鄭 波，馬 昕

（中國民用航空飛行學(xué)院教務(wù)處1，空中交通管理學(xué)院2：四川廣漢618307）

0 引言

航空發(fā)動機長期在高溫、高壓、強振動等惡劣工作環(huán)境下，受到腐蝕、磨損、疲勞、積污等侵害，不可避免地發(fā)生性能衰退、振動加劇、磨損嚴(yán)重等故障征兆[1]。開展航空發(fā)動機故障診斷研究對提高排故效率、縮短維修周期、降低維護成本、保障飛行安全具有重要意義。自20世紀(jì)60年代以來，航空發(fā)動機生產(chǎn)廠商和用戶對發(fā)動機的故障監(jiān)測、診斷方法進(jìn)行了大量研究，逐漸形成了基于發(fā)動機氣路性能監(jiān)控、滑油系統(tǒng)監(jiān)控、振動監(jiān)控和無損檢測的發(fā)動機故障診斷技術(shù)，使得航空發(fā)動機的維修保障水平得到顯著提高。美國聯(lián)合西方國家開發(fā)的聯(lián)合攻擊戰(zhàn)斗機（Joint Strike Fighter，JSF）項目，通過狀態(tài)監(jiān)控與健康管理技術(shù)，使得JSF與F-16戰(zhàn)斗機相比，在人力費用方面降低約30%，設(shè)備保障費用方面降低約50%，而架次生成率卻提高了約25%[2]。國內(nèi)自80年代開始逐漸開展航空發(fā)動機的故障診斷技術(shù)研究，有效提升了中國航空發(fā)動機的維修保障水平。1988年，北京飛機維修工程公司等4家單位聯(lián)合開發(fā)了發(fā)動機監(jiān)控和診斷（Engine Monitoring and Diagnosis，EMD）系統(tǒng)，實現(xiàn)了航空發(fā)動機的趨勢預(yù)測和故障診斷的功能[3]；國內(nèi)學(xué)者在總結(jié)航空燃?xì)鉁u輪發(fā)動機故障診斷中的各類數(shù)學(xué)模型方法的基礎(chǔ)上，出版了航空燃?xì)鉁u輪發(fā)動機故障診斷理論專著《航空發(fā)動機故障診斷導(dǎo)論》[4]，提高了中國航空發(fā)動機故障診斷的理論水平。

隨著傳感器技術(shù)的快速發(fā)展，基于數(shù)據(jù)驅(qū)動的故障診斷技術(shù)得到了廣泛應(yīng)用。傳統(tǒng)Kohonen（Traditional Kohonen，T-Kohonen）網(wǎng)絡(luò)作為基于數(shù)據(jù)驅(qū)動的智能數(shù)據(jù)處理方法，在樣本分類、模式識別中有廣泛應(yīng)用[5]。范作民、白杰等利用Kohonen網(wǎng)絡(luò)的自組織特效，提取航空發(fā)動機的運行特征，進(jìn)而識別航空發(fā)動機的運行狀態(tài)[6]?；贙ohonen網(wǎng)絡(luò)的數(shù)據(jù)聚類特性，Kohonen網(wǎng)絡(luò)在航空發(fā)動機滑油系統(tǒng)健康狀態(tài)評估中得到了廣泛應(yīng)用[7]，同時也被廣泛地應(yīng)用于電力[8]、機械[9]、網(wǎng)絡(luò)[10]等其他工業(yè)系統(tǒng)的故障診斷中。T-Kohonen網(wǎng)絡(luò)采用無導(dǎo)師競爭學(xué)習(xí)策略調(diào)整權(quán)值，使不同的神經(jīng)元對不同的輸入類別敏感，從而特定的神經(jīng)元在分類診斷中可以充當(dāng)某一輸入類別的判別器。研究表明：針對大樣本數(shù)據(jù)聚類問題，存在聚類結(jié)果不惟一性和不可辨識性的問題，限制了T-Kohonen網(wǎng)絡(luò)的應(yīng)用效果。

