亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于SOM-BP 神經(jīng)網(wǎng)絡(luò)的船舶柴油機故障診斷方法

        2024-01-03 16:02:50楊劍征
        艦船科學技術(shù) 2023年22期
        關(guān)鍵詞:權(quán)值柴油機故障診斷

        李 根,楊劍征,劉 祺

        (中國艦船研究院,北京 100101)

        0 引 言

        作為船舶系統(tǒng)重要的組成部分,柴油機的可靠性和安全性得到了越來越多的關(guān)注[1]。在整個航運過程中,船舶柴油機運行性能發(fā)揮著至關(guān)重要的作用。因為處于惡劣環(huán)境中,船舶柴油機在工作時出現(xiàn)了越來越多故障。如果船舶柴油機發(fā)生重大故障,會導(dǎo)致船舶停運,造成嚴重經(jīng)濟損失[2]。為實現(xiàn)船舶系統(tǒng)視情維護,保障船舶穩(wěn)定運行,及時對船舶柴油機進行故障診斷,并根據(jù)故障診斷結(jié)果進行合理維修,具有極其重要的意義。

        神經(jīng)網(wǎng)絡(luò)基于對故障樣本的學習,對所學習的故障診斷知識,以連接權(quán)值形式進行描述,解讀故障征兆和故障之間一對多的非線性關(guān)系,從而實現(xiàn)對故障的聯(lián)想記憶、模式匹配和相似歸納,在復(fù)雜系統(tǒng)故障診斷中應(yīng)用越來越廣泛,優(yōu)勢也越來越明顯[3]。目前,在故障診斷領(lǐng)域,被廣泛采用的神經(jīng)網(wǎng)絡(luò)模型有反向傳播(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)[4-6]、自組織映射(Self-organized Mapping,SOM)神經(jīng)網(wǎng)絡(luò)[7-10]等。但各神經(jīng)網(wǎng)絡(luò)因算法局限性、所需樣本數(shù)量大、網(wǎng)絡(luò)結(jié)構(gòu)未知等因素,在故障診斷過程中都存在一定缺陷?;谏鲜鰡栴},本文闡述了BP 神經(jīng)網(wǎng)絡(luò)和SOM 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)和算法學習步驟,將二者融合構(gòu)建SOM-BP 神經(jīng)網(wǎng)絡(luò),并闡述該網(wǎng)絡(luò)的模型結(jié)構(gòu)和算法學習步驟,通過仿真試驗驗證了該網(wǎng)絡(luò)在船舶柴油機故障診斷中的有效性。

        1 SOM 神經(jīng)網(wǎng)絡(luò)

        1.1 SOM 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

        SOM 神經(jīng)網(wǎng)絡(luò)是無監(jiān)督、自學習網(wǎng)絡(luò)[11],通過對故障樣本數(shù)據(jù)進行聚類,將其映射至多維空間不同的位置,從而實現(xiàn)對故障樣本數(shù)據(jù)的分類,其網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。SOM 神經(jīng)網(wǎng)絡(luò)由2 層神經(jīng)元構(gòu)成,即輸入層和輸出層神經(jīng)元。通過權(quán)向量,故障樣本數(shù)據(jù)經(jīng)輸入層傳輸?shù)捷敵鰧由窠?jīng)元。輸入層神經(jīng)元個數(shù)與故障樣本維數(shù)保持一致,輸出層神經(jīng)元結(jié)構(gòu)以二維形式呈現(xiàn)。

        圖1 SOM 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig. 1 Structure diagram of SOM neural network

        當樣本數(shù)據(jù)輸入網(wǎng)絡(luò)模型,故障樣本輸入向量與神經(jīng)元權(quán)值向量間的歐式距離就可通過計算得出,獲勝神經(jīng)元可通過比較所計算出的歐式距離大小來確定。通過獲勝神經(jīng)元位置,可確定其鄰域范圍,依據(jù)學習率、故障樣本數(shù)據(jù)更新此范圍內(nèi)所有神經(jīng)元的權(quán)值,模型經(jīng)過不斷更新迭代,直至收斂。

        1.2 SOM 神經(jīng)網(wǎng)絡(luò)算法學習步驟

        步驟1SOM 神經(jīng)網(wǎng)絡(luò)初始化。隨機設(shè)定輸入層神經(jīng)元i與競爭層神經(jīng)元j的初始權(quán)值wij(0),取(0,1)范圍內(nèi)較小的隨機數(shù);隨機設(shè)置學習速率η(t)的初始值η(0),取(0,1) 之間的隨機數(shù);賦值領(lǐng)域函數(shù)Rp(t)的初始值Rp(0),p為獲勝神經(jīng)元。

