基于SOM神经网络数据分类的某型装甲车底盘典型故障诊断研究*
段疆宏 纪伟虎 孙兴飞 葛希波 苏井亮
（解放军66157部队 保定 072653）
摘要 论文针对某型装甲车底盘典型故障和故障表现进行了梳理分析，运用SOM神经网络对其典型故障进行了诊断，达到了故障分类的目的。
关键词 SOM神经网络；故障种类；诊断；装甲车底盘
1 引言
随着科学与生产技术的发展，现代设备大多数集机电液于一体，结构越来越复杂，自动化程度越来越高。在工作过程中，故障发生的概率相对提高。装甲车底盘由于其本身的结构异常复杂，难以用比较完备准确的模型对其机构、功能以及状态等进行有效的描述，因而给故障诊断带米了很大麻烦。近年来，随着模式识别和神经网络理论的引入，为故障诊断问题提供了一种新的解决途径，特别是对于装甲车辆底盘这类复杂系统。神经网络的输入输出非线性映射特性、信息的分布存储、并行处理和全局集体应用，特别是其高度的自组织和自学习能力，使其成为故障诊断的一种有效方法和手段。
2 SOM神经网络概述
自组织特征映射网络（Self Organizing Feature Map，SOM）是一个由全连接的神经元阵列组成的无教师、自组织、自学习网络［1]。
自组织特征映射神经网络根据输入空间中输入向量的分组进行学习和分类，在SOM网络中，竞争层中的神经元会尝试识别输入空间临近该神经元的部分，也就是说，SOM神经网络既可以学习训练数据输入向量的分布特征，也可以学习训练数据输入向量的拓扑结构。在权值更新过程中，不仅获胜神经元的权值向量得到更新，而且其近邻神经元的权值向量也按照某个“近邻函数”进行更新。这样在开始时移动量很大，权值向量大致可按它们的最终位置来排序。这样就形成了一种特殊的分类法，权值向量按照这样一种方式变为有序，即它们在某个“弹性”网格上代表着输入向量。如果网格的某个位置有变化，那么这种变化将影响到此神经元的近邻。换句话说，要用若干个权值向量来表示一个数据集（输入向量），每个权值向量表示某一类输入向量的均值。通过训练，可以建立起这样一种布局，它使得每个权值向量都位于输入向量聚类的中心。一旦SOM完成训练，就可以用于对训练数据或其他数据进行聚类［2～3]。
3 SOM神经网络结构
典型SOM网络结构如图1所示，由输入层和竞争层组成。输入层神经个数为m ，竞争层由a ×b 个神经元组成的二维平面阵列，输入层与竞争层各神经元之间实现全连接。SOM网络模型由以下四个部分组成［2]。
总而言之,高血压合并冠心病患者临床中我们推介使用中西结合治疗方式,对患者的血压和血脂改善效果突出,患者的并发症几率显著下降,临床中可以进行推广使用。
图1 典型SOM网络结构
2）比较选择机制。用于比较“判别函数”，并选择一个具有最大函数输出值的处理单元。
1）处理单元阵列。用于接收时间输入，并且形成对这些信号的“判别函数”。
3）局部互联作用。用于同时激励被选择的处理单元及其最邻近的处理单元。
当然，野村谷名贵树木不止于银杏。万亩山林，珍稀树种应有尽有。白龙山乃大别山一支，绿色基因库资源一脉相承。
4）自适应过程。用于修正被激励的处理单元的参数，以增加其对应于特定输入“判别函数”的输出值。
4 SOM神经网络学习算法
Kohonen自组织特征映射算法能够自动找出输入数据之间的类似度，将相似的输入在网络上就近配置，因此是一种可以构成对输入数据有选择地给予反应的网络。Kohonen的自组织特征映射的学习算法步骤归纳如下［4～8]。
4.1 网络初始化
用随机数设定输入层和映射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。选取输出神经元j 个“邻接神经元”的集合Sj 。其中，Sj (0)表示时刻t =0的神经元j 的“邻接神经元”的集合，Sj (t )表示时刻t 的“邻接神经元”的集合。区域Sj (t )随着时间的增长而不断缩小。
4.2 输入向量的输入
如达到要求则算法结束；否则，则返回步骤4.2，进入下一轮学习。
4.3 计算映射层的权值向量和输入向量的欧式距离
在映射层，计算各神经元的权值向量和输入向量的欧式距离。映射层的第j 个神经元和输入向量的距离如下所示：
式中，ωij 为输入层的i 神经元和映射层的j 神经元之间的权值。通过计算，得到一个具有最小距离的神经元，将其称为胜出神经元，记为j *，即确定出某个单元k ，使得对于任意的j ，都有
并给出其邻接神经元集合。
4.4 权值的学习
按下式修正输出神经元j *及其“邻接神经元”的权值。
图3为临近神经元直接的距离情况。
4.5 计算输出οk
οk 
式中，f (*)一般为 0～1函数或者其他非线性函数。
青岛的国际啤酒节是以啤酒为主题，融经贸、旅游、文化于一体的大型节庆活动，已经成为彰显青岛城市个性优势与魅力的盛大节日
