基于神经网络的抽油机故障诊断

《基于神经网络的抽油机故障诊断》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于神经网络的抽油机故障诊断关键词：门组织特征，神经网络，示功图，故障诊断，聚类1引言神经网络技术在学习速度、适应性、非线性映射等性能上冇独特的优势，能够进行冇效的监样分类，因此常用来进行聚类分析，然而在进行聚类分析时,出现为了提高识别粘度而使网络规模较大，并H收敛时间慢的问题,1981年芬兰学者Kohonen提出了一个比较完整的、分类性能较好的自组织特征映射(Self-OrganizingFeatureMap)神经网络(简称SOM网络)的方案。SOM网络是一种由全连接的神经元阵列组成的无教师自组

2、织网络，可以认为是2层网络，第一层是输入层,另一层是竞争层，木例的SOM网络结构如图1所示[1J:图1Kohonen网络结构图木文计对传统门组织神经网络分类耕度低和收敛速度慢的缺点进行改进。2自组织特征映射神经网络SOM网络能将任总维输入映射成-维或者二维离散图形，并保持其拓扑结构不变，此外，网络通过对输入模式的反复学习，可以使连接权值空间分布密度与输入模式的概率分布趋于一致。网络在竞争过程中，近邻者相互激励，远邻者相互抑制，比远邻更远的神经元则表现弱激励作用。由于这种交互作用的曲线类似于墨西哥人

3、带的郴子，因此也称这种交互方式为“墨西哥帽”[2],如图2所示：图2神经元交互模式SOM网络根据其学习规则，对输入模式进行自动分类.捕捉住各个输入模式中所禽的模式特征，并对其进行H组织,在竞争层将分类结果表现出來,SOM网络的特点是：1)一旦由于某种原因,某个神经元受到损害或者完全失效.剩卜•的神经元仍可以保证所对应的记忆信息不会消失。1)网络对学习模式的记忆不是一次性完成的，而是通过反复学习，将输入模式的统计特征“溶解”到各个连接权上的。所以这种网络貝何较强的抗干扰能力。它的具体的工作原理过程如

4、下：w..T1）首先将权值U赋予随机初始值;同时设置一个初始邻域，并设置网络的循环次数丄；x.:x=沈兀xi2）然后给出一个新的输入模式1「亠输入到网络上；Xd,x3）采用胜者为王的模式，计算模式"；:和所冇的输出神经元的距离八，并选择和距离巌小的神经元C,即X.-W,

5、=min｛血｝""，则C即为获胜神经元；4）更新结点及其邻域结点的连接权值：兀（+1）=兀（）+"（『）（/-兀（））.（1）0

6、）,直到全部的输入模式都捉供给网络；tf-uPt=T6）令，返回步骤2）,直至为止。由SOM网络的工作原理可以看出，标准SOM网络学习速率在递减过程中采用线性递减的方式,这将导致网络收敛速度慢,在数据虽比较人的情况下就会导致网络聚类结果不稳定甚至发散。因此可以将改进学习率递减方式作为改进SOM网络的一个方向。2.1神经网络的改进实验证明利用标准的门组织特征映射神经网络对分类的效果不是很理想，因为该算法对学习速率调幣只采用线性递减，聚类的收敛速度慢，而ri对邻域也只采用正方形或闘形域，造成权值调整时

7、，邻域内所有神经元都同样激活，所以报终聚类效果不好，因此要想办法从改进学习率、邻域等方面來提高网络的性能。将网络的学习过程分为2个阶段，分別为快学习阶段和调整阶段.在快学习阶段中，学习速率采用幕函数递减的方式，聚类的效果较好，同时收敛的速度快，所采用的递减方式为时收敛的速度快，所采用的递减方式为：7（/+1）=70（^仏厂⑵a:式中：为常数，一•般为0.05同时根据网络学习时神经元间相互作用曲线，侧反馈的强度与邻域内神经元i同获胜神经元C的距离有关，典型的Gauss函数［3］报适合作为邻域函数，如

8、式（3）所示：^=exp（-

9、P-^

10、：）/2cr（r）2（3）式中:为邻域的冇效宽度•而••••为竞争层神经元间的距离，对维元索其距离公式如下:£_£l=Vi_c』+%_cJ+・-+4_cj［⑷式中：壮分别表示神经元间在阵列上的坐标，并且。"（“采用幕函数递减a.-式中:参数亠--般取0.5这样在快学习阶段学习率应递减较快，可采用舔两数形式，邻域从较大值递减为较小值，在调整阶段，网络学习集屮对较小范围内的神经元的连接权值进行调密，其学习率递减缓慢，可采用线性函数形式,邻域值从较人值缓慢减小为（）

11、』卩只包含获胜神经元。2.2初始权值的确定神经网络的初始权值对训练的效果有很大影响，一-般来说初始权值的选择有三种方法［4］:1）将所冇连接权向量赋卩相同的初值，这样可以减少输入模式在最初阶段对权值的挑选余地，尽可能快地校正连接权向晁与输入模式Z间的方向偏差。W.）2）当把连接权°赋予［0,1］区间内随机初值Z后，在网络学习的初级阶段对提供给网络的学习模式作一些修正。给原学X:A:『习模式•的每个元索加上一个很小的随机值,形成输入向量•。由于•：比较容易找到与其方向次致一致的连I