基于神经网络的抽油机故障诊断

3 仿真实验

实验数据为示功图图像[5]的三个特征参数如图3, 既 , 其中为段的弧度,为点与点的垂直距离,普通的SOM[2]神经网络的输入层节点数也等于输入矢量的维数,在本例中就是3,竞争层即输出层采取1*7的一维结构,训练次数为200次,改进的SOM在快学习阶段训练次数为80次,临域的初始半径为,学习率为。3,调整阶段训练次数为120次,临域初始半径为,学习率为。根据分析需要可以定义分类精度[6]

式中:参数为数据总数,为正确分类数,为精度。
式中:参数为数据总数,为正确分类数,为精度。
应用matlab建立所需的自组织特征映射神经网络[7] [8],并带入1400组数据(每种分类200组),对改进前和改进后的神经网络分别进行训练,分类结果的精度如上表1。

由示功图7个分类的聚类精度的对比可以看出,改进后的SOM的分类精度比改进前有了很大提高,提高幅度为21。4%,说明了对SOM神经网络学习速率以及收敛临域的改进可以有效的提高神经网络的聚类精度。

参考文献:
[1] HAMMERB,MICHELIA,SPERDUTIA.Recursive self-organizing network models [J].Neural Network,2004,17(8/9):1061-1085.
[2] 杨占华,杨燕.SOFM神经网络算法的研究与进展[J].计算机工程,2006,32(16):201-202,208.
[3] 王国学.高斯函数的性质及应用例析[J].高中数学教与学,2011,(7):9-11.
[4] 肖伟.初始化权值优化技术在机器人学习中的应用[J].电子学报,2005,33(9):1720-1722.
[5] 韩国庆,吴晓东,张庆生等.示功图识别技术在有杆泵工况诊断中的应用[J].石油钻采工艺,2003,25(5):70274.
[6] 张惟皎,刘春煌,李芳玉.聚类质量的评价方法[J].计算机工程,2005,31(20):10-12.
[7] 楼顺天,胡昌华等.基于MATLAB的系统分析与设计[M].西安:西安电子科技大学出版社,2001.9.
[8] 涂晓芝,颜学峰,钱峰。基于SOM网络的基因表达数据聚类分析[J].华东理工大学学报, 2006,32(8):992-996.