基于SOM神經網絡數據分類的某型裝甲車底盤典型故障診斷研究*

段疆宏 紀偉虎 孫興飛 葛希波 蘇井亮

（解放軍66157部隊 保定 072653）

1 引言

隨著科學與生產技術的發展，現代設備大多數集機電液于一體，結構越來越復雜，自動化程度越來越高。在工作過程中，故障發生的概率相對提高。裝甲車底盤由于其本身的結構異常復雜，難以用比較完備準確的模型對其機構、功能以及狀態等進行有效的描述，因而給故障診斷帶米了很大麻煩。近年來，隨著模式識別和神經網絡理論的引入，為故障診斷問題提供了一種新的解決途徑，特別是對于裝甲車輛底盤這類復雜系統。神經網絡的輸入輸出非線性映射特性、信息的分布存儲、并行處理和全局集體應用，特別是其高度的自組織和自學習能力，使其成為故障診斷的一種有效方法和手段。

2 SOM神經網絡概述

自組織特征映射網絡（Self Organizing Feature Map，SOM）是一個由全連接的神經元陣列組成的無教師、自組織、自學習網絡［1]。

自組織特征映射神經網絡根據輸入空間中輸入向量的分組進行學習和分類，在SOM網絡中，競爭層中的神經元會嘗試識別輸入空間臨近該神經元的部分，也就是說，SOM神經網絡既可以學習訓練數據輸入向量的分布特征，也可以學習訓練數據輸入向量的拓撲結構。在權值更新過程中，不僅獲勝神經元的權值向量得到更新，而且其近鄰神經元的權值向量也按照某個“近鄰函數”進行更新。這樣在開始時移動量很大，權值向量大致可按它們的最終位置來排序。這樣就形成了一種特殊的分類法，權值向量按照這樣一種方式變為有序，即它們在某個“彈性”網格上代表著輸入向量。如果網格的某個位置有變化，那么這種變化將影響到此神經元的近鄰。換句話說，要用若干個權值向量來表示一個數據集（輸入向量），每個權值向量表示某一類輸入向量的均值。通過訓練，可以建立起這樣一種布局，它使得每個權值向量都位于輸入向量聚類的中心。一旦SOM完成訓練，就可以用于對訓練數據或其他數據進行聚類［2～3]。

3 SOM神經網絡結構

典型SOM網絡結構如圖1所示，由輸入層和競爭層組成。輸入層神經個數為m，競爭層由a×b個神經元組成的二維平面陣列，輸入層與競爭層各神經元之間實現全連接。SOM網絡模型由以下四個部分組成［2]。

圖1 典型SOM網絡結構

1）處理單元陣列。用于接收時間輸入，并且形成對這些信號的“判別函數”。

2）比較選擇機制。用于比較“判別函數”，并選擇一個具有最大函數輸出值的處理單元。

3）局部互聯作用。用于同時激勵被選擇的處理單元及其最鄰近的處理單元。

4）自適應過程。用于修正被激勵的處理單元的參數，以增加其對應于特定輸入“判別函數”的輸出值。

4 SOM神經網絡學習算法

Kohonen自組織特征映射算法能夠自動找出輸入數據之間的類似度，將相似的輸入在網絡上就近配置，因此是一種可以構成對輸入數據有選擇地給予反應的網絡。Kohonen的自組織特征映射的學習算法步驟歸納如下［4～8]。

4.1 網絡初始化

用隨機數設定輸入層和映射層之間權值的初始值。對m個輸入神經元到輸出神經元的連接權值賦予較小的權值。選取輸出神經元j個“鄰接神經元”的集合Sj。其中，Sj(0)表示時刻t=0的神經元j的“鄰接神經元”的集合，Sj(t)表示時刻t的“鄰接神經元”的集合。區域Sj(t)隨著時間的增長而不斷縮小。

4.2 輸入向量的輸入

4.3 計算映射層的權值向量和輸入向量的歐式距離

在映射層，計算各神經元的權值向量和輸入向量的歐式距離。映射層的第j個神經元和輸入向量的距離如下所示：

式中，ωij為輸入層的i神經元和映射層的j神經元之間的權值。通過計算，得到一個具有最小距離的神經元，將其稱為勝出神經元，記為j*，即確定出某個單元k，使得對于任意的j，都有并給出其鄰接神經元集合。