        步驟2訓(xùn)練樣本向量輸入。首先進行歸一化處理,并選取一組訓(xùn)練樣本k,將輸入樣本Xk=[x1k,x1k,...,xnk]T的n個分向量輸進SOM 神經(jīng)網(wǎng)絡(luò)輸入層。

        步驟3獲勝神經(jīng)元確定。計算輸入樣本Xk與權(quán)值向量wj間的歐式距離djk,其計算公式為:

        其中:xik為輸入樣本Xk第i個分向量;wij(t)為t時刻輸入層神經(jīng)元i與競爭層神經(jīng)元j的連接權(quán)值。比較計算出歐式距離,將與輸入樣本Xk歐式距離最小的神經(jīng)元作為獲勝神經(jīng)元。

        步驟4獲勝神經(jīng)元鄰域范圍確定。獲勝神經(jīng)元領(lǐng)域范圍隨著更新次數(shù)不斷縮小。

        步驟5權(quán)值更新。確定獲勝神經(jīng)元鄰域范圍后,對此范圍內(nèi)的神經(jīng)元進行權(quán)值更新,其更新公式為:

        其中:wij(t+1)為更新后的權(quán)值;i為輸入神經(jīng)元,j為競爭神經(jīng)元。0<η(t)<1,η(t)隨時間的變化而減小,直至減為0。

        步驟6競爭神經(jīng)ok計算式為:

        其中,f(*)為0~1 的函數(shù),或其他非線性函數(shù)。

        步驟7判斷SOM 神經(jīng)網(wǎng)絡(luò)是否收斂。收斂結(jié)束訓(xùn)練,未收斂則重新返回步驟2。

        SOM 神經(jīng)網(wǎng)絡(luò)學習流程圖如圖2 所示。

        圖2 SOM 神經(jīng)網(wǎng)絡(luò)算法流程圖Fig. 2 Flow chart of SOM neural network algorithm

        2 BP 神經(jīng)網(wǎng)絡(luò)

        2.1 BP 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

        BP 神經(jīng)網(wǎng)絡(luò)是一種前饋網(wǎng)絡(luò),其結(jié)構(gòu)如圖3 所示,由輸入層、隱含層和輸出層構(gòu)成。該網(wǎng)絡(luò)的主要特點是各層神經(jīng)元僅與相鄰層神經(jīng)元之間相互全連接,同層內(nèi)神經(jīng)元之間無連接,各層神經(jīng)元之間無反饋連接。

        圖3 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig. 3 Structure diagram of BP neural network

        圖中,[x1,x2...,xn]為網(wǎng)絡(luò)輸入值,[y1,y2...,ym]為網(wǎng)絡(luò)輸出值。wij、wjk為網(wǎng)絡(luò)權(quán)值。BP 神經(jīng)網(wǎng)絡(luò)可以被視為一個非線性函數(shù),[x1,x2...,xn]為該非線性函數(shù)的自變量,[y1,y2...,ym]為該非線性函數(shù)的因變量。

        2.2 BP 神經(jīng)網(wǎng)絡(luò)算法學習步驟

        步驟1網(wǎng)絡(luò)初始化。確定BP 神經(jīng)網(wǎng)絡(luò)輸入節(jié)點數(shù)n,隱含層節(jié)點數(shù)l,輸出節(jié)點數(shù)m。初始化權(quán)值wij、wjk。初始化隱含層閾值a,輸出層閾值b,確定學習速率和激活函數(shù)。

        步驟2隱含層輸出計算:

        其中:Hj為隱含層輸出值;為隱含層激勵函數(shù)。

        步驟3神經(jīng)網(wǎng)絡(luò)預(yù)測輸出計算:

        步驟4網(wǎng)絡(luò)預(yù)測誤差計算:

        步驟5更新網(wǎng)絡(luò)權(quán)值:

        其中, η為學習速率。

        步驟6更新閾值:

