基于SOFM的岸橋提升電機(jī)狀態(tài)識(shí)別及可視化

唐 剛, 楊志啟, 胡 雄

(上海海事大學(xué) 物流工程學(xué)院 上海 201306)

基于SOFM的岸橋提升電機(jī)狀態(tài)識(shí)別及可視化

唐 剛, 楊志啟, 胡 雄

(上海海事大學(xué) 物流工程學(xué)院 上海 201306)

研究并分析自組織特征映射(self-organizing feature map, SOFM)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和算法, 并應(yīng)用于岸橋提升電機(jī)的狀態(tài)識(shí)別及可視化.通過(guò)運(yùn)用SOFM, 對(duì)屬性約簡(jiǎn)后的數(shù)據(jù)進(jìn)行聚類及可視化分析，以有效值、脈沖指標(biāo)和裕度指標(biāo)為特征向量, 得到3種主要的電機(jī)狀態(tài), 并利用Matlab實(shí)現(xiàn)仿真可視化.通過(guò)對(duì)樣本數(shù)據(jù)處理, 實(shí)現(xiàn)電機(jī)狀態(tài)的準(zhǔn)確識(shí)別, 從而更好地監(jiān)測(cè)岸橋提升電機(jī), 同時(shí)也為機(jī)械狀態(tài)的識(shí)別和維護(hù)提供一種新途徑.

神經(jīng)網(wǎng)絡(luò); 自組織特征映射; 無(wú)監(jiān)督學(xué)習(xí); 狀態(tài)識(shí)別; 可視化

在挖掘岸橋提升電機(jī)監(jiān)測(cè)信息之前, 通常無(wú)法得到數(shù)據(jù)的先驗(yàn)知識(shí).狀態(tài)識(shí)別, 即聚類分析, 是一種有效的監(jiān)測(cè)手段.借助非監(jiān)督學(xué)習(xí)的聚類算法可以有效解決上述問(wèn)題.

岸橋提升電機(jī)多特征參數(shù)狀態(tài)識(shí)別是通過(guò)多個(gè)傳感器獲取樣本數(shù)據(jù), 從而形成一個(gè)多維空間， 然后將數(shù)據(jù)降到低維空間中進(jìn)行識(shí)別.在映射過(guò)程中, 高維空間數(shù)據(jù)的主要性質(zhì)需要在低維空間中表現(xiàn)出來(lái), 以提高電機(jī)狀態(tài)識(shí)別的準(zhǔn)確性.

1 高維數(shù)據(jù)可視化及其方法

1.1高維數(shù)據(jù)可視化的概念

高維數(shù)據(jù)的變量形式通常為F=f(x1,x2, …xn),n為測(cè)點(diǎn)數(shù).例如, 岸橋提升電機(jī)的監(jiān)測(cè)點(diǎn)有N個(gè), 每個(gè)測(cè)點(diǎn)有9個(gè)特征值, 就組成了N×9維的數(shù)據(jù). 高維數(shù)據(jù)的可視化表達(dá)，通常采用降低數(shù)據(jù)維數(shù)的方法, 借助非線性或線性的表達(dá)方式將高維數(shù)據(jù)轉(zhuǎn)化到人類容易理解的低維空間.線性方法不易表達(dá)復(fù)雜的高維信息, 但是采用非線性的方法進(jìn)行降維時(shí), 復(fù)雜數(shù)據(jù)會(huì)被認(rèn)為其有效維數(shù)要比實(shí)際維數(shù)小, 這是由于其中有些維數(shù)并不影響數(shù)據(jù)本身的性質(zhì).有效維數(shù)的數(shù)據(jù)通常是根據(jù)樣本數(shù)據(jù)的顯著因子而定的, 即使有效維數(shù)不能在低維線性子空間顯示, 也應(yīng)有一個(gè)低維非線性結(jié)構(gòu)與之相對(duì)應(yīng)[1].

1.2自組織特征映射模型的映射結(jié)

自組織特征映射(self-organizing feature map, SOFM)網(wǎng)共有兩層[2-5], 一是輸入層, 二是競(jìng)爭(zhēng)層.其中, 競(jìng)爭(zhēng)層和輸出層位于同一層.SOFM的映射結(jié)構(gòu)如圖1所示.一維線陣是最簡(jiǎn)單的, 每個(gè)競(jìng)爭(zhēng)層的神經(jīng)元之間都有側(cè)向連接; 二維平面線陣是最常用和最經(jīng)典的方法, 每一個(gè)神經(jīng)元側(cè)向與周圍神經(jīng)元相連接, 形成一個(gè)矩陣形式.

