段疆宏 紀(jì)偉虎 孫興飛 葛希波 蘇井亮

（解放軍66157部隊 保定 072653）

1 引言

隨著科學(xué)與生產(chǎn)技術(shù)的發(fā)展，現(xiàn)代設(shè)備大多數(shù)集機(jī)電液于一體，結(jié)構(gòu)越來越復(fù)雜，自動化程度越來越高。在工作過程中，故障發(fā)生的概率相對提高。裝甲車底盤由于其本身的結(jié)構(gòu)異常復(fù)雜，難以用比較完備準(zhǔn)確的模型對其機(jī)構(gòu)、功能以及狀態(tài)等進(jìn)行有效的描述，因而給故障診斷帶米了很大麻煩。近年來，隨著模式識別和神經(jīng)網(wǎng)絡(luò)理論的引入，為故障診斷問題提供了一種新的解決途徑，特別是對于裝甲車輛底盤這類復(fù)雜系統(tǒng)。神經(jīng)網(wǎng)絡(luò)的輸入輸出非線性映射特性、信息的分布存儲、并行處理和全局集體應(yīng)用，特別是其高度的自組織和自學(xué)習(xí)能力，使其成為故障診斷的一種有效方法和手段。

2 SOM神經(jīng)網(wǎng)絡(luò)概述

自組織特征映射網(wǎng)絡(luò)（Self Organizing Feature Map，SOM）是一個由全連接的神經(jīng)元陣列組成的無教師、自組織、自學(xué)習(xí)網(wǎng)絡(luò)［1]。

自組織特征映射神經(jīng)網(wǎng)絡(luò)根據(jù)輸入空間中輸入向量的分組進(jìn)行學(xué)習(xí)和分類，在SOM網(wǎng)絡(luò)中，競爭層中的神經(jīng)元會嘗試識別輸入空間臨近該神經(jīng)元的部分，也就是說，SOM神經(jīng)網(wǎng)絡(luò)既可以學(xué)習(xí)訓(xùn)練數(shù)據(jù)輸入向量的分布特征，也可以學(xué)習(xí)訓(xùn)練數(shù)據(jù)輸入向量的拓?fù)浣Y(jié)構(gòu)。在權(quán)值更新過程中，不僅獲勝神經(jīng)元的權(quán)值向量得到更新，而且其近鄰神經(jīng)元的權(quán)值向量也按照某個“近鄰函數(shù)”進(jìn)行更新。這樣在開始時移動量很大，權(quán)值向量大致可按它們的最終位置來排序。這樣就形成了一種特殊的分類法，權(quán)值向量按照這樣一種方式變?yōu)橛行?，即它們在某個“彈性”網(wǎng)格上代表著輸入向量。如果網(wǎng)格的某個位置有變化，那么這種變化將影響到此神經(jīng)元的近鄰。換句話說，要用若干個權(quán)值向量來表示一個數(shù)據(jù)集（輸入向量），每個權(quán)值向量表示某一類輸入向量的均值。通過訓(xùn)練，可以建立起這樣一種布局，它使得每個權(quán)值向量都位于輸入向量聚類的中心。一旦SOM完成訓(xùn)練，就可以用于對訓(xùn)練數(shù)據(jù)或其他數(shù)據(jù)進(jìn)行聚類［2～3]。

3 SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

典型SOM網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，由輸入層和競爭層組成。輸入層神經(jīng)個數(shù)為m，競爭層由a×b個神經(jīng)元組成的二維平面陣列，輸入層與競爭層各神經(jīng)元之間實現(xiàn)全連接。SOM網(wǎng)絡(luò)模型由以下四個部分組成［2]。

圖1 典型SOM網(wǎng)絡(luò)結(jié)構(gòu)

1）處理單元陣列。用于接收時間輸入，并且形成對這些信號的“判別函數(shù)”。

2）比較選擇機(jī)制。用于比較“判別函數(shù)”，并選擇一個具有最大函數(shù)輸出值的處理單元。

3）局部互聯(lián)作用。用于同時激勵被選擇的處理單元及其最鄰近的處理單元。

4）自適應(yīng)過程。用于修正被激勵的處理單元的參數(shù)，以增加其對應(yīng)于特定輸入“判別函數(shù)”的輸出值。

4 SOM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

Kohonen自組織特征映射算法能夠自動找出輸入數(shù)據(jù)之間的類似度，將相似的輸入在網(wǎng)絡(luò)上就近配置，因此是一種可以構(gòu)成對輸入數(shù)據(jù)有選擇地給予反應(yīng)的網(wǎng)絡(luò)。Kohonen的自組織特征映射的學(xué)習(xí)算法步驟歸納如下［4～8]。