本文提出1種帶監(jiān)督策略的改進(jìn)的Kohonen（Improved Kohonen，I-Kohonen）網(wǎng)絡(luò)，該網(wǎng)絡(luò)利用混合粒子群優(yōu)化（Hybrid Particle Swarm Optimization，H-PSO）算法優(yōu)化網(wǎng)絡(luò)初始權(quán)值，克服T-Kohonen網(wǎng)絡(luò)存在的缺陷，以確保識別結(jié)果的惟一性和可辨識性。

1 T-Kohonen網(wǎng)絡(luò)

1.1 T-Kohonen網(wǎng)絡(luò)學(xué)習(xí)算法

T-Kohonen網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示。輸入層神經(jīng)元為1維陣列，神經(jīng)元數(shù)等于輸入向量的維數(shù)m，競爭層神經(jīng)元按2維陣列形式排列，取神經(jīng)元數(shù)為n，輸入層和輸出層神經(jīng)元之間由可變權(quán)值ω1ij（i=1，2，…，m;j=1，2，…，n）連接。

T-Kohonen網(wǎng)絡(luò)采用基于winner-take-all規(guī)則的競爭學(xué)習(xí)策略[11]，具體學(xué)習(xí)過程如下：

（1）網(wǎng)絡(luò)初始化。隨機設(shè)定m×n維權(quán)值ω1的初始值，設(shè)定領(lǐng)域范圍 R∈(rmin，rmax)，學(xué)習(xí)效率 η∈(ηmin，ηmax）以及網(wǎng)絡(luò)學(xué)習(xí)次數(shù)gmax的初始值。

（2）計算并確定獲勝神經(jīng)元。第t次學(xué)習(xí)的輸入樣本 x(t)=(x1，x2，…，xm)與競爭層神經(jīng)元 j之間的距離為歐式距離。把與輸入樣本x距離最小的競爭層神經(jīng)元c(t)作為t次學(xué)習(xí)獲勝神經(jīng)元，并令P為神經(jīng)元的位置，其中Pc(t)為獲勝神經(jīng)元c在第t次學(xué)習(xí)時的位置，Pk為神經(jīng)元k的位置。

（3）產(chǎn)生優(yōu)勝領(lǐng)域。以獲勝神經(jīng)元c(t)為中心的優(yōu)勝領(lǐng)域為

式中：k=1，2，…，n；函數(shù) norm(·)用于計算 2 神經(jīng)元間的歐氏距離；函數(shù)find(·)用于確定符合要求的神經(jīng)元；按下式自適應(yīng)更新R和η

（4）更新神經(jīng)元c(t)及其優(yōu)勝領(lǐng)域Nc(t)(k)的權(quán)值

（5）若 t+1＜gmax，則返回步驟（2），否則結(jié)束學(xué)習(xí)過程。

1.2 T-Kohonen網(wǎng)絡(luò)存在的問題

通過研究文獻(xiàn)[12]中的大樣本數(shù)據(jù)聚類問題，發(fā)現(xiàn)T-Kohonen網(wǎng)絡(luò)存在聚類結(jié)果不惟一性和不可辨識性問題。文獻(xiàn)[12]中的網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)見表1，因入侵?jǐn)?shù)據(jù)有38維，則輸入神經(jīng)元數(shù)為38，入侵?jǐn)?shù)據(jù)來自5個類別，競爭層神經(jīng)元往往要大于實際類別數(shù)，這是為了避免競爭所產(chǎn)生的死神經(jīng)元對聚類的影響[13]，故競爭層采用6×6的2維陣列。

圖1 T-Kohonen網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

表1 網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)[12]

1.2.1 未知樣本識別的不可辨識性

對于一些分屬不同類別，但差異性較小的訓(xùn)練數(shù)據(jù)，可能會出現(xiàn)映射同一神經(jīng)元的情況，導(dǎo)致未知樣本識別時的不可辨識性。對4000組訓(xùn)練數(shù)據(jù)聚類后的獲勝神經(jīng)元分布如圖2所示。