(a) 一維線陣

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

1.3SOFM算法

SOFM是一種無(wú)監(jiān)督的自組織學(xué)習(xí)聚類算法.該算法通過(guò)對(duì)輸入數(shù)據(jù)進(jìn)行學(xué)習(xí), 依照優(yōu)勝鄰域內(nèi)所有神經(jīng)元的遠(yuǎn)近距離的要求, 不同程度地調(diào)整權(quán)值, 從而確定空間權(quán)值密度, 使其與樣本數(shù)據(jù)的概率分布趨向相似, 此方法可以有效保證輸入的統(tǒng)計(jì)特征.

在SOFM模型的學(xué)習(xí)中, 通常取500

2 岸橋提升電機(jī)機(jī)械狀態(tài)聚類分析

2.1約簡(jiǎn)數(shù)據(jù)

在提升電機(jī)的監(jiān)測(cè)中, 放置多個(gè)加速度傳感器，計(jì)算采樣數(shù)據(jù)的9個(gè)特征值, 即振動(dòng)速度的方根幅值(Xr)、有效值(XRMS)、偏態(tài)指標(biāo)(K3)、峭度指標(biāo)(K4)、波形指標(biāo)(K)、峰值指標(biāo)(P)、脈沖指標(biāo)(I)、裕度指標(biāo)(L)和方差指標(biāo)(S).各指標(biāo)的數(shù)學(xué)表達(dá)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(shù)據(jù)點(diǎn)；N為一組數(shù)據(jù)點(diǎn)個(gè)數(shù)；μx為一組數(shù)據(jù)點(diǎn)的平均值；σx為一組數(shù)據(jù)點(diǎn)的標(biāo)準(zhǔn)差.

有效值和方根幅值可以反映能量的大小, 偏態(tài)指標(biāo)和峭度指標(biāo)能夠體現(xiàn)信號(hào)偏離正態(tài)分布的程度, 峰值指標(biāo)和脈沖指標(biāo)反映脈沖振動(dòng)程度和沖擊能量的大小, 裕度指標(biāo)反映電機(jī)對(duì)振動(dòng)故障的敏感度, 波形指標(biāo)和方差指標(biāo)反映振動(dòng)能量的波動(dòng)程度[6-9].選取岸橋提升電機(jī)進(jìn)行為期28 d的數(shù)據(jù)采樣, 得到相關(guān)的特征數(shù)據(jù).取樣本數(shù)據(jù)每天4 000組, 對(duì)其進(jìn)行聚類分析和可視化研究.通過(guò)屬性約簡(jiǎn)降維, 然后歸一化處理得到結(jié)果如表1所示.

表1 特征值約簡(jiǎn)結(jié)果Table 1 Reduction results of the eigenvalues

2.2數(shù)據(jù)聚類分析

利用Matlab實(shí)現(xiàn)SOFM算法, 首先對(duì)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行構(gòu)建和選擇.在對(duì)網(wǎng)絡(luò)拓?fù)涞慕Y(jié)構(gòu)構(gòu)建中, 根據(jù)相關(guān)算法和經(jīng)驗(yàn), 在經(jīng)多次調(diào)試選擇后進(jìn)行確定.本次構(gòu)建了6種拓?fù)浣Y(jié)構(gòu), 神經(jīng)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(wǎng)絡(luò)結(jié)構(gòu)達(dá)到一定的訓(xùn)練次數(shù), 從而使訓(xùn)練后的網(wǎng)絡(luò)結(jié)構(gòu)趨于穩(wěn)定, 得到結(jié)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(xùn)練后網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.2 Topology of training network

從圖2以及輸出結(jié)果可知, 當(dāng)神經(jīng)元個(gè)數(shù)過(guò)多, 存在神經(jīng)元利用不充分的問(wèn)題[10], 為了使網(wǎng)絡(luò)映射效果更具準(zhǔn)確性, 需要選取適當(dāng)?shù)纳窠?jīng)元結(jié)構(gòu).從圖2的聚類空間中可以看出, 數(shù)據(jù)可以分成3～9類, 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)1×3和2×3不能達(dá)到精確分類, 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)4×5和4×7的利用不充分. 為了更準(zhǔn)確地表達(dá), 選取神經(jīng)元排列為3×3的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行數(shù)據(jù)分析.

2.3數(shù)據(jù)聚類結(jié)果

對(duì)簡(jiǎn)化后的數(shù)據(jù)進(jìn)行歸一化處理, 然后運(yùn)用SOFM算法處理[11], 取η(t)=0.1, 訓(xùn)練次數(shù)Tepochs=[100 500 1 000 2 000 3 000 4 000], 得到不同學(xué)習(xí)次數(shù)后網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)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(xué)習(xí)次數(shù)后網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.3 Network topology after different training epochs

為達(dá)到良好的訓(xùn)練結(jié)果, 從圖3中選取訓(xùn)練3 000 次的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，然后對(duì)數(shù)據(jù)進(jìn)行處理, 并且學(xué)習(xí)速率取η(t)=0.1, 得到結(jié)果如圖4和表2所示.

