針對(duì)自組織特征映射(Self-Organizing Feature Map,SOM)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程依賴權(quán)值向量,網(wǎng)絡(luò)初始化的隨機(jī)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(luò)原始權(quán)值的學(xué)習(xí)規(guī)則。將優(yōu)化算法應(yīng)用于船舶輔鍋爐燃燒故障診斷的仿真研究中,對(duì)使用DMSVLCC模擬器運(yùn)行的樣本數(shù)據(jù)進(jìn)行分析,并與單一SOM網(wǎng)絡(luò)的分類結(jié)果進(jìn)行比較。仿真結(jié)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(jìn)行有效的準(zhǔn)確聚類,準(zhǔn)確度高于傳統(tǒng)的SOM網(wǎng)絡(luò),具有良好的可訓(xùn)練性和模式識(shí)別能力。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1 SOM網(wǎng)絡(luò)結(jié)構(gòu)圖

SOM網(wǎng)絡(luò)是一種可以進(jìn)行自組織學(xué)習(xí)的競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò),自適應(yīng)學(xué)習(xí)能力強(qiáng)、魯棒性好。其學(xué)習(xí)方式與人腦中的生物神經(jīng)網(wǎng)絡(luò)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(luò)結(jié)構(gòu)和相關(guān)參數(shù)[10]。SOM網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)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(dòng)性[11]....

圖2 SOM結(jié)合PSO的算法流程

SOM神經(jīng)網(wǎng)絡(luò)與其他競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)算法相比精度較高,收斂速度較快,但是權(quán)值的隨機(jī)初始化導(dǎo)致網(wǎng)絡(luò)環(huán)境復(fù)雜,影響收斂速度,且對(duì)于數(shù)據(jù)相識(shí)度較高的故障類型,識(shí)別準(zhǔn)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(luò),稱為P-SOM算法。算法將SOM神經(jīng)網(wǎng)絡(luò)的權(quán)值向量看作一個(gè)個(gè)粒子....

圖3 模擬器運(yùn)行界面

表1DMSVLCC輔鍋爐主要技術(shù)參數(shù)爐型項(xiàng)目名稱單位技術(shù)指標(biāo)D型水管鍋爐蒸發(fā)量kg/h4500設(shè)計(jì)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(shí)例分析

圖4 DMSVLCC船舶輔鍋爐燃油系統(tǒng)簡(jiǎn)圖

DMSVLCC輔鍋爐燃油簡(jiǎn)化系統(tǒng)管路如圖4所示,針對(duì)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(shè)置4種故障。在圖中管路上布置監(jiān)測(cè)點(diǎn),提取特征參數(shù)。在低負(fù)荷工況5種運(yùn)行狀態(tài)下分別采集輔鍋爐燃燒系統(tǒng)的12個(gè)參數(shù),表2為低負(fù)荷工況下DMSVLCC輔鍋爐燃燒系統(tǒng)部分參....

本文編號(hào)：4028372