唐 剛, 楊志啟, 胡 雄

(上海海事大學 物流工程學院 上海 201306)

基于SOFM的岸橋提升電機狀態(tài)識別及可視化

唐 剛, 楊志啟, 胡 雄

(上海海事大學 物流工程學院 上海 201306)

研究并分析自組織特征映射(self-organizing feature map, SOFM)神經網絡的結構和算法, 并應用于岸橋提升電機的狀態(tài)識別及可視化.通過運用SOFM, 對屬性約簡后的數據進行聚類及可視化分析，以有效值、脈沖指標和裕度指標為特征向量, 得到3種主要的電機狀態(tài), 并利用Matlab實現仿真可視化.通過對樣本數據處理, 實現電機狀態(tài)的準確識別, 從而更好地監(jiān)測岸橋提升電機, 同時也為機械狀態(tài)的識別和維護提供一種新途徑.

神經網絡; 自組織特征映射; 無監(jiān)督學習; 狀態(tài)識別; 可視化

在挖掘岸橋提升電機監(jiān)測信息之前, 通常無法得到數據的先驗知識.狀態(tài)識別, 即聚類分析, 是一種有效的監(jiān)測手段.借助非監(jiān)督學習的聚類算法可以有效解決上述問題.

岸橋提升電機多特征參數狀態(tài)識別是通過多個傳感器獲取樣本數據, 從而形成一個多維空間， 然后將數據降到低維空間中進行識別.在映射過程中, 高維空間數據的主要性質需要在低維空間中表現出來, 以提高電機狀態(tài)識別的準確性.

1 高維數據可視化及其方法

1.1高維數據可視化的概念

高維數據的變量形式通常為F=f(x1,x2, …xn),n為測點數.例如, 岸橋提升電機的監(jiān)測點有N個, 每個測點有9個特征值, 就組成了N×9維的數據. 高維數據的可視化表達，通常采用降低數據維數的方法, 借助非線性或線性的表達方式將高維數據轉化到人類容易理解的低維空間.線性方法不易表達復雜的高維信息, 但是采用非線性的方法進行降維時, 復雜數據會被認為其有效維數要比實際維數小, 這是由于其中有些維數并不影響數據本身的性質.有效維數的數據通常是根據樣本數據的顯著因子而定的, 即使有效維數不能在低維線性子空間顯示, 也應有一個低維非線性結構與之相對應[1].

1.2自組織特征映射模型的映射結

自組織特征映射(self-organizing feature map, SOFM)網共有兩層[2-5], 一是輸入層, 二是競爭層.其中, 競爭層和輸出層位于同一層.SOFM的映射結構如圖1所示.一維線陣是最簡單的, 每個競爭層的神經元之間都有側向連接; 二維平面線陣是最常用和最經典的方法, 每一個神經元側向與周圍神經元相連接, 形成一個矩陣形式.

(a) 一維線陣

(b) 二維平面線陣圖1 SOFM映射結構Fig.1 Feature structure of SOFM

1.3SOFM算法

SOFM是一種無監(jiān)督的自組織學習聚類算法.該算法通過對輸入數據進行學習, 依照優(yōu)勝鄰域內所有神經元的遠近距離的要求, 不同程度地調整權值, 從而確定空間權值密度, 使其與樣本數據的概率分布趨向相似, 此方法可以有效保證輸入的統(tǒng)計特征.

在SOFM模型的學習中, 通常取500

2 岸橋提升電機機械狀態(tài)聚類分析

2.1約簡數據

在提升電機的監(jiān)測中, 放置多個加速度傳感器，計算采樣數據的9個特征值, 即振動速度的方根幅值(Xr)、有效值(XRMS)、偏態(tài)指標(K3)、峭度指標(K4)、波形指標(K)、峰值指標(P)、脈沖指標(I)、裕度指標(L)和方差指標(S).各指標的數學表達式如式(1～(9)所示.

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

式中：xi為采樣所得離散數據點；N為一組數據點個數；μx為一組數據點的平均值；σx為一組數據點的標準差.

