Abstract: The SOM-BP network model based on the principal of self-organization network(SOM) and back pressure network(BP) was established. The faults and relative parameters of UCI for Mechanical analysis were used for the training samples of the model. Under the Matlab environment,through the simulation test and comparis on with BP network,correctness and accuracy of the composite neural network for blower fan failure diagnosis are verified.

Key words: Blower fan   BP neural network   SOM neural network   Fault diagnosi 

【中图分类号】U226.8+1 【文献标识码】B  文章编号1606-5123（2018）08-0000-00

1 引言

风机是我国对气体压缩和气体输送机械的习惯简称，通常是把旋转的机械能转换为气体压力能和动能，并将气体输送出去的机械。在风机的运转过程中，可能发生某些故障，对于所产生的故障，必须迅速查明原因，及时解决，防止事故的发生。虽然风机的故障类型繁多，原因也很复杂，但根据调查电厂实际运行中风机故障较多的是：转子不平衡、转子弯曲、油膜振荡、轴承裂纹、转子支承件松动等，这些故障都会引起风机在运行过程中的强烈振动[1-4]。

文献[5]采用时域检测、频域诊断，通过分析图谱来判断风机的工作状况及故障所在；文献[6]结合BP神经网络对风机进行故障诊断，但BP 算法存在学习速度慢、容易陷入局部极小值、预测结果精度不高等问题；文献[7]采用SOM神经网络实现风机的故障诊断，但SOM存在算法精度不高的缺陷；根据上述文献，提出了一种基于BP 和 SOM 神经网络的数据合并技术。而故障在系统中是不可避免的，及时发现故障、判断故障并做到及时处理故障，确保风机的安全运行及对工业上安全生产具有十分重要的意义。

2 SOM网络

2.1 SOM网络结构

自组织特征映射(Self-Organizing Feature Map,SOM)也称Kohonen网络，该网络是一个由全连接的神经元阵列组成的无导师、具有良好的自组织，可视化特性网络。典型的SOM网络结构[8]如图1所示，它由输入层、竞争层(映射层)组成，输入层神经元个数为m,竞争层是由a×b个神经元组成的二维图形，并保持其拓扑结构不变。SOM网络的典型特征可以在一维或者二维的处理单元结构上，形成对输入信号的特征拓扑分布，因此SOM网络具有抽象输入信号模式特征的能力。SOM网络一般只包含有一维阵列和二维阵列，但也可以推广到多维阵列处理单元中去。

2.2 SOM 神经网络算法步骤

3 BP神经网络

3.1 BP神经网络拓扑结构

BP网络（Back Propagation），是1986年由Rumelhart和McCelland为首的科学家提出，是一种按误差逆传播算法训练的多层前馈神经网络，该网络的主要特点是各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，构成具有层次结构的前向型神经网络系统。BP神经网络拓扑结构如图2所示，其拓扑结构由输入层、中间层(也称隐层)、和输出层构成。

 

如图3所示，SOM -BP复合神经网络是在传统的3层BP网络之间加入了一个SOM竞争层。首先对输入样本进行自聚类，降低维空间线性不可分样本映射到高维空间,使其线性可分，从而完成对输入样本的初步辨识，以减轻BP网络的识别压力和难度，然后通过BP网络的训练，进行输入到输出间的监督学习，从而完成输入到输出的非线性映射。

4 SOM-BP网络仿真试验

为验证SOM-BP神经网络模型在风机故障诊断中的可行性，本文以表1数据集作为测试数据。表1为对原始数据进行归一化处理后的样本,表2为测试样本，表3为期望输出。

5 结束语

基于SOM网络和BP网络各自的优点，建立了基于SOM-BP神经网络的风机故障诊断模型。通过多次仿真试验证明，相对于 BP网络算法，SOM-BP神经网络速度快，准确率高，迭代次数较少，避免了传统神经网络在风机故障诊断中需要大量样本或需高度训练的现象，具有易于实现的特点。

参考文献

[1]  盛兆顺,尹琦岭.设备状态监测与故障诊断技术及应用[M].北京:化学工业出版社,2003.

[2]  王辉萍.汽轮发电机组引风机异常振动研究[J].华北电力技术,2001(12):9-12.

[3]  贺世正.电厂大型风机的故障诊断和整机平衡[J].热能动力工程,1999.14(83):376-378.

[4]  朱宏,汪岚.浅析风机常见振动故障的特征及诊断标准[J].风机技术,2003(6):54-55.

[5]  汪光阳,周义莲.风机振动故障诊断综述[J].安徽工业大学学报,2006,23(1):64-68.

[6]  米江,纪国宜.改进的BP神经网络在风机故障诊断中的应用[J].噪声与震动控制,2011(2):94-98.

[7]  秦傲然,曾道英.基于SOM-BP神经网络的风机故障诊断研究[J].2009(1):50-52.

[8]  张为春,曾祥军.基于模糊PID控制的汽车底盘模拟测功机测控系统[J].农业机械学报,2006,37(12):17-19.

[9]  何德林,王耕耘,李志刚．复合神经网络及其在设计中的应用[J].中国机械工程,2002, 13(11):25- 27.

[10] 赵胜利,吴雅琴.基于SOM-BP复合神经网络的边坡稳定性分析[J].河北农业大学学报, 200 7, 30(3):105-108.