一種基于PolSOM神經網絡算法的設備故障診斷方法
【專利摘要】一種基于PolSOM神經網絡算法的設備故障診斷方法，包括以下步驟：1)采集設備的振動信號；2)對采集到的設備信號，分別在時域、時頻域上進行特征計算，構建一個高維的特征數據集，并進行歸一化處理；3)構建一個與高維特征數據相匹配的PolSOM模型，并對模型中的神經元權重向量進行初始化；4)利用PolSOM神經網絡算法對設備數據可視化，表征同一故障情況的數據會以相近的半徑和角度聚集呈現在極坐標映射圖中；表征不同故障情況的數據會以不同的半徑和角度分散地呈現在極坐標映射圖中不同的位置，位于極坐標映射圖越外層的數據，表征其對應的故障程度越大，從而達到對設備故障模式的識別。本發明不需要樣本數據的訓練學習，可自適應將實時采集到的表征設備健康情況的信號可視化。
【專利說明】一種基于PoISOM神經網絡算法的設備故障診斷方法
【技術領域】
[0001]本發明屬于設備故障診斷領域，尤其涉及一種設備故障診斷方法。
【背景技術】
[0002]隨著現代工業和科學技術的發展，機械、能源、化工等設備廣泛地應用于國民經濟中。關鍵設備一旦出現故障，往往會影響企業的正常生產運行、經濟損失，甚至是一些災難性的后果，如火災，人員傷亡等，因此設備的故障診斷技術受到了高度的重視。為了避免當前的設備故障診斷技術中過分依賴領域專家的問題，同時借助于計算機、信號處理、人工智能等學科的發展和應用，發展出了一些智能故障診斷方法，如:基于神經網絡、專家系統、機器學習等故障診斷方法，他們在實際工作中取得了一定的成效。但是，成功應用這些方法，首先需要采集大量的設備數據(包括設備的無故障數據和故障數據)對智能診斷方法進行學習，然而對這樣的訓練樣本數據的獲取通常是困難的。

【發明內容】

[0003]為了克服已有的智能故障診斷方法需要大量樣本數據進行訓練學習的不足，本發明提供了一種不需要樣本數據的訓練學習，可自適應將實時采集到的表征設備健康情況的信號可視化，實現對同一類型數據的聚集顯示，對不同類型數據的區別顯示，進而達到設備故障模式識別的方法。
[0004]本發明解決其技術問題所采用的技術方案是:
[0005]一種基于PolSOM神經網絡算法的設備故障診斷方法，所述方法包括以下步驟:
[0006]I)采集設備的振動信號；
[0007]2)對采集到的設備信號，分別在時域、時頻域上進行特征計算，構建一個高維的特征數據集，并進行歸一化處理；
[0008]3)構建一個與高維特征數據相匹配的PolSOM模型，并對模型中的神經元權重向量進行初始化設置，
[0009]首先通過構建一個PolSOM模型，神經元均勻地分布在不同半徑的扇形區域上面；在極坐標映射圖上，參數半徑和角度分別表示數據的值和特征；其中一個扇形區域表示一個數據的特征，不同的圓環表示數據值的大小，值越大的數據在越外面的圓環上；神經元可用權重向量W。= (w1； W2,…，wd)T表示,其中元素個數d是高維特征數據的數目，W1表示權重向量W。中的第一個元素，W2表示權重向量W。中的第二個元素，Wd表示權重向量W。中的第d個元素；極坐標映射圖中任意一個扇區的神經元都有一個突出的權重向量中的元素值與其相對應；
[0010]4)利用PolSOM神經網絡算法對數據可視化處理，實現設備故障模式的識別，
[0011]在對不同神經元的權重向量進行初始化后，通過與設備數據的更新和迭代計算，把數據投影到與其最相符合的神經元上，并在極坐標映射圖上將數據顯示出來，與數據X=(Xl，X2，…，Xd)τ最相符合的神經元C是通過滿足式⑴的條件來確定[0012]
【權利要求】
1.一種基于PolSOM神經網絡算法的設備故障診斷方法，其特征在于:所述方法包括以下步驟: 1)采集設備的振動信號； 2)對采集到的設備信號，分別在時域、時頻域上進行特征計算，構建一個高維的特征數據集，并進行歸一化處理； 3)構建一個與高維特征數據相匹配的PolSOM模型，并對模型中的神經元權重向量進行初始化設置， 首先通過構建一個PolSOM模型，神經元均勻地分布在不同半徑的扇形區域上面；在極坐標映射圖上，參數半徑和角度分別表示數據的值和特征；其中一個扇形區域表示一個數據的特征，不同的圓環表示數據值的大小，值越大的數據在越外面的圓環上；神經元可用權重向量W。= (w1； W2,…，wd)T表示,其中元素個數d是高維特征數據的數目，W1表示權重向量Wc中的第一個元素，W2表示權重向量W。中的第二個元素，Wd表示權重向量W。中的第d個元素；極坐標映射圖中任意一個扇區的神經元都有一個突出的權重向量中的元素值與其相對應； 4)利用PolSOM神經網絡算法對數據可視化處理，實現設備故障模式的識別； 在對不同神經元的權重向量進行初始化后，通過與設備數據的更新和迭代計算，把數據投影到與其最相符合的神經元上，并在極坐標映射圖上將數據顯示出來，與數據X =(Xl，X2，…，xd)τ最相符合的神經元c是通過滿足式(I)的條件來確定 IK-^ll^K--^ll V/(I)式中W。是指神經元c的權重向量，Wj是第j個神經元的權重向量,符號Ilall表示向量a歐氏距離的計算； 神經元c與其相鄰的神經元子集N。，在第t+Ι步的迭代計算中，第j個神經元的權重向量％&+1)，通過式(2)進行更新
Wj (t+1) = Wj (t)+ η.(X (t) -Wj (t)), if j = C or j e Nc (2)式中，Wj (t)為第 t 步的迭代計算中第j個神經元的權重向量，η表示學習的速率；x(t)是指在第t步更新計算中，隨機選取的數據； 設神經元C的半徑坐標和角坐標分別為R。和A。，在極坐標映射圖中的具體位置用(Rc, Ac)表示；第t步時，數據X的半徑坐標和角坐標分別為rx(t)和ax(t)，在極坐標映射圖中的具體位置用(rx(t)，ax(t))表示，在第t+1步，數據X在極坐標映射圖中的位置(rx(t+l),ax(t+l))通過式(3)和式(4)向最相符合的神經元c移動rx (t+1) = rx (t) + η (Rc-rx (t))(3)
αχ (t+1) = a x(t)+ n (Ac-a x(t)) (4) 通過設定次數的循環迭代計算，設備數據集中表征同一故障情況的數據將會被自動歸類為同一組別，聚集在極坐標映射圖中顯示；同時表征不同故障情況的數據會以不同的半徑和角度分散地呈現在極坐標映射圖中不同的位置，位于極坐標映射圖越外層的數據，表征其對應的故障程度越大，從而達到對設備故障模式的識別。
【文檔編號】G05B13/04GK103995470SQ201410242637
【公開日】2014年8月20日 申請日期:2014年5月30日 優先權日:2014年5月30日
【發明者】金曉航, 孫毅, 單繼宏 申請人:浙江工業大學