        步驟7判斷是否達到終止條件。判斷誤差是否在允許范圍內(nèi),如果滿足要求,則結(jié)束訓(xùn)練,否則返回步驟2。

        BP 神經(jīng)網(wǎng)絡(luò)學習流程圖如圖4 所示。

        圖4 BP 神經(jīng)網(wǎng)絡(luò)算法流程圖Fig. 4 Flow chart of BP neural network algorithm

        3 SOM-BP 神經(jīng)網(wǎng)絡(luò)

        BP 神經(jīng)網(wǎng)絡(luò)具有自學習、非線性映射能力,但需進行大量的故障樣本數(shù)據(jù)訓(xùn)練,會導(dǎo)致網(wǎng)絡(luò)訓(xùn)練時間較長,實時性較差。SOM 神經(jīng)網(wǎng)絡(luò)能夠?qū)?shù)據(jù)進行聚類,無需大量樣本數(shù)據(jù)和人工干預(yù),實時性強,但SOM 神經(jīng)網(wǎng)絡(luò)分類的準確性依賴于采集故障樣本數(shù)據(jù)的完整性以及數(shù)據(jù)量的多少??紤]到單一網(wǎng)絡(luò)在故障診斷中的局限性,將二者進行融合,構(gòu)建SOM-BP 組合神經(jīng)網(wǎng)絡(luò)。

        3.1 SOM-BP 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

        SOM-BP 組合神經(jīng)網(wǎng)絡(luò)融合有串聯(lián)、并聯(lián)2 種方式。結(jié)合二者在故障診斷中各自優(yōu)缺點,本文將二者串聯(lián)來實現(xiàn)故障診斷。將SOM 網(wǎng)絡(luò)作為第一級網(wǎng)絡(luò),將輸入樣本進行自聚類,目的是減輕BP 網(wǎng)絡(luò)識別壓力,降低識別難度。將BP 網(wǎng)絡(luò)作為第二級網(wǎng)絡(luò),對故障樣本進行有導(dǎo)師學習,圖5 為SOM-BP 組合網(wǎng)絡(luò)結(jié)構(gòu)圖。

        圖5 SOM-BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig. 5 Structure diagram of SOM-BP neural network

        圖6 SOM-BP 神經(jīng)網(wǎng)絡(luò)算法流程圖Fig. 6 Flow chart of SOM-BP neural network algorithm

        3.2 SOM-BP 神經(jīng)網(wǎng)絡(luò)算法學習步驟

        步驟1樣本數(shù)據(jù)預(yù)處理,選取故障樣本數(shù)據(jù),進行歸一化處理。

        步驟2初始化SOM 神經(jīng)網(wǎng)絡(luò),輸入故障樣本數(shù)據(jù),經(jīng)過模型訓(xùn)練,得到初步聚類結(jié)果。

        步驟3將SOM 神經(jīng)網(wǎng)絡(luò)競爭層輸出的結(jié)果進行歸一化處理。

        步驟4初始化BP 神經(jīng)網(wǎng)絡(luò),將歸一化后的結(jié)果輸入到BP 網(wǎng)絡(luò)中再次進行訓(xùn)練。

        步驟5進行多次訓(xùn)練,形成SOM-BP 神經(jīng)網(wǎng)絡(luò)分類模型。

        步驟6判斷模型是否達到收斂條件。如果達到收斂條件,則終止訓(xùn)練。如果未達到收斂條件,則返回步驟4。

        4 基于SOM-BP 神經(jīng)網(wǎng)絡(luò)的船舶柴油機故障診斷仿真試驗

        根據(jù)船舶柴油機壓力波形曲線,提取8 種故障特征(P1~P8),匯集船舶柴油機8 種故障類型(T1~T8)數(shù)據(jù),形成訓(xùn)練集和測試集,如表1 和表2 所示,SOM-BP 網(wǎng)絡(luò)期望輸出如表3 所示。

        表1 SOM-BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集Tab. 1 Training data of SOM-BP neural network

        表2 SOM-BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集Tab. 2 Testing data of SOM-BP neural network

        表3 SOM-BP 神經(jīng)網(wǎng)絡(luò)期望輸出Tab. 3 Desired output of SOM-BP neural network

        將初級神經(jīng)網(wǎng)絡(luò)即SOM 神經(jīng)網(wǎng)絡(luò)輸入神經(jīng)元個數(shù)設(shè)置為8,對應(yīng)8 種船舶柴油機故障類型。競爭層網(wǎng)絡(luò)選用6×6 結(jié)構(gòu),采用六角形拓撲結(jié)構(gòu),如圖7 為SOM 神經(jīng)網(wǎng)絡(luò)競爭層36 個神經(jīng)元網(wǎng)絡(luò)拓撲結(jié)構(gòu)。

        圖7 SOM 神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)Fig. 7 SOM neural network topology

        故障樣本數(shù)據(jù)經(jīng)過SOM 神經(jīng)網(wǎng)絡(luò)處理之后,鄰近神經(jīng)元之間的距離如圖8 所示,神經(jīng)元分類情況如圖9所示,聚類結(jié)果如表4 所示。