当然，绿色印刷的实现，不能仅仅依靠局部的改变，应从印刷所需原料的采购，到印前、印刷、印后的全过程着手，进行绿色改革。比如在原辅材料采购上，盛通印刷采用通过国家环境标志认证的纸张、油墨和润版液等，选择与在生产经营活动中实施环境保护措施的材料供应商合作，要求供应商提供材料的绿色认证，并在使用前进行环保测试。盛通印刷的纸张供应商均通过了FSC、PESC等认证。
4.6 是否达到预先设定的要求
把输入向量
输入给输入层。
1.4统计学方法 应用SPSS21.0统计软件包进行统计学分析,计量资料用(±s)表示,采用t检验;计数资料用X2进行检验,用%表示,P<0.05表示统计学有意义。
5 某型装甲车底盘典型故障诊断概述
对于某型装甲车底盘来说，最主要的故障是主动轮固定螺塞松动式甩掉［9]。结合某型装甲车辆底盘关键部件综合检测系统，其中，主动轮与被动轴配合键齿的磨损（p 1）、垸堤转向时主动轮和侧减速器受到的扭矩更大（p 2）、地面障碍物对装备底盘的冲击信号（p 3）、装备换挡对主动轮的撞击信号（p 4）、装备倒驶对主动轮的撞击信号（p 5）等特征是最能体现运行状况的。本文诊断的故障也是基于此五类特征，分别是主动轮与被动轴产生相对运动（T 1）、传动装置受到各排档位的撞击（T 2）、地面障碍物对装备底盘的冲击（T 3）、装备换挡对主动轮的撞击（T 4）、装备倒驶对主动轮的撞击（T 5）等五种故障。
通过上面的分析，《诗经》中的食谱可谓是一道亮丽的风景线，周代的食物烹饪方法、饮食结构等已经比较丰富了，也折射出了中国饮食有着渊远流长、博大精深的文明历史！
5.1 模型建立［10～12]
图2为网络拓扑学习结构。
SOM网络的结构和映射算法研究表明，脑皮层的信息具有两个明显的特点：其一，拓扑映射结构不是通过神经元的运动重新组织实现的，而是由各个神经元在不同兴奋状态下构成一个整体，所形成的拓扑结构；其二，这种拓扑映射结构的形成具有自组织的特点。SOM网络中神经元的拓扑组织就是它最根本的特征。对于拓扑相关而形成的神经元子集，权重的更新是相似的，且在这个学习过程中，这样选出的子集将包含不同的神经元。
表1 五种故障特征
应用SOM神经网络诊断故障的步骤如下：
1）选取标准故障样本；
煤炭资源开采由浅部向深部发展是客观的必然规律，也是世界上众多产煤国家面临的共同问题。德国、波兰、俄罗斯、英国等的开采深度部分矿区超过1000m[1,2]，目前我国东部新汶、平顶山、淮南、徐州、开滦、邢台等矿区相继进入了超千米开采阶段，最大开采深度到1450m[3,4]。煤炭资源进入超千米开采后，地应力急剧增高、围岩节理裂隙发育，巷道围岩呈现出明显的软岩变形特征，导致巷道维护极其困难，成为制约超千米深井煤炭资源高效开采的关键。
2）对每一种标准故障样本进行学习，学习结束后，对具有最大输出的神经元标以该故障的记号；
2）建立流动人口控管系统。各部门要对出入人口，尤其在人口流动量大的地方配备安检设施，防患于未然的防止安全事故的发生，在夜间要加强警力，加强巡查。
3）将待检样本输入到SOM神经网络中；
4）若输出神经元在输出层的位置与某标准故障样本的位置相同，说明待检样本发生了相应的故障；若输出神经元在输出层的位置介于很多标准故障之间，说明这几种标准故障都有可能发生，且各故障的程度由该位置与相应标准故障样本位置的欧氏距离确定。
5.2 显示结果
本案例中给出了一个含有5个故障样本的数据集。每个故障样本中有5个特征，分别为主动轮与被动轴配合键齿的磨损（p 1）、垸堤转向时主动轮和侧减速器受到的扭矩更大（p 2）、地面障碍物对装备底盘的冲击信号（p 3）、装备换挡对主动轮的撞击信号（p 4）、装备倒驶对主动轮的撞击信号（p 5），使用SOM网络进行故障诊断。故障样本如表1所示（数据已归一化）。
式中，η 为一个大于0小于1的常数，随着时间变化逐渐下降到0。
如图3所示，蓝色代表神经元，红色代表神经元直接的连接，每个菱形中的颜色表示神经元之间距离的远近，从黄色到黑色，颜色越深说明神经元之间的距离越远。图4中蓝色神经元表示竞争胜利的神经元。
图2 6*6网络拓扑学习结构
图3 临近神经元直接的距离情况
图4 神经元竞争结果
聚类结果如表2所示。
表2 聚类结果
如表2所列：
当训练步数为10时，故障原因1，3分为一类，2，4分为一类，5为单独一类；
特别，若ai=0,bi=+∞，则C={x∈Rn:xi≥0}。对∀u∈Rn，PC(u)=(max(xi,0))i。
当训练步数为30时，故障原因1，3分为一类，2，4，5为单独一类；
当训练步数为50时，故障原因1，3分为一类，2，4，5为单独一类；
当训练步数为100时，故障原因1，2，3，4，5为单独一类，说明步数越大，故障种类划分越来越细；
当训练步数为200，500，1000时，故障原因1，2，3，4，5同样为单独一类，因此没有继续增加步数训练的意义了。
举例说明：现有一故障样本［0.9512 1.0000 0.9458-0.4215 0.4218]，经过SOM神经网络诊断，结果为31，说明故障种类为第31个竞争胜利出的神经元所代表的故障种类。
6 结语