對于位置為（1，1）的神經(jīng)元而言，映射該神經(jīng)元的是100個類別為2的數(shù)據(jù)。但注意位置為（3，3）、（4，4）、（6，4）、（6，5）的神經(jīng)元，2 種類別的數(shù)據(jù)被映射到同一神經(jīng)元。在未知樣 本 被 劃 分 到（3，3）、（6，5）這 2個神經(jīng)元時，其為小數(shù)據(jù)類別的概率分別只有8.3%、4.6%，這一概率相對較小，可將未知樣本判入大數(shù)據(jù)類別；在未知樣本被劃分到（4，4）、（6，4）這 2 個神經(jīng)元時，其為小數(shù)據(jù)類別的概率分布是10.2%、38.4%，這一概率相對較大，則不宜再判入大數(shù)據(jù)類別。這就造成了對未知樣本識別時的不可辨識性。

圖2 獲勝神經(jīng)元分布

1.2.2 分類結(jié)果的不惟一性

網(wǎng)絡(luò)連接權(quán)值隨機設(shè)定，導(dǎo)致在劃分未知樣本類別時，用不同初始權(quán)值可能得到不同分類結(jié)果，使得分類結(jié)果具有隨機性，不利于工程應(yīng)用。如分別利用T-Kohonen網(wǎng)絡(luò)對文獻(xiàn)[12]中的數(shù)據(jù)進(jìn)行5次識別試驗，就能得出5個不同的準(zhǔn)確率數(shù)據(jù)，這正是由于初始權(quán)值隨機設(shè)定而造成的。

針對T-Kohonen網(wǎng)絡(luò)存在的2大問題，本文提出基于監(jiān)督的 Kohonen（Supervised Kohonen，SKohonen）網(wǎng)絡(luò)，使最終輸出結(jié)果為確定的類別，同時，利用H-PSO算法對初始權(quán)值進(jìn)行優(yōu)化，并將交叉驗證（Cross Validation，CV）產(chǎn)生的分類精度的平均值作為適應(yīng)度值，既能保證獲得分類的準(zhǔn)確率最高，又能保證分類的結(jié)果惟一。

2 S-Kohonen網(wǎng)絡(luò)

2.1 S-Kohonen網(wǎng)絡(luò)算法

S-Kohonen網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖3所示。通過在競爭層后加入輸出層，將無導(dǎo)師的學(xué)習(xí)策略變?yōu)橛袑?dǎo)師監(jiān)督的網(wǎng)絡(luò)，輸出層神經(jīng)元數(shù)與數(shù)據(jù)類別數(shù)相同，設(shè)為l，當(dāng)表征某一類別時，令該類對應(yīng)的神經(jīng)元為1，其余神經(jīng)元全為0。輸出層和競爭層通過n·l維權(quán)值矩陣ω2連接。

圖3 S-Kohonen網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

權(quán)值調(diào)整時，在調(diào)整輸入層和競爭層優(yōu)勝領(lǐng)域內(nèi)神經(jīng)元權(quán)值的同時，還要調(diào)整競爭層優(yōu)勝領(lǐng)域內(nèi)神經(jīng)元與輸出層之間的權(quán)值

式中：j=1，2，…，n；s=1，2，…，l；η1(t）為學(xué)習(xí)效率；YL為訓(xùn)練樣本所屬類別標(biāo)簽向量。

從輸入層到競爭層，為使同類神經(jīng)元逐漸集中，學(xué)習(xí)效率η隨學(xué)習(xí)次數(shù)逐漸減小，但從競爭層到輸出層，為使代表數(shù)據(jù)類別的輸出層神經(jīng)元獲得較大的權(quán)重值，從而清晰地表征未知樣本類別，學(xué)習(xí)效率η1隨學(xué)習(xí)次數(shù)逐漸增大，其自適應(yīng)更新為

