SOM网络在电机转子故障诊断应用中的可视化分析

SOM网络(自组织特征映射神经网络)模拟大脑神经系统,具有自适应、自学习与联想功能,是一种无导师学习网络,最大优点是能够保持原始数据的拓扑结构,在数据分类、知识获取、过程监控和故障识别等领域中应用广泛。将其用于电机转子的故障诊断,着重利用U矩阵图和D矩阵图等可视化工具对其分类结果进行仿真与分析,并与SOM网络一般聚类结果进行比较。结论表明,SOM网络的可视化方法简单、直观、易懂,对故障的判别率较高。     

SOM神经网络在全液压钻机液压系统故障诊断中的应用

利用神经网络的非线性映射及其高度的自组织和自学习能力,将SOM网络应用于钻机液压系统的故障诊断。根据钻机液压系统故障的特点,选取能够表征全液压钻机故障特点的样本,设计相应的SOM神经网络,并在MATLAB环境下实现了对网络的训练和仿真实验,表明该方法有很强的实用性,为全液压钻机的故障诊断提供了一种途径。     

SOM神经网络在复合材料损伤监测中的应用

总结研究了自组织特征映射(SOM)神经网络的结构及学习算法,提出了利用SOM神经网络对输入样本的"聚类"作用及MATLAB神经网络工具箱来实现对故障模式的分类,通过U矩阵图对其分类结果进行仿真与分析的新方法。结果表明:该网络对复合材料损伤监测的诊断故障能够准确识别和分类,与一般可视化界面相比,此方法可视化界面更简单直观,故障识别率高,应用于材料无损检测是有效可行的。     

基于SOM神经网络的矿井提升机减速器齿轮故障诊断

在分析自组织特征映射神经网络（SOM）的结构和学习算法的基础上,利用自组织特征映射神经网络建立了提升机减速器齿轮故障诊断模型。该网络模型效率高,无需监督,能自动对输入模式进行聚类。应用Matlab神经网络工具箱进行仿真。仿真结果表明自组织特征映射神经网络有较强的聚类功能,用于减速器齿轮故障诊断是准确和可靠的。     

用神经网络评估进口铁矿石品位波动及品质特性

借助于神经网络的BP网、自组织竞争网、自组织特征映射(SOM)网,利用进口铁矿石品质数据库历史积累作为学习样本,分别对交货批铁矿石的品位波动、铁矿石品质特性分类进行网络训练、仿真模拟.目的是将新的人工智能技术引入进口铁矿石的检验,将日常检验工作人员从繁重的劳动量中解放出来,用技术手段提高人的工作效率.同时,也可将神经网络与进口铁矿石品质特性分类结合,为政府职能部门的政策措施出台提供依据,为广大钢铁企业的原料选择提供参考.     

基于SOM神经网络的煤矿智能变电站故障录波启动判据算法

由于传统故障录波启动判据算法具有一定局限性,论文提出一种基于SOM神经网络的算法。以A相电流越限为例进行了算法的研究,依次完成SOM神经网络的构建,网络训练以及聚类预测,将输入向量归一化后输入到训练好的SOM网络中,输出结果会在二维平面阵列中显示出来,网络拓扑结构中的蓝色神经元代表A相越限,此时需要启动录波。为了验证模型的正确性,依次将维数不同的两组向量输入网络模型中,输出结果表明,基于SOM神经网络的故障录波启动判据算法自适应能力较强,能有效地完成录波启动,误差较小。     

基于SOM神经网络的智能变电站故障录波启动判据算法

 由于传统故障录波启动判据算法具有一定局限性,本文提出一种基于SOM神经网络的算法。以A相电流越限为例进行了算法的研究,依次完成SOM神经网络的构建,网络训练以及聚类预测,将输入向量归一化后输入到训练好的SOM网络中,输出结果会在二维平面阵列中显示出来,网络拓扑结构中的蓝色神经元代表A相越限,此时需要启动录波。为了验证模型的正确性,依次将维数不同的两组向量输入网络模型中,输出结果表明,基于SOM神经网络的故障录波启动判据算法自适应能力较强,能有效地完成录波启动,误差较小。     

自组织人工神经网络与聚类法在矿区沉积物分类中实用性对比

确切判定淮北矿区新第三纪沉积物成因类型,分别用自组织人工神经网络（SOM）和聚类分析方法对宿南等矿区的19组样本进行分类.对比发现SOM的分类结果与实际情况更吻合.从机理和应用方式上探讨了两种方法的功能差异,证明SOM方法分类操作过程简便易行,具有残缺自动识别能力,分类结果唯一,在沉积物无监督成因分类中,优于聚类分析方法.     

基于SOM网络的矿井提升机制动器可视化故障诊断

介绍了应用自组织特征映射(SOM)网络进行可视化故障诊断的方法,以矿井提升机的制动器为研究对象,建立制动器的可视化故障诊断模型,利用可视化工具对分类结果进行仿真和分析。结果表明,SOM网络可视化方法简单、形象直观,能够对故障模式进行准确识别,为矿井提升机的制动器故障诊断提供了一种新方法。     

RBF网络在地质样品元素含量预测中的应用

人工神经网络具有自组织、自学习、非线性逼近能力，其中的径向基函数（RBF）网络是以函数逼近理论为基础而构造的一类前向网络，这类网络的学习等价于在高维空间中寻找训练数据的最佳拟合平面。对攀枝花已知地质样品的X射线荧光计数数据进行归一化，并用自组织神经网络进行分类后，采用RBF网络的OLS算法预测攀枝花未知地质样品的Ti元素含量，预测数据与化学分析数据的相对误差均小于0.5%，结果比较理想。     

基于人工神经网络的煤种聚类分析

为对煤样所属煤种进行快速分类,测量了76个不同煤种样品的发热量、灰分、挥发分、硫分四项参数。基于Matlab7.1中的人工神经网络工具,以自编程序设计BP神经网络模型,并应用该模型分析了煤样的所测参数,预测了实验煤样所属煤种。结果表明:模型精度较高,适用于煤种的快速分类。     

SOM神经网络在塔式起重机常见故障诊断中的应用

塔式起重机的故障具有多样性,出现故障后,难于在较短时间内准确判别故障类型。通过SOM神经网络对输入样本进行"聚类",实现对故障模式的自动分类。据此对故障进行诊断,并在MATLAB环境下给出了塔式起重机故障诊断的具体实例。结果表明该方法可以对故障进行有效、准确地诊断,从而为塔式起重机的故障诊断提供了一种新的途径。     

基于SOM网络的带式输送机齿轮箱混合故障诊断研究

针对带式输送机齿轮箱故障信号成分复杂、故障识别难的问题,提出了基于自组织映射(SOM)网络的故障诊断方法。首先使用融入Shannon熵的小波降噪方法对齿轮箱振动信号进行预处理;然后利用齿轮箱不同状态的信号通过高斯混合分布模型对其参数使用最大期望算法进行估计,获得反映不同运行状态的特征向量;最后使用SOM网络对齿轮箱不同工况振动信号的特征进行分类识别,进而诊断出相应故障。结果表明:该方法可以有效地识别齿轮箱混合故障,总识别正确率达90%,其中有6种工况的识别正确率达100%。     

基于小波遗传神经网络的大型直线振动筛故障诊断

以大型直线振动筛侧帮裂纹为研究对象,利用小波分析对振动信号进行降噪处理和故障特征提取,设计系统故障诊断的BP神经网络,并用遗传算法对网络结构、参数和学习规则进行优化。通过样本训练和测试,这种小波遗传神经网络具有较高的故障识别能力、分类精度和速度。