基于SOM网络的智能故障诊断系统

SOM网属于自组织映射神经网络，SOM神经网络接收外界的输入模式时，会分为不同的对应区域，各区域对不同的输入模式会有不同的响应特征，利用这个特征可以对输入模式进行分类。

以“胜者为王”为学习规则，SOM神经网络找出和输入向量最为相似的竞争层神经元（即获胜神经元），在一个以该神经元为中心的邻域内对本区域内的所有神经元的权值进行不同程度的调整，调整的原则是由远及近，由兴奋变为抑制，权值调整的结果是使竞争层的特定神经元变得对输入层的某些样本敏感，从而达到分类的目的。算法步骤如下：

1）找出获胜神经元：对于每一个输入模式向量X，竞争层的所有神经元对应的内星权向量W_j（j=1，2，…，m）均与X进行比较，将与X最为相似的神经元判为获胜神经元，其权值记为W_j^∗，相似性量度为X和W的欧氏距离或夹角余弦。

m是竞争层神经元个数。

d为输入向量X离获胜神经元的距离。

2）找出一个W_j^∗的一个邻域S_j，对于S_j内的所有权值进行调整。

3）权值调整：

α为学习率，随着t的增加，α的值在不断减小。

权值的调整是使得获胜结点更加接近输入样本，从而使竞争层的每一个神经元变为一个聚类中心。当向网络输入一个样本时，竞争层中哪个神经元获胜使输出为1，当前输入就归为哪类，以此判断监测系统的状态。(www.xing528.com)

参考文献^[13]将SOM算法应用到燃汽轮机的故障监测系统中。系统采用的结构如图5-5所示。

图5-5 基于SOM网络的故障诊断专家系统结构图

图中信号采集与预处理，主要是数据样本采集和知识表述的规范化。SOM神经网络采用层次结构来完成知识的存储和问题求解过程的推导，它接受规范化处理后的原始证据输入，给出处理后的结果，然后利用专家系统对其结果进行验证和解释，从而提高整个系统的推理速度和诊断的准确率。中心控制即是控制整个系统的输入和输出，以及系统的运行。

在故障诊断系统中，SOM网络监测诊断流程：

1）将各参数进行归一化预处理，同时初始化网络权值，从而减少输入向量中不同参数绝对数值大小对网络计算的影响；

2）建立一维映射拓扑模型，即设定输出层网格的形状和规模（不同的设定网格大小对拓扑映射图特征和网络训练精度影响较大，通常根据输入向量数和参数维数量进行设定）；

3）然后通过训练对故障样本进行特征识别，获得形成拓扑映射图的权值矩阵；

4）实现故障特征可视化分析，包括映射图可视化和参数关联性分析可视化；

5）故障诊断模块，输入新的故障到网络，通过它的映射点与故障模式向量的距离进行故障识别，故障识别测度由它的参数向量与最近模式向量的欧氏距离决定。

SOM网络通过对训练样本的学习，将知识以权值和阈值的形式存储在网络中；诊断时利用网络中的信息来完成不精确诊断推理。因此该方法容易实现系统的状态监测，精度分类能力强，诊断准确率高，有极大的应用潜力。