[发明专利]一种基于SOM神经网络的岸桥电机状态聚类分析方法

权利要求书

1.一种基于SOM神经网络的岸桥电机状态聚类分析方法，其特征在于包括以下步骤：

步骤1：数据采集

在岸桥左、右侧起升电机的输出端上安装加速度传感器，设置时间间隔为每10秒采集一个振动烈度信号，并用信号调理采集器收集信号；将传感器、信号调理采集器、测点监控板和工控机等硬件设备连接在一起，让它们共同组成信号处理柜，并与计算机连接在一起，这样在岸桥操作间里就能直接对岸桥电机的工作状态进行监测，便于操作者管理和使用；

步骤2：SOM网络训练

步骤2.1：权值初始化

权值初始化的要求是使权值的初始位置与输入样本的分布区域充分重合，最常用的两种方法是：

(1)从岸桥起升电机振动烈度数据中选取一部分数据作为SOM神经网络的训练样本X＝[x₁,x₂,…,x_n]^T，并从所有的训练样本集中随机抽取m个输入样本作为初始权值；

W_j＝[w_j1,w_j2,…,w_jm]^T

式中：w_j1,w_j2,…,w_jm为初始权值；

(2)从岸桥起升电机振动烈度数据中选取一部分数据作为SOM神经网络的训练样本计算出全体样本的中心向量，在该中心向量基础上迭加小随机数作为权向量初始值；

步骤2.2：权值归一化

式中：w_ji为初始权值，||w_ji||为权值向量的欧几里得范数；

步骤2.3：训练样本归一化

式中：为训练样本，为训练样本向量的欧几里得范数,x_j为训练样本向量的第j个特征分量值；

步骤2.4：得到获胜神经元

将岸桥起升电机振动烈度归一化后的样本数据放入SOM神经网络的输入层，计算训练样本数据与权值向量的欧几里得距离，距离最小的神经元称为获胜神经元；

式中：d_j为训练样本数据与权值向量的欧几里得距离，其中：获胜神经元d_k＝min(d_j)；

步骤2.5：定义优胜邻域

优胜邻域以获胜神经元j*为中心确定t时刻的权值调整域N_j*(t)，初始邻域较大，训练过程中N_j*(t)随训练时间逐渐收缩，优胜邻域的大小用邻域的半径表示；

式中：C₁为与输出层节点数有关的大于零的常数，B₁为大于1的常数，T为预先设定的最大训练次数；

步骤2.6：调整权值

对优胜邻域内所有神经元调整权值，公式如下所示：

(i＝1,2,…,n,j∈N_j*(t))

式中：W_ij(t+1)为调整后的权值，η(t,N)是训练时间t和邻域内第j个神经元与获胜神经元j*之间的拓扑距离N的函数；

步骤2.7：判断是否达到训练要求

将每次训练后第j个神经元与获胜神经元拓扑距离的函数值η(t)与最初设定的最小的拓扑距离函数值η_min进行比较，若η(t)<η_min，结束网络训练，否则，返回步骤2.3继续执行以上步骤；

步骤3：输出聚类中心

网络训练完成，岸桥起升电机振动烈度数据的训练样本按照各数据之间的欧拉距离聚集成5种类别，每一种类别都有其聚类中心，将聚类中心输出，并统计每个聚类中心所属类别的数据的个数，计算出分好的每一类所占的比例以及每一类数据所在的区间，从而对岸桥起升电机的工作状态进行识别；

步骤4：反馈结果

通过SOM神经网络对岸桥起升电机振动烈度数据的聚类分析，得到电机振动烈度数据的聚类中心以及每一类的分类区间，根据电机振动烈度数据的大小，可以把电机工作状态分为良好、正常、注意、警告和危险这五种状态，并将其结果反馈给岸桥操作人员以及技术维修人员，从而对岸桥的下一步操作进行准确的判断。