4.1 網(wǎng)絡(luò)初始化

用隨機(jī)數(shù)設(shè)定輸入層和映射層之間權(quán)值的初始值。對m個輸入神經(jīng)元到輸出神經(jīng)元的連接權(quán)值賦予較小的權(quán)值。選取輸出神經(jīng)元j個“鄰接神經(jīng)元”的集合Sj。其中，Sj(0)表示時刻t=0的神經(jīng)元j的“鄰接神經(jīng)元”的集合，Sj(t)表示時刻t的“鄰接神經(jīng)元”的集合。區(qū)域Sj(t)隨著時間的增長而不斷縮小。

4.2 輸入向量的輸入

4.3 計算映射層的權(quán)值向量和輸入向量的歐式距離

在映射層，計算各神經(jīng)元的權(quán)值向量和輸入向量的歐式距離。映射層的第j個神經(jīng)元和輸入向量的距離如下所示：

式中，ωij為輸入層的i神經(jīng)元和映射層的j神經(jīng)元之間的權(quán)值。通過計算，得到一個具有最小距離的神經(jīng)元，將其稱為勝出神經(jīng)元，記為j*，即確定出某個單元k，使得對于任意的j，都有并給出其鄰接神經(jīng)元集合。

4.4 權(quán)值的學(xué)習(xí)

按下式修正輸出神經(jīng)元j*及其“鄰接神經(jīng)元”的權(quán)值。

式中，η為一個大于0小于1的常數(shù)，隨著時間變化逐漸下降到0。

4.5 計算輸出οk

οk式中，f(*)一般為 0～1函數(shù)或者其他非線性函數(shù)。

4.6 是否達(dá)到預(yù)先設(shè)定的要求

如達(dá)到要求則算法結(jié)束；否則，則返回步驟4.2，進(jìn)入下一輪學(xué)習(xí)。

SOM網(wǎng)絡(luò)的結(jié)構(gòu)和映射算法研究表明，腦皮層的信息具有兩個明顯的特點：其一，拓?fù)溆成浣Y(jié)構(gòu)不是通過神經(jīng)元的運(yùn)動重新組織實現(xiàn)的，而是由各個神經(jīng)元在不同興奮狀態(tài)下構(gòu)成一個整體，所形成的拓?fù)浣Y(jié)構(gòu)；其二，這種拓?fù)溆成浣Y(jié)構(gòu)的形成具有自組織的特點。SOM網(wǎng)絡(luò)中神經(jīng)元的拓?fù)浣M織就是它最根本的特征。對于拓?fù)湎嚓P(guān)而形成的神經(jīng)元子集，權(quán)重的更新是相似的，且在這個學(xué)習(xí)過程中，這樣選出的子集將包含不同的神經(jīng)元。

5 某型裝甲車底盤典型故障診斷概述

對于某型裝甲車底盤來說，最主要的故障是主動輪固定螺塞松動式甩掉［9]。結(jié)合某型裝甲車輛底盤關(guān)鍵部件綜合檢測系統(tǒng)，其中，主動輪與被動軸配合鍵齒的磨損（p1）、垸堤轉(zhuǎn)向時主動輪和側(cè)減速器受到的扭矩更大（p2）、地面障礙物對裝備底盤的沖擊信號（p3）、裝備換擋對主動輪的撞擊信號（p4）、裝備倒駛對主動輪的撞擊信號（p5）等特征是最能體現(xiàn)運(yùn)行狀況的。本文診斷的故障也是基于此五類特征，分別是主動輪與被動軸產(chǎn)生相對運(yùn)動（T1）、傳動裝置受到各排檔位的撞擊（T2）、地面障礙物對裝備底盤的沖擊（T3）、裝備換擋對主動輪的撞擊（T4）、裝備倒駛對主動輪的撞擊（T5）等五種故障。

5.1 模型建立［10～12]