有效值和方根幅值可以反映能量的大小, 偏態(tài)指標和峭度指標能夠體現信號偏離正態(tài)分布的程度, 峰值指標和脈沖指標反映脈沖振動程度和沖擊能量的大小, 裕度指標反映電機對振動故障的敏感度, 波形指標和方差指標反映振動能量的波動程度[6-9].選取岸橋提升電機進行為期28 d的數據采樣, 得到相關的特征數據.取樣本數據每天4 000組, 對其進行聚類分析和可視化研究.通過屬性約簡降維, 然后歸一化處理得到結果如表1所示.

表1 特征值約簡結果Table 1 Reduction results of the eigenvalues

2.2數據聚類分析

利用Matlab實現SOFM算法, 首先對網絡拓撲結構進行構建和選擇.在對網絡拓撲的結構構建中, 根據相關算法和經驗, 在經多次調試選擇后進行確定.本次構建了6種拓撲結構, 神經元排列順序分別為1×3、2×3、3×3、4×5、4×7, 取η(t)=0.1, 并使每一種網絡結構達到一定的訓練次數, 從而使訓練后的網絡結構趨于穩(wěn)定, 得到結果如圖2所示.

(a) 1×3

(b) 2×3

(c) 3×3

(d) 4×3

(e) 4×5

(f) 4×7圖2 訓練后網絡拓撲結構Fig.2 Topology of training network

從圖2以及輸出結果可知, 當神經元個數過多, 存在神經元利用不充分的問題[10], 為了使網絡映射效果更具準確性, 需要選取適當的神經元結構.從圖2的聚類空間中可以看出, 數據可以分成3～9類, 網絡拓撲結構1×3和2×3不能達到精確分類, 網絡拓撲結構4×5和4×7的利用不充分. 為了更準確地表達, 選取神經元排列為3×3的網絡拓撲結構進行數據分析.

2.3數據聚類結果

對簡化后的數據進行歸一化處理, 然后運用SOFM算法處理[11], 取η(t)=0.1, 訓練次數Tepochs=[100 500 1 000 2 000 3 000 4 000], 得到不同學習次數后網絡拓撲結構如圖3所示.

(a) 100

(b) 500

(c) 1 000

(d) 2 000

(e) 3 000

(f) 4 000圖3 不同學習次數后網絡拓撲結構Fig.3 Network topology after different training epochs

為達到良好的訓練結果, 從圖3中選取訓練3 000 次的網絡拓撲結構，然后對數據進行處理, 并且學習速率取η(t)=0.1, 得到結果如圖4和表2所示.

圖4 訓練3 000次的網絡拓撲結構Fig.4 Network topology of 3 000 training times

時間ABCDEFGHI11000000002100000000300000100040100000005000100000600001000071000000008100000000900010000010000000100110010000001200000001013100000000140100000001510000000016100000000170000000011800000000119001000000

(續(xù) 表)

從圖4和表2中可以分析出聚類情況, 主要集中在A、D和G類, 其特征向量的裕度指標、有效值和脈沖指標均值如表3所示.

表3 聚類狀態(tài)指標 Table 3 Clustering state index

從表3中可以看出, 每種狀態(tài)的一組特征向量都有各自的特點.在一個月內, 由于岸橋都是處在正常的工作范圍內, 并未出現故障, 故本次的聚類指標差別不大, 從而驗證了網絡拓撲結構的正確性.故使用SOFM算法能夠實現準確的狀態(tài)識別和可視化, 并可以對機械狀態(tài)有更好的監(jiān)測.

本次數據處理所建立的閾值指標相對保守, 所以確定最大閾值數值時仍需要大量的數據計算, 從而建立閾值指標和標準化的正常機械工作狀態(tài)的特征參數值.利用本文方法可以建立不同機械的狀態(tài)數據庫, 能夠形成優(yōu)良的規(guī)劃系統(tǒng), 從而應用于實際機械狀態(tài)監(jiān)測和維護.相比其他機械安全監(jiān)測方法, 本文方法具有成本低、計算精確, 更適應于工業(yè)4.0的智能化處理, 但該方法也需要大量數據支持.當建立一定標準, 以后對其他機械采集數據處理時, 當出現特征向量指標差值超過最大閾值時, 與對應標準比較, 確定此機械的工作狀態(tài), 及時發(fā)現并檢查修理.

