一种基于PolSOM神经网络算法的设备故障诊断方法

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，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。

主权项

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_c＝(w₁,w₂,…,w_d)^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_c中的第一个元素，w₂表示权重向量w_c中的第二个元素，w_d表示权重向量w_c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＝(x₁,x₂,…,x_d)^T最相符合的神经元c是通过满足式(1)的条件来确定$\left|\right|w_c-x\left|\right|\le \left|\right|w_j-x\left|\right|,\forall j---\left(1\right)$式中w_c是指神经元c的权重向量，w_j是第j个神经元的权重向量，符号||a||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_c，在第t+1步的迭代计算中，第j个神经元的权重向量w_j(t+1)，通过式(2)进行更新w_j(t+1)＝w_j(t)+η·(x(t)‑w_j(t)),if j＝c or j∈N_c    (2)式中，w_j(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_c和A_c，在极坐标映射图中的具体位置用(R_c,A_c)表示；第t步时，数据x的半径坐标和角坐标分别为r_x(t)和a_x(t)，在极坐标映射图中的具体位置用(r_x(t),a_x(t))表示，在第t+1步，数据x在极坐标映射图中的位置(r_x(t+1),a_x(t+1))通过式(3)和式(4)向最相符合的神经元c移动r_x(t+1)＝r_x(t)+η(R_c‑r_x(t))          (3)α_x(t+1)＝α_x(t)+η(A_c‑α_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。