針對自組織特征映射(Self-Organizing Feature Map,SOM)神經(jīng)網(wǎng)絡訓練過程依賴權值向量,網(wǎng)絡初始化的隨機性影響收斂速度和聚類精度的缺陷,提出一種粒子群(Particle Swarm Optimization,PSO)算法優(yōu)化SOM神經(jīng)網(wǎng)絡原始權值的學習規(guī)則。將優(yōu)化算法應用于船舶輔鍋爐燃燒故障診斷的仿真研究中,對使用DMSVLCC模擬器運行的樣本數(shù)據(jù)進行分析,并與單一SOM網(wǎng)絡的分類結果進行比較。仿真結果表明,優(yōu)化后的算法能夠?qū)Υ拜o鍋爐某工況下故障樣本數(shù)據(jù)進行有效的準確聚類,準確度高于傳統(tǒng)的SOM網(wǎng)絡,具有良好的可訓練性和模式識別能力。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1 SOM網(wǎng)絡結構圖

SOM網(wǎng)絡是一種可以進行自組織學習的競爭型神經(jīng)網(wǎng)絡,自適應學習能力強、魯棒性好。其學習方式與人腦中的生物神經(jīng)網(wǎng)絡相似,可以自主尋找樣本數(shù)據(jù)中的本質(zhì)屬性和內(nèi)在規(guī)律,從而改變自身網(wǎng)絡結構和相關參數(shù)[10]。SOM網(wǎng)絡結構簡單,具有良好的非線性擬合性、生物神經(jīng)元特性和聚類自動性[11]....

圖2 SOM結合PSO的算法流程

SOM神經(jīng)網(wǎng)絡與其他競爭型神經(jīng)網(wǎng)絡算法相比精度較高,收斂速度較快,但是權值的隨機初始化導致網(wǎng)絡環(huán)境復雜,影響收斂速度,且對于數(shù)據(jù)相識度較高的故障類型,識別準確度下降。為了解決上述問題,本文使用PSO算法優(yōu)化神經(jīng)網(wǎng)絡,稱為P-SOM算法。算法將SOM神經(jīng)網(wǎng)絡的權值向量看作一個個粒子....

圖3 模擬器運行界面

表1DMSVLCC輔鍋爐主要技術參數(shù)爐型項目名稱單位技術指標D型水管鍋爐蒸發(fā)量kg/h4500設計壓力MPa2.2蒸汽壓力MPa0.6/2.0飽和蒸汽溫度℃215給水溫度℃85～95燃料種類F.O/D.O/MGO3實例分析

圖4 DMSVLCC船舶輔鍋爐燃油系統(tǒng)簡圖

DMSVLCC輔鍋爐燃油簡化系統(tǒng)管路如圖4所示,針對上述輔鍋爐燃燒系統(tǒng)可能出現(xiàn)的常見故障,在DMSVLSS模擬器上設置4種故障。在圖中管路上布置監(jiān)測點,提取特征參數(shù)。在低負荷工況5種運行狀態(tài)下分別采集輔鍋爐燃燒系統(tǒng)的12個參數(shù),表2為低負荷工況下DMSVLCC輔鍋爐燃燒系統(tǒng)部分參....

本文編號：4028372