本案例中給出了一個含有5個故障樣本的數(shù)據(jù)集。每個故障樣本中有5個特征，分別為主動輪與被動軸配合鍵齒的磨損（p1）、垸堤轉(zhuǎn)向時主動輪和側(cè)減速器受到的扭矩更大（p2）、地面障礙物對裝備底盤的沖擊信號（p3）、裝備換擋對主動輪的撞擊信號（p4）、裝備倒駛對主動輪的撞擊信號（p5），使用SOM網(wǎng)絡(luò)進(jìn)行故障診斷。故障樣本如表1所示（數(shù)據(jù)已歸一化）。

表1 五種故障特征

應(yīng)用SOM神經(jīng)網(wǎng)絡(luò)診斷故障的步驟如下：

1）選取標(biāo)準(zhǔn)故障樣本；

2）對每一種標(biāo)準(zhǔn)故障樣本進(jìn)行學(xué)習(xí)，學(xué)習(xí)結(jié)束后，對具有最大輸出的神經(jīng)元標(biāo)以該故障的記號；

3）將待檢樣本輸入到SOM神經(jīng)網(wǎng)絡(luò)中；

4）若輸出神經(jīng)元在輸出層的位置與某標(biāo)準(zhǔn)故障樣本的位置相同，說明待檢樣本發(fā)生了相應(yīng)的故障；若輸出神經(jīng)元在輸出層的位置介于很多標(biāo)準(zhǔn)故障之間，說明這幾種標(biāo)準(zhǔn)故障都有可能發(fā)生，且各故障的程度由該位置與相應(yīng)標(biāo)準(zhǔn)故障樣本位置的歐氏距離確定。

5.2 顯示結(jié)果

圖2為網(wǎng)絡(luò)拓?fù)鋵W(xué)習(xí)結(jié)構(gòu)。

圖3為臨近神經(jīng)元直接的距離情況。

如圖3所示，藍(lán)色代表神經(jīng)元，紅色代表神經(jīng)元直接的連接，每個菱形中的顏色表示神經(jīng)元之間距離的遠(yuǎn)近，從黃色到黑色，顏色越深說明神經(jīng)元之間的距離越遠(yuǎn)。圖4中藍(lán)色神經(jīng)元表示競爭勝利的神經(jīng)元。

圖2 6*6網(wǎng)絡(luò)拓?fù)鋵W(xué)習(xí)結(jié)構(gòu)

圖3 臨近神經(jīng)元直接的距離情況

圖4 神經(jīng)元競爭結(jié)果

聚類結(jié)果如表2所示。

表2 聚類結(jié)果

如表2所列：

當(dāng)訓(xùn)練步數(shù)為10時，故障原因1，3分為一類，2，4分為一類，5為單獨(dú)一類；

當(dāng)訓(xùn)練步數(shù)為30時，故障原因1，3分為一類，2，4，5為單獨(dú)一類；

當(dāng)訓(xùn)練步數(shù)為50時，故障原因1，3分為一類，2，4，5為單獨(dú)一類；

當(dāng)訓(xùn)練步數(shù)為100時，故障原因1，2，3，4，5為單獨(dú)一類，說明步數(shù)越大，故障種類劃分越來越細(xì)；

當(dāng)訓(xùn)練步數(shù)為200，500，1000時，故障原因1，2，3，4，5同樣為單獨(dú)一類，因此沒有繼續(xù)增加步數(shù)訓(xùn)練的意義了。

舉例說明：現(xiàn)有一故障樣本［0.9512 1.0000 0.9458-0.4215 0.4218]，經(jīng)過SOM神經(jīng)網(wǎng)絡(luò)診斷，結(jié)果為31，說明故障種類為第31個競爭勝利出的神經(jīng)元所代表的故障種類。

6 結(jié)語

SOM網(wǎng)絡(luò)的訓(xùn)練步數(shù)影響網(wǎng)絡(luò)的聚類性能，本文發(fā)現(xiàn)100次就可以將樣本完全分開，這樣的話，就沒有必要訓(xùn)練更多次了。另外，SOM網(wǎng)絡(luò)在l00次就可以很快地將樣本進(jìn)行精確的分類，這比一般方法的聚類速度快。

需要注意的是，SOM程序執(zhí)行時，每次執(zhí)行后的結(jié)果不一樣，原因是每次的激發(fā)神經(jīng)元可能不一樣，但是無論激活哪個神經(jīng)元，最后分類的結(jié)果不會改變。