SOM网络的训练步数影响网络的聚类性能，本文发现100次就可以将样本完全分开，这样的话，就没有必要训练更多次了。另外，SOM网络在l00次就可以很快地将样本进行精确的分类，这比一般方法的聚类速度快。
在数学知识体系的构建中，数学概念的建立是必不可少的。《小学数学新课程标准》明确指出：“改进数学概念教学，强调通过实际情境使学生体念、感受和理解。”因此在教学过程中，一旦引出概念，就必须揭示事物的本质属性与共同特征，弄清楚概念产生的原由。概念是抽象的、严密的，并且蕴含着丰富的内涵。如何引导学生学习抽象的概念呢？这需要教师从学生日常生活中所熟悉的事物入手，将严密且抽象的概念通过创设生动且真实的问题情境引入，使学生明确问题、自主探究、通过小组协作的方式完成学习任务，这也成为了概念课教学的研究方向，同时也与抛锚式教学的环节相辅相成。因此，可以认为小学数学概念课的教学是基于真实问题的抛锚式教学。
需要注意的是，SOM程序执行时，每次执行后的结果不一样，原因是每次的激发神经元可能不一样，但是无论激活哪个神经元，最后分类的结果不会改变。
参考文献
［1]自组织映射SOM型神经网络的实现［EB/OL].https：//wenku.baidu.com/view/313c42f29b89680203d825bf.html.
［2]杨占华，杨燕.SOM神经网络算法的研究与进展［J].计算机工程，2006，32（16）：201-202.
［3]胡桂莉，喻昕，黄秋婵.基于SOM神经网络的移动客户细分研究［J].微型机与应用，2015，34（23）：5l-53.
［4]沈海峰，李东升等.基于Kohonen自组织特征映射神经元网络图像分割方法研究［J].计算机应用与软件，2004，21（9）：78-79.
［5]余金宝，谷立臣等.利用SOM网络可视化方法诊断液压系统故障［J].工程机械，2007，38（12）：54-56.
［6]赵志高，魏巍，蔡佳明，等.自组织竞争神经网络SOM在轴承故障诊断应用［EB/OL].http：//www.doc88.com/p-3197646681022.html.
［7]侯淼，刘陈帅，王保荣.基于灰色关联分析的SOM神经网络在葡萄分类中的应用［J].智能计算机与应用，2017，7（6）：42-46.
［8]匡胤.基于人工神经网络的系统建模及MATLAB实现［J].四川理工学院学报，2007，20（5）：6-8.
［9]装甲车辆故障定量诊断的方法［EB/OL].https：//wenku.baidu.com/view/7d70f6c3951ea76e58fafab069dc5022aaea 4695.html.
［10]飞思科技产品研发中心.神经网络理论与MATLAB7实现［M].北京：电子工业出版社，2005：231-255.
［11]张德丰.Matlab神经网络应用设计［M].北京：机械工业出版社，2008：50-77.
［12]周开利，康耀红.神经网络模型及其MATLAB仿真程序设计［M].北京：清华大学出版社，2005：117-122.
Research on Typical Fault Diagnosis of a Certain Armored Vehicle
Chassis Based on SOM Neural Network for Data Classification
DUAN Jianghong JI Weihu SUN XingfeiGE Xibo SU Jingliang
（No.66157 Troops of PLA，Baoding 072653）
Abstract In this paper，the typical faults and fault manifestations of a certain armored vehicle chassis are sorted out and analyzed，and the typical faults are diagnosed by SOM neural network，which achieves the purpose of fault classification.
Key Words SOM neural network，fault types，diagnosis，armored vehicle chassis
中图分类号 TN183
DOI： 10.3969/j.issn.1672-9730.2019.09.037
*收稿日期： 2019年3月12日，
修回日期： 2019年4月25日
作者简介： 段疆宏，男，助理工程师，研究方向：车辆底盘故障模型建设分析与排除。纪伟虎，男，硕士，助理工程师，研究方向：机电一体化。孙兴飞，男，工程师，研究方向：车辆底盘故障模型建设分析与排除。葛希波，男，技师，研究方向：机电一体化。苏井亮，男，技师，研究方向：机电一体化。
Class Number TN183
标签：SOM神经网络论文; 故障种类论文; 诊断论文; 装甲车底盘论文; 解放军66157部队论文;