圖4 訓(xùn)練3 000次的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.4 Network topology of 3 000 training times

時(shí)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(biāo)、有效值和脈沖指標(biāo)均值如表3所示.

表3 聚類狀態(tài)指標(biāo) 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(diǎn).在一個(gè)月內(nèi), 由于岸橋都是處在正常的工作范圍內(nèi), 并未出現(xiàn)故障, 故本次的聚類指標(biāo)差別不大, 從而驗(yàn)證了網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的正確性.故使用SOFM算法能夠?qū)崿F(xiàn)準(zhǔn)確的狀態(tài)識(shí)別和可視化, 并可以對(duì)機(jī)械狀態(tài)有更好的監(jiān)測(cè).

本次數(shù)據(jù)處理所建立的閾值指標(biāo)相對(duì)保守, 所以確定最大閾值數(shù)值時(shí)仍需要大量的數(shù)據(jù)計(jì)算, 從而建立閾值指標(biāo)和標(biāo)準(zhǔn)化的正常機(jī)械工作狀態(tài)的特征參數(shù)值.利用本文方法可以建立不同機(jī)械的狀態(tài)數(shù)據(jù)庫(kù), 能夠形成優(yōu)良的規(guī)劃系統(tǒng), 從而應(yīng)用于實(shí)際機(jī)械狀態(tài)監(jiān)測(cè)和維護(hù).相比其他機(jī)械安全監(jiān)測(cè)方法, 本文方法具有成本低、計(jì)算精確, 更適應(yīng)于工業(yè)4.0的智能化處理, 但該方法也需要大量數(shù)據(jù)支持.當(dāng)建立一定標(biāo)準(zhǔn), 以后對(duì)其他機(jī)械采集數(shù)據(jù)處理時(shí), 當(dāng)出現(xiàn)特征向量指標(biāo)差值超過(guò)最大閾值時(shí), 與對(duì)應(yīng)標(biāo)準(zhǔn)比較, 確定此機(jī)械的工作狀態(tài), 及時(shí)發(fā)現(xiàn)并檢查修理.

3 結(jié) 語(yǔ)

本文處理的數(shù)據(jù)是以天為單位對(duì)提升電機(jī)的狀態(tài)進(jìn)行識(shí)別及可視化, 運(yùn)用自組織映射網(wǎng)絡(luò)(SOFM)算法, 達(dá)到了很準(zhǔn)確的聚類和可視化效果, 也可以以小時(shí)為單位, 對(duì)岸橋電機(jī)狀態(tài)進(jìn)行更精確的狀態(tài)識(shí)別.對(duì)岸橋提升電機(jī)狀態(tài)的數(shù)據(jù)采集處理, 能夠?qū)﹄姍C(jī)工作狀態(tài)進(jìn)行準(zhǔn)確的識(shí)別, 從而對(duì)岸橋提升電機(jī)提供更好的監(jiān)測(cè), 保證提升電機(jī)正常穩(wěn)定的工作, 避免事故的發(fā)生.

[1] 王志欣. 岸橋機(jī)械動(dòng)態(tài)特征信息的數(shù)據(jù)挖掘與狀態(tài)識(shí)別[D].上海: 上海交通大學(xué)機(jī)械與動(dòng)力工程學(xué)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(jìn)的SOFM神經(jīng)網(wǎng)絡(luò)的矢量量化方法[J]. 計(jì)算機(jī)工程與科學(xué), 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(jīng)網(wǎng)絡(luò)在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J]. 機(jī)械設(shè)計(jì)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(jīng)網(wǎng)絡(luò)的永磁同步電機(jī)故障診斷[J]. 吉林大學(xué)學(xué)報(bào), 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(zé)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(guó)家自然科學(xué)基金資助項(xiàng)目(31300783)；中國(guó)博士后科學(xué)基金資助項(xiàng)目(2014M561458)；教育部博士點(diǎn)基金聯(lián)合資助項(xiàng)目(20123121120004)；國(guó)家高技術(shù)研究發(fā)展計(jì)劃(863)資助項(xiàng)目(2013A2041106)；上海海事大學(xué)科研基金資助項(xiàng)目(20130474)；上海高校一流學(xué)科—管理科學(xué)與工程；上海市自然科學(xué)基金資助項(xiàng)目(13ZR1419200)；國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(973)資助項(xiàng)目(2011CB711000)

唐 剛(1982—)，男，重慶人，副教授，博士，研究方向?yàn)槿藱C(jī)工程. E-mail: gangtang@shmtu.edu.cn