[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

说明书

一种基于SOM神经网络的岸桥电机状态聚类分析方法，首先通过传感器采集到岸桥起升电机振动烈度数据，再利用SOM神经网络得到电机振动烈度数据的聚类中心和类别，根据电机振动烈度数据的大小，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，将结果反馈给岸桥技术人员，从而对岸桥的下一步操作进行准确的判断。本发明采用无监督神经网络，使用无标签数据，完全根据数据间的相似性进行聚类，避免了有监督学习采用有标签数据存在的主观性；本发明不需要借助于其他算法，可以自动处理各种类型的采样数据，具有很强的通用性和鲁棒性。此外，SOM神经网络算法结构简单,拥有高度的自组织和自学习能力，具有稳定、高效和抗干扰力强等优点。

技术领域：

本发明属于岸桥模式识别技术领域，具体涉及一种基于SOM神经网络的岸桥电机状态聚类分析方法。

技术背景：

本发明研究对象为岸桥式集装箱起重机，其作为高危运输机械，属于国家规定的特种设备。岸桥是港口机械设备的重要组成部分，在集装箱装卸中扮演着重要的角色，岸桥一旦发生故障，轻则延误货物装卸，造成企业经济损失，重则威胁岸桥操作人员的生命安全。因此，对岸桥式集装箱起重机的研究具有非常重要的意义。

由于岸桥式集装箱起重机的起升电机是岸桥的核心部件，经常需要带载荷长时间连续工作，且在工作期间不能进行停机检修，因此需要在工作时间对起升电机整体的运行状况进行识别，这样才能保证岸桥的正常作业。

由于岸桥起升电机的机械状态可以很好的反映电机的工作状态，所以可以直接对起升电机的机械状态进行检测评估。又因为岸桥起升电机工作环境恶劣，很多故障特征是通过振动的形式表现出来的，因此，一般选取电机的振动烈度数据进行研究。

通过在岸桥起升电机上安装传感器，采集到大量的振动烈度数据。这些数据隐藏着起升电机运行状态的各种信息，但是由于采集到的振动烈度数据量庞大、杂乱无章并且个别数据出现丢失，因此，对这些海量数据的处理与分析具有一定的挑战。

目前对岸桥起升电机状态的分析方法主要包括：(1)通过起升电机上测点的状态来人为地对电机工作状态进行评价；(2)使用有监督学习算法对岸桥电机采样数据进行网络训练，将采样数据分类，然后分析每一类数据的物理意义。

不足之处：方法(1)要求具有一定专业技术和现场经验的工程师才行，且每次判断的结果都带有一定的主观性，而且工作效率比较低。这显然不适合在一些大型港口和生产型企业中使用。方法(2)采用有监督学习算法，使用的都是带标签的训练数据，并且需要事先设置训练期望值，使得训练过程带有一定的主观性，对岸桥起升电机的状态识别不够准确。

发明内容：

针对上述的不足，本发明提出了一种基于SOM神经网络的岸桥电机状态聚类分析方法，旨在对岸桥上电机的现场测试数据进行聚类分析，从而达到对岸桥上电机工作状态进行检测和识别的作用。

对某一图形或某一频率的特定兴奋过程是自组织特征映射(SOM)神经网络竞争机制的生物学基础。生物学研究表明，在人脑的感觉通道上，神经元的组织原理是有序排列的。当外界的特定信息输入时，大脑皮层的特定区域兴奋，而且类似的外界信息在对应的区域是连续映像的。例如：生物视网膜中有许多特定的细胞对特定的图形比较敏感，当视网膜中有若干个接收单元同时受特定模式刺激时，就使大脑皮层中的特定神经元开始兴奋，输入模式接近，与之对应的兴奋神经元也接近；这种大脑皮层中神经元的响应特点不是先天安排好的，而是通过后天的无监督学习自组织形成的。

神经元的有序排列以及对外界信息的连续映像在自组织特征映射(SOM)神经网络中也有反映，当外界输入不同的样本时，网络中哪个位置的神经元兴奋在训练开始时是随机的。但自组织训练后会在竞争层形成神经元的有序排列，功能相近的神经元非常靠近，功能不同的神经元离的较远。这一特点与人脑神经元的组织原理十分相似。

基于SOM神经网络的岸桥电机状态聚类分析方法包含以下几步：