3 結 語

本文處理的數據是以天為單位對提升電機的狀態(tài)進行識別及可視化, 運用自組織映射網絡(SOFM)算法, 達到了很準確的聚類和可視化效果, 也可以以小時為單位, 對岸橋電機狀態(tài)進行更精確的狀態(tài)識別.對岸橋提升電機狀態(tài)的數據采集處理, 能夠對電機工作狀態(tài)進行準確的識別, 從而對岸橋提升電機提供更好的監(jiān)測, 保證提升電機正常穩(wěn)定的工作, 避免事故的發(fā)生.

[1] 王志欣. 岸橋機械動態(tài)特征信息的數據挖掘與狀態(tài)識別[D].上海: 上海交通大學機械與動力工程學院, 2008: 79-90.

[2] KOHONEN T. The self-organizing map[J]. Neurocomputing. 1998, 21(1): 1-6

[3] KOHONEN T. Self-organized formation of topologically correct feature maps[C]// Neurocomputing: Foundations of Research. MIT Press, 1988.

[4] 馬勇, 阮洋. 基于改進的SOFM神經網絡的矢量量化方法[J]. 計算機工程與科學, 2011, 33(12): 126-129.

[5] VESANTO J, ALHONIEMI E. Clustering of the self-organizing map[J]. IEEE Transaction on Neural Networks, 2000, 11(3): 586-600.

[6] 肖坤, 原思聰, 王丹. SOM神經網絡在旋轉機械故障診斷中的應用[J]. 機械設計與制造, 2010(11): 44-46.

[7] PENG K C C, SINGHOUSE W. Crane control using machine vision and wand following[C]// Mechatronics 2009. IEEE International Conference on. IEEE, 2009: 1-6.

[8] YANG L, OUYANG Z, SHI Y. A modified clustering method based on self-organizing maps and its applications[J]. Procedia Computer Science, 2012, 9(11): 1371-1379.

[9] 張裊娜, 王永慶, 李景帥. 基于SOM神經網絡的永磁同步電機故障診斷[J]. 吉林大學學報, 2012, 30(6): 555-560.

[10] IVRISSIMTZIS I, JEONG W K, SEIDEL H P. Using growing cell structures for surface reconstruction[C]// Shape Modeling International. IEEE Computer Society, 2003: 288.

[11] DAI S B, LEI W H, CHENG Y Z, et al. Clustering of DOA data in radar pulse base Don SOFM and CDBW[J]. Journal of Electronics (China), 2014, 31(2): 107-114.

(責任編輯:杜佳)

StateRecognitionandVisualizationofHoistingMotorofQuaysideContainerCraneBasedonSOFM

TANGGang,YANGZhiqi,HUXiong

(College of Logistics Engineering, Shanghai Maritime University, Shanghai 201306, China)

The neural network structure and algorithm of self-organizing feature map (SOFM) are researched and analyzed. Besides, the SOFM is applied to state recognition and visualization of the quayside hoisting motor. By using SOFM, the clustering and visualization of attribute reduction of data are carried out, and three kinds of motor states are obtained primarily with root mean square, impulse index and margin index, and the simulation visualization interface is realized by Matlab. It can realize accurate identification of the motor state through data processing, which would perform better monitoring to the quayside hoisting motor and provide a new way for the mechanical state recognition.

neural network; self-organizing feature map; unsupervised learning; state recognition; visualization

1671-0444 (2017)04-0559-06

2016-12-31

國家自然科學基金資助項目(31300783)；中國博士后科學基金資助項目(2014M561458)；教育部博士點基金聯合資助項目(20123121120004)；國家高技術研究發(fā)展計劃(863)資助項目(2013A2041106)；上海海事大學科研基金資助項目(20130474)；上海高校一流學科—管理科學與工程；上海市自然科學基金資助項目(13ZR1419200)；國家重點基礎研究發(fā)展計劃(973)資助項目(2011CB711000)

唐 剛(1982—)，男，重慶人，副教授，博士，研究方向為人機工程. E-mail: gangtang@shmtu.edu.cn