4.4 權值的學習

按下式修正輸出神經元j*及其“鄰接神經元”的權值。

式中，η為一個大于0小于1的常數，隨著時間變化逐漸下降到0。

4.5 計算輸出οk

οk式中，f(*)一般為 0～1函數或者其他非線性函數。

4.6 是否達到預先設定的要求

如達到要求則算法結束；否則，則返回步驟4.2，進入下一輪學習。

SOM網絡的結構和映射算法研究表明，腦皮層的信息具有兩個明顯的特點：其一，拓撲映射結構不是通過神經元的運動重新組織實現的，而是由各個神經元在不同興奮狀態下構成一個整體，所形成的拓撲結構；其二，這種拓撲映射結構的形成具有自組織的特點。SOM網絡中神經元的拓撲組織就是它最根本的特征。對于拓撲相關而形成的神經元子集，權重的更新是相似的，且在這個學習過程中，這樣選出的子集將包含不同的神經元。

5 某型裝甲車底盤典型故障診斷概述

對于某型裝甲車底盤來說，最主要的故障是主動輪固定螺塞松動式甩掉［9]。結合某型裝甲車輛底盤關鍵部件綜合檢測系統，其中，主動輪與被動軸配合鍵齒的磨損（p1）、垸堤轉向時主動輪和側減速器受到的扭矩更大（p2）、地面障礙物對裝備底盤的沖擊信號（p3）、裝備換擋對主動輪的撞擊信號（p4）、裝備倒駛對主動輪的撞擊信號（p5）等特征是最能體現運行狀況的。本文診斷的故障也是基于此五類特征，分別是主動輪與被動軸產生相對運動（T1）、傳動裝置受到各排檔位的撞擊（T2）、地面障礙物對裝備底盤的沖擊（T3）、裝備換擋對主動輪的撞擊（T4）、裝備倒駛對主動輪的撞擊（T5）等五種故障。

5.1 模型建立［10～12]

本案例中給出了一個含有5個故障樣本的數據集。每個故障樣本中有5個特征，分別為主動輪與被動軸配合鍵齒的磨損（p1）、垸堤轉向時主動輪和側減速器受到的扭矩更大（p2）、地面障礙物對裝備底盤的沖擊信號（p3）、裝備換擋對主動輪的撞擊信號（p4）、裝備倒駛對主動輪的撞擊信號（p5），使用SOM網絡進行故障診斷。故障樣本如表1所示（數據已歸一化）。

表1 五種故障特征

應用SOM神經網絡診斷故障的步驟如下：

1）選取標準故障樣本；

2）對每一種標準故障樣本進行學習，學習結束后，對具有最大輸出的神經元標以該故障的記號；

3）將待檢樣本輸入到SOM神經網絡中；

4）若輸出神經元在輸出層的位置與某標準故障樣本的位置相同，說明待檢樣本發生了相應的故障；若輸出神經元在輸出層的位置介于很多標準故障之間，說明這幾種標準故障都有可能發生，且各故障的程度由該位置與相應標準故障樣本位置的歐氏距離確定。

5.2 顯示結果

圖2為網絡拓撲學習結構。

圖3為臨近神經元直接的距離情況。

如圖3所示，藍色代表神經元，紅色代表神經元直接的連接，每個菱形中的顏色表示神經元之間距離的遠近，從黃色到黑色，顏色越深說明神經元之間的距離越遠。圖4中藍色神經元表示競爭勝利的神經元。

圖2 6*6網絡拓撲學習結構

圖3 臨近神經元直接的距離情況

圖4 神經元競爭結果

聚類結果如表2所示。

表2 聚類結果

如表2所列：

當訓練步數為10時，故障原因1，3分為一類，2，4分為一類，5為單獨一類；

當訓練步數為30時，故障原因1，3分為一類，2，4，5為單獨一類；

當訓練步數為50時，故障原因1，3分為一類，2，4，5為單獨一類；

當訓練步數為100時，故障原因1，2，3，4，5為單獨一類，說明步數越大，故障種類劃分越來越細；

當訓練步數為200，500，1000時，故障原因1，2，3，4，5同樣為單獨一類，因此沒有繼續增加步數訓練的意義了。

舉例說明：現有一故障樣本［0.9512 1.0000 0.9458-0.4215 0.4218]，經過SOM神經網絡診斷，結果為31，說明故障種類為第31個競爭勝利出的神經元所代表的故障種類。

6 結語

SOM網絡的訓練步數影響網絡的聚類性能，本文發現100次就可以將樣本完全分開，這樣的話，就沒有必要訓練更多次了。另外，SOM網絡在l00次就可以很快地將樣本進行精確的分類，這比一般方法的聚類速度快。

需要注意的是，SOM程序執行時，每次執行后的結果不一樣，原因是每次的激發神經元可能不一樣，但是無論激活哪個神經元，最后分類的結果不會改變。