 |
CN114567512B (zh) * | 2022-04-26 | 2022-08-23 | 深圳市永达电子信息股份有限公司 | 基于改进art2的网络入侵检测方法、装置及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726524B (zh) | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 | |
Luo et al. | Convolutional neural network based on attention mechanism and Bi-LSTM for bearing remaining life prediction | |
CN104616033A (zh) | 基于深度学习和支持向量机的滚动轴承故障诊断方法 | |
CN107730040B (zh) | 基于rbm的电力信息系统日志信息综合特征提取方法和装置 | |
CN108318249A (zh) | 一种旋转机械轴承的故障诊断方法 | |
Liang et al. | Bearing fault diagnosis based on improved ensemble learning and deep belief network | |
CN110991424A (zh) | 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法 | |
Jia et al. | Intelligent fault diagnosis of rotating machines based on wavelet time-frequency diagram and optimized stacked denoising auto-encoder | |
Bhadane et al. | Bearing fault identification and classification with convolutional neural network | |
Fan et al. | Vibration Images‐Driven Fault Diagnosis Based on CNN and Transfer Learning of Rolling Bearing under Strong Noise | |
CN111397901A (zh) | 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法 | |
Wu et al. | A method for constructing rolling bearing lifetime health indicator based on multi-scale convolutional neural networks | |
Deng et al. | Rolling bearing fault diagnosis based on Deep Boltzmann machines | |
Wu et al. | Fault diagnosis of rotating machinery using Gaussian process and EEMD‐treelet | |
CN111351665A (zh) | 基于emd和残差神经网络的滚动轴承故障诊断方法 | |
Han et al. | An intelligent fault diagnosis method of variable condition gearbox based on improved DBN combined with WPEE and MPE | |
CN115409099A (zh) | 一种物联网流量异常检测模型建立方法及检测方法 | |
Lee et al. | An explainable deep learning-based prognostic model for rotating machinery | |
CN108830244A (zh) | 基于art2神经网络分类的判定方法 | |
Saufi et al. | Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal | |
Shi et al. | BP neural network based bearing fault diagnosis with differential evolution & EEMD denoise | |
Yao et al. | RUL prediction method for rolling bearing using convolutional denoising autoencoder and bidirectional LSTM | |
CN114386452A (zh) | 核电循环水泵太阳轮故障检测方法 | |
CN113221996A (zh) | 一种基于多头注意力机制的轴承故障诊断方法及系统 | |
Zhang et al. | Application of stack marginalised sparse denoising auto‐encoder in fault diagnosis of rolling bearing |
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 |