一种基于PolSOM神经网络算法的设备故障诊断方法
【专利摘要】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。
【专利说明】一种基于PoISOM神经网络算法的设备故障诊断方法
【技术领域】
[0001]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】
[0002]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】
[0003]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。
[0004]本发明解决其技术问题所采用的技术方案是:
[0005]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:
[0006]I)采集设备的振动信号；
[0007]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；
[0008]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，
[0009]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。= (w1； W2,…，wd)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。中的第一个元素，W2表示权重向量W。中的第二个元素，Wd表示权重向量W。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；
[0010]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，
[0011]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=(Xl，X2，…，Xd)τ最相符合的神经元C是通过满足式⑴的条件来确定[0012]
【权利要求】
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。= (w1； W2,…，wd)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Wc中的第一个元素，W2表示权重向量W。中的第二个元素，Wd表示权重向量W。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 =(Xl，X2，…，xd)τ最相符合的神经元c是通过满足式(I)的条件来确定 IK-^ll^K--^ll V/(I)式中W。是指神经元c的权重向量，Wj是第j个神经元的权重向量,符号Ilall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。，在第t+Ι步的迭代计算中，第j个神经元的权重向量％&+1)，通过式(2)进行更新
Wj (t+1) = Wj (t)+ η.(X (t) -Wj (t)), if j = C or j e Nc (2)式中，Wj (t)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。和A。，在极坐标映射图中的具体位置用(Rc, Ac)表示；第t步时，数据X的半径坐标和角坐标分别为rx(t)和ax(t)，在极坐标映射图中的具体位置用(rx(t)，ax(t))表示，在第t+1步，数据X在极坐标映射图中的位置(rx(t+l),ax(t+l))通过式(3)和式(4)向最相符合的神经元c移动rx (t+1) = rx (t) + η (Rc-rx (t))(3)
αχ (t+1) = a x(t)+ n (Ac-a 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。
【文档编号】G05B13/04GK103995470SQ201410242637
【公开日】2014年8月20日 申请日期:2014年5月30日 优先权日:2014年5月30日
【发明者】金晓航, 孙毅, 单继宏 申请人:浙江工业大学