粒子群优化神经网络在船舶辅锅炉故障诊断中的应用

发布时间：2025-01-17 19:03

　　 针对自组织特征映射(Self-Organizing Feature Map,SOM)神经网络训练过程依赖权值向量,网络初始化的随机性影响收敛速度和聚类精度的缺陷,提出一种粒子群(Particle Swarm Optimization,PSO)算法优化SOM神经网络原始权值的学习规则。将优化算法应用于船舶辅锅炉燃烧故障诊断的仿真研究中,对使用DMSVLCC模拟器运行的样本数据进行分析,并与单一SOM网络的分类结果进行比较。仿真结果表明,优化后的算法能够对船舶辅锅炉某工况下故障样本数据进行有效的准确聚类,准确度高于传统的SOM网络,具有良好的可训练性和模式识别能力。

【文章页数】：6 页

【部分图文】：

图1 SOM网络结构图

SOM网络是一种可以进行自组织学习的竞争型神经网络,自适应学习能力强、鲁棒性好。其学习方式与人脑中的生物神经网络相似,可以自主寻找样本数据中的本质属性和内在规律,从而改变自身网络结构和相关参数[10]。SOM网络结构简单,具有良好的非线性拟合性、生物神经元特性和聚类自动性[11]....

图2 SOM结合PSO的算法流程

SOM神经网络与其他竞争型神经网络算法相比精度较高,收敛速度较快,但是权值的随机初始化导致网络环境复杂,影响收敛速度,且对于数据相识度较高的故障类型,识别准确度下降。为了解决上述问题,本文使用PSO算法优化神经网络,称为P-SOM算法。算法将SOM神经网络的权值向量看作一个个粒子....

图3 模拟器运行界面

表1DMSVLCC辅锅炉主要技术参数炉型项目名称单位技术指标D型水管锅炉蒸发量kg/h4500设计压力MPa2.2蒸汽压力MPa0.6/2.0饱和蒸汽温度℃215给水温度℃85～95燃料种类F.O/D.O/MGO3实例分析

图4 DMSVLCC船舶辅锅炉燃油系统简图

DMSVLCC辅锅炉燃油简化系统管路如图4所示,针对上述辅锅炉燃烧系统可能出现的常见故障,在DMSVLSS模拟器上设置4种故障。在图中管路上布置监测点,提取特征参数。在低负荷工况5种运行状态下分别采集辅锅炉燃烧系统的12个参数,表2为低负荷工况下DMSVLCC辅锅炉燃烧系统部分参....

本文编号：4028372