        表4 SOM 神經(jīng)網(wǎng)絡(luò)聚類結(jié)果Tab. 4 Cluster result of SOM neural network

        圖8 SOM 神經(jīng)網(wǎng)絡(luò)鄰近神經(jīng)元距離Fig. 8 SOM neighbor weight distances

        圖9 SOM 神經(jīng)網(wǎng)絡(luò)分類情況Fig. 9 SOM neural network classification

        將表4 歸一化結(jié)果輸入到BP 神經(jīng)網(wǎng)絡(luò)中,BP 神經(jīng)網(wǎng)絡(luò)采用3 層結(jié)構(gòu)。經(jīng)過多次試驗,隱含層神經(jīng)元個數(shù)取13,傳遞函數(shù)采用S 型正切函數(shù);輸出層神經(jīng)元個數(shù)設(shè)置為8,對應(yīng)8 種故障類型,傳遞函數(shù)采用S 型對數(shù)函數(shù)。

        當BP 神經(jīng)網(wǎng)絡(luò)模型達到收斂條件時,終止訓(xùn)練。輸入表2 故障樣本數(shù)據(jù)進行檢測,診斷該故障樣本數(shù)據(jù)為T1類型故障,故障診斷類型與實際故障類型一致。此外,SOM-BP 神經(jīng)網(wǎng)絡(luò)在模型訓(xùn)練階段不依賴于大量樣本,網(wǎng)絡(luò)穩(wěn)定性較好,收斂速度也很快,達到了預(yù)期效果。

        5 結(jié) 語

        1)基于SOM 神經(jīng)網(wǎng)絡(luò)和BP 神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ),構(gòu)建SOM-BP 神經(jīng)網(wǎng)絡(luò)模型,用于船舶柴油機故障診斷,通過仿真試驗驗證SOM-BP 神經(jīng)網(wǎng)絡(luò)在船舶柴油機故障診斷中的正確性和準確性。

        2)避免了單一神經(jīng)網(wǎng)絡(luò)模型在復(fù)雜系統(tǒng)故障診斷中的局限性,復(fù)雜系統(tǒng)故障診斷提供理論依據(jù)。

        猜你喜歡
        權(quán)值柴油機故障診斷
        一種融合時間權(quán)值和用戶行為序列的電影推薦模型
        CONTENTS
        美國FCA 推出第三代EcoDie s e l V6 柴油機
        譚旭光:柴油機50年內(nèi)仍大有可為
        汽車觀察(2019年2期)2019-03-15 06:00:54
        基于權(quán)值動量的RBM加速學習算法研究
        自動化學報(2017年7期)2017-04-18 13:41:02
        因果圖定性分析法及其在故障診斷中的應(yīng)用
        現(xiàn)代柴油機的技術(shù)發(fā)展趨勢
        基于LCD和排列熵的滾動軸承故障診斷
        基于WPD-HHT的滾動軸承故障診斷
        機械與電子(2014年1期)2014-02-28 02:07:31
        高速泵的故障診斷
        河南科技(2014年3期)2014-02-27 14:05:48
        性一交一乱一透一a级| 免费人成黄页网站在线一区二区| 人妻久久一区二区三区蜜桃| 日本高清视频xxxxx| 伊人久久成人成综合网222| 一区二区三区国产美女在线播放| 美女和男人一起插插插| 无码aⅴ精品一区二区三区| 国产96在线 | 欧美| 婷婷一区二区三区在线| 精品国产av一区二区三四区| 亚洲成av人综合在线观看| 97夜夜澡人人爽人人喊中国片| 久久九九青青国产精品| 青青草绿色华人播放在线视频| 久久精品国产久精国产爱| 亚洲男人的天堂网站| 精品亚洲女同一区二区| 国产一区二区三区小向美奈子| 波多野结衣av一区二区全免费观看| 中出内射颜射骚妇| 久久99亚洲综合精品首页| 国产亚洲一二三区精品| 亚洲成av人在线播放无码| 亚洲国产成人久久综合一区77| 妇女自拍偷自拍亚洲精品| 成人av在线久色播放| 日本免费a级毛一片| 97人妻视频妓女网| 老熟妇嗷嗷叫91九色| 亚洲精品无码永久在线观看| 法国啄木乌av片在线播放| 成人国产一区二区三区精品不卡| 成人大片免费视频播放一级| 国产又黄又爽又色的免费| 97人妻视频妓女网| 亚洲一区久久蜜臀av| 国产乱人偷精品人妻a片| 国产精品一区二区久久| 女优视频一区二区三区在线观看| 国产亚洲视频在线播放|