對測試樣本ttest的識別通過如下2步實現(xiàn)：

（1）令Ptk為與ttest歐氏距離最短的第k個神經(jīng)元在分布圖中的位置，則Ptk為

T-Kohonen網(wǎng)絡(luò)正是通過位置為Ptk的神經(jīng)元所代表的訓(xùn)練數(shù)據(jù)類別來表征ttest的所屬類別。

（2）ttest的類別標(biāo)簽為

式（7）表明權(quán)值矩陣ω2的Ptk行最大值元素所對應(yīng)的列位置lo就是測試樣本ttest惟一的類別標(biāo)簽輸出。因用YL-ω2js（t）來更新ω2js（t+1），則ω2的初始值應(yīng)設(shè)為n·l維0值矩陣，使得在同一標(biāo)準(zhǔn)下權(quán)值逐漸累加，實現(xiàn)判別ttest類別的效果。

S-Kohonen網(wǎng)絡(luò)由于網(wǎng)絡(luò)連接權(quán)值ω1和ω2都是隨機設(shè)定的，利用文獻(xiàn)[12]中的4000組訓(xùn)練數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，并分別利用4000組訓(xùn)練數(shù)據(jù)和500組測試數(shù)據(jù)檢驗網(wǎng)絡(luò)的分類能力，共進(jìn)行5次試驗，結(jié)果見表2。雖然S-Kohonen網(wǎng)絡(luò)很好地解決了對未知樣本識別時的不可分辨性，但表2也直觀地反映了其分類結(jié)果不惟一性的問題依然存在。

表2 分類準(zhǔn)確率結(jié)果比較

2.2H-PSO算法

普通PSO（General Particle Swarm Optimization，G-PSO）算法見文獻(xiàn)[14]，本文提出H-PSO算法采用基于最優(yōu)個體策略的粒子自適應(yīng)繼承方式（Adaptive Inheritance Mode Based on the Best Individuals Strategy，AIM）策略來拓展整個解空間，同時引入自適應(yīng)檢測響應(yīng)機制（Adaptive Detecting Response Mechanism，ADRM）引導(dǎo)粒子群跳出局部最優(yōu)空間，確保獲得全局最優(yōu)解。

2.2.1 AIM策略

每個粒子代表1個潛在解，因?qū)B接權(quán)值尋優(yōu)，則單個粒子可表示為 pi=(p1，…，pm·n)，設(shè)群體極值為pg，通過隨機設(shè)定繼承系數(shù) s1、s2，其中 1≤s1＜s2≤m·n，將群體極值 pg=(pg1，…，pgm×n)的 s1～s2位間的值復(fù)制到粒子pi的s1～s2位間，通過繼承產(chǎn)生1個保留群體極值信息的新粒子pinew。

對pinew是否具有進(jìn)化下去的價值，則采用優(yōu)秀個體策略判斷，判斷方式為：若fitness(pi)＜fitnetss(pinew)，則繼承有效，用pinew替換pi，否則繼承無效，放棄pinew，其中fitness(·)為適應(yīng)度函數(shù)，用于表征PSO算法的尋優(yōu)效果。

2.2.2 ADRM策略

ADRM策略的原理為：每間隔α代進(jìn)化作1次適應(yīng)度值檢測，若當(dāng)前進(jìn)化到第α+i代，則檢測適應(yīng)度值 fitnessα+i(pg)＜fitness(pg)的變化是否超過規(guī)定閾值e。若超過，表明粒子群還在繼續(xù)搜索最優(yōu)解；若沒超過，則可能陷入局部最優(yōu)解，算法保存當(dāng)前最優(yōu)解，并觸發(fā)響應(yīng)：隨機更新粒子群中一定比例粒子（本文選取50%的粒子更新）的s3～s4位間的值，s3和s4也是隨機設(shè)定的，其中 1≤s3＜s4≤m·n，使部分粒子自動跳出該搜索區(qū)域，轉(zhuǎn)入其他區(qū)域繼續(xù)搜索。以后每隔α代繼續(xù)檢查，根據(jù)檢查結(jié)果作出是否響應(yīng)的判斷，直到滿足終止條件。

