[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

摘要

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。

主权项

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$\widehat{w_{ji}}=\frac{w_{ji}}{\left|\right|w_{ji}\left|\right|},1\≤i\≤m$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$X=\frac{\hat{X}}{\left|\right|\hat{X}\left|\right|}={(\frac{x_1}{\sqrt{\underset{j=1}{\overset{n}{\Σ}}{x}_j^2}},\mathrm{...},\frac{x_n}{\sqrt{\underset{j=1}{\overset{n}{\Σ}}{x}_j^2}})}^T$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；$d_j=\left|\right|X-W_j\left|\right|=\sqrt{\underset{i=1}{\overset{m}{\Σ}}{\left(x_i\right(t)-{\mathrm{\ω}}_{ji}(t\left)\right)}^2}$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；$r\left(t\right)=C_1(1-\frac{t}{T})$$r\left(t\right)=C_1{e}^{-B_{1}t/T}$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：

×

专利文献下载

说明：

1、专利原文基于中国国家知识产权局专利说明书；

2、支持发明专利 、实用新型专利、外观设计专利（升级中）；

3、专利数据每周两次同步更新，支持Adobe PDF格式；

4、内容包括专利技术的结构示意图、流程工艺图或技术构造图；

5、已全新升级为极速版,下载速度显著提升！欢迎使用！

请您登陆后，进行下载，点击【登陆】 【注册】

友情链接：交换友情链接需要网站权重大于4，网站收录10W以上，如符合条件，请联系QQ：。

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

周一至周五 9:00-18:00

版权所有http://www.vipzhuanli.com/公布日期

咨询在线客服

tel code back_top

服务热线：

投诉建议：

扫一扫，微信关注钻瓜专利网

定制专利/购买专利

行业大牛为您服务 快来咨询~