SOM论文 _原创精品文档.pdfVIP

基于SOM神经网络的塔式起重机常见故障诊断

谷立臣，叶远芹

（西安建筑科技大学机电工程学院，陕西西安，710055）

[摘要]塔式起重机是一种典型的建筑机械，其故障具有多样性，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。据此对塔机常见故障进行诊断，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。

[关键词]塔式起重机SOM神经网络聚类故障诊断

ApplicationofSelf-organizingFeatureMapNeuralNetworkfor

CommonFaultDiagnosisofTowerCrane

thefailures,itisdifficulttoaccuratelydiscriminatethefaulttypeimmediately.TheSOMneural

faultdiagnosisintheMATLABenvironmentisgiven.Theresultsshowthatthemethodcan

effectivelyandaccuratelydiagnosesthefaults.Therefore,anewwayisprovidedforthetower

craneforitscommonfaultdiagnosis.

Keywords:towercraneSOMneuralnetworkclusteringeffectfaultdiagnosis

在塔式起重机的常见故障诊断中，神经网络方面的应用研究主要集中在对单一故障的诊

断，例如传统的多输入、多输出的BP神经网络诊断模型。由于传统BP网络的识别能力都

是通过将要识别的故障类型所对应的样本数据作为网络学习的“知识来源”进行网络的训练，

因此，这种网络诊断模型就只能识别所学习过的“知识”类型，而不具备其它知识的“联想

能力”。也就是说，如果所建立的故障诊断网络模型是针对单一故障模式而言，那么它就不

能对多故障进行有效的诊断。如果要使其具有多发故障的诊断能力，势必增加各种多故障的

学习样本，使输入空间在训练过程中被样本空间完全覆盖。显然,这样不仅大大增加了样本

空间的容量，,也大大加重了网络的学习训练负担。因此，将自组织特征映射(SOM)神经网

络应用于塔式起重机的故障诊断中很有实际价值，该方法具有结构算法简单、无监督自学习

和侧向联想等功能，经故障实例验证可对塔式起重机的故障进行有效诊断。

1SOM神经网络工作原理

1.1SOM神经网络结构

SOM人工神经网络的结构如图1-1所示。该网络由输入层和输出层（也称竞争层）组

成。其中输入层的神经元个数的选取按输入网络的向量个数而定，输入神经元接收网络的输

入信号，输出层则是由神经元按一定的方式排列成一个平面。输入层的神经元与输出层的神

经元通过权值相互联结在一起。当网络接收到外部的输入信号以后，输出层的某个神经元便

会兴奋起来。

图1-1SOM网络结构

1.2SOM神经网络的学习算法

SOM神经网络采用的算法称为Kohonen算法,即获胜的神经元对其邻近神经元的影响

是由近及远,由兴奋逐渐变为抑制。不仅获胜神经元要调整权值,它周围的神经元也要不同程

度地调整权向量。Kohonen的自组织特征映射的学习算法步骤如下：

（1）网络初始化

用随机数设定输入层与输出层之间权值的初始值。对m个输入神经元到输出神经元的连接

权值赋予较小的权值。

（2）输入向量的输入

T

把输入向量x=[x,x,x,…x]输入给输入层。

123n

（3）计算输出层的权值向量和输入向量的距离（欧氏距离）

在输出层，计算各神经元的权值向量和输入向量的欧氏距离，输出层的第j个神经元和输入

m