2.2.3 適應(yīng)度函數(shù)的確定

文獻(xiàn)[15]將 k-CV（k-Cross Validation）的交叉驗證精度作為適應(yīng)度函數(shù)值，其具體算法為：將原始數(shù)據(jù)隨機分成k組，將每組數(shù)據(jù)分別作1次測試數(shù)據(jù)，相應(yīng)的(k-1)組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，則可得k個分類準(zhǔn)確率，將k個分類準(zhǔn)確率的平均值作為適應(yīng)度值。本文同樣采用基于k-CV算法的適應(yīng)度函數(shù)來計算粒子Pi的適應(yīng)度值，以保障樣本訓(xùn)練時的分類準(zhǔn)確率。

利用I-Kohonen網(wǎng)絡(luò)對文獻(xiàn)[12]中的數(shù)據(jù)進(jìn)行處理（表2），通過對比可得：

（1）I-Kohonen網(wǎng)絡(luò)不僅避免了對未知樣本識別時的不可辨識性，還增強了Kohonen網(wǎng)絡(luò)在實際應(yīng)用中的通用性和容錯能力。

（2）AIM策略能保證群體極值信息被保留，并拓展了粒子搜索能力，確保對整個解空間的搜索。

（3）ADRM策略確保在長期進(jìn)化過程中引導(dǎo)粒子主動跳出局部最優(yōu)空間，避免了因連接權(quán)值隨機設(shè)定而導(dǎo)致的分類結(jié)果不惟一性問題，同時只隨機更改部分粒子s3～s4位間的值，保證了對粒子群“社會信息”的良好繼承，使得轉(zhuǎn)入其他區(qū)域搜索時，避免重復(fù)搜索，加快了收斂速度。

圖4 GE90發(fā)動機4種損傷

3 航空發(fā)動機損傷數(shù)據(jù)分類

利用孔探圖像可識別航空發(fā)動機內(nèi)部因過熱、振動、磨損、侵蝕、撞擊等形成的裂紋、撕裂、腐蝕、卷邊、燒傷、凹槽等各類損傷，這些損傷往往發(fā)生在發(fā)動機特定部件上，直接威脅發(fā)動機運行安全。利用基于內(nèi)容的圖像檢索（Content-Based Image Retrieval，CBIR）技術(shù)從顏色、紋理、形狀等提取圖像特征，建立圖像數(shù)據(jù)知識庫，有利于對未知圖像特征進(jìn)行識別[16]。

文獻(xiàn)[17]利用孔探GE90發(fā)動機獲得關(guān)于葉尖卷邊、腐蝕、裂紋和撕裂4類損傷的圖像，如圖4所示。提取4張圖像的10個紋理特征分別建立4類損傷圖像數(shù)據(jù)庫，共112組數(shù)據(jù)（見表3），其中特征f1為角2階矩均值，f2為角2階矩方差，f3為對比度均值，f4為對比度方差，f5為相關(guān)性均值，f6為相關(guān)性方差，f7為方差均值，f8為方差方差，f9為逆差矩均值，f10為逆差矩方差，D為損傷類型，1為葉尖卷邊，2為裂紋，3為撕裂，4為腐蝕。

為便于與文獻(xiàn)[17]進(jìn)行比較，將第1～42號數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，第43～84號數(shù)據(jù)作為測試數(shù)據(jù)1，第85～112號數(shù)據(jù)作為測試數(shù)據(jù)2，分別驗證網(wǎng)絡(luò)的分類能力。

設(shè)I-Kohonen網(wǎng)絡(luò)的最大學(xué)習(xí)次數(shù)gmax為1000，優(yōu)勝領(lǐng)域范圍R∈（0.4，1.5），學(xué)習(xí)效率η∈（0.01，0.1），η1∈（0.1，1），輸入層神經(jīng)元數(shù) m=10，因類別數(shù)為4，采用6×6的競爭層分布，競爭層神經(jīng)元數(shù)n=36，輸出層神經(jīng)元數(shù)l=4。

表3 GE90發(fā)動機孔探圖像特征數(shù)據(jù)

3.1 驗證H-PSO算法尋優(yōu)效果

H-PSO算法采用非線性慣性權(quán)重

式中：ωs為初始值；ωe為最終值；Tmax為最大進(jìn)化代數(shù)；t為當(dāng)前進(jìn)化代數(shù)。

設(shè)粒子種群數(shù)量為 50，Tmax=200，k-CV 為 10，響應(yīng) 閾 值 e=10-3，ωs=0.9，ωe=0.4， 加 速 因 子 c1=1.2，c2=1.7。為驗證H-PSO算法較G-PSO算法在尋優(yōu)方面的優(yōu)勢，分別對I-Kohonen網(wǎng)絡(luò)尋優(yōu)5次，得到5組共10個10×36維的最優(yōu)連接權(quán)值ω1，具體數(shù)值見表4。

第1組2種尋優(yōu)算法的最佳適應(yīng)度值和平均適應(yīng)度值比較如圖5所示。從圖中可見，H-PSO算法的最佳適應(yīng)度值在進(jìn)化到127代時再次發(fā)生改變，達(dá)到最大值82.91%，而G-PSO算法在第33代時達(dá)到81.57%，最終適應(yīng)度值再無變化。驗證了H-PSO算法具備盡可能地搜索整個解空間，且可自適應(yīng)跳出局部最優(yōu)空間的特性。

利用H-PSO和G-PSO優(yōu)化的分類結(jié)果比較見表4。從表中5組最優(yōu)連接權(quán)值訓(xùn)練I-Kohonen網(wǎng)絡(luò)后所得分類準(zhǔn)確率比較可見，H-PSO算法能夠獲得全局最優(yōu)解，使I-Kohonen網(wǎng)絡(luò)分類準(zhǔn)確率最高，且確保分類結(jié)果具有惟一性。

圖5 適應(yīng)度值變化的比較

3.2 驗證I-Kohonen網(wǎng)絡(luò)性能

為驗證I-Kohonen網(wǎng)絡(luò)的性能，分別從分類準(zhǔn)確率和時間開銷2方面對網(wǎng)絡(luò)性能進(jìn)行評價，并與T-Kohonen 網(wǎng)絡(luò)、LVQ 網(wǎng)絡(luò)[18]、BP 網(wǎng)絡(luò)[19]、SVM[20]進(jìn)行比較，同樣為了驗證分類結(jié)果的惟一性，任意選擇每個網(wǎng)絡(luò)的3組試驗數(shù)據(jù)，分類結(jié)果比較見表5。其中在試驗基礎(chǔ)上，確定LVQ網(wǎng)絡(luò)采用10×36的網(wǎng)絡(luò)結(jié)構(gòu)。BP網(wǎng)絡(luò)采用10×36×4的網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練目標(biāo)為0.001，網(wǎng)絡(luò)權(quán)值隨機確定。且各網(wǎng)絡(luò)迭代次數(shù)均為1000次。SVM采用高斯核函數(shù)，并利用遺傳算法對懲罰因子和核函數(shù)參數(shù)進(jìn)行優(yōu)化。

從表中可見，因有H-PSO對連接權(quán)值尋優(yōu)，I-Kohonen網(wǎng)絡(luò)分類準(zhǔn)確率最高，同時時間開銷也要高于T-Kohonen、BP、SVM的。而T-Kohonen依然存在不可辨識性。LVQ網(wǎng)絡(luò)同樣作為有導(dǎo)師監(jiān)督的競爭型網(wǎng)絡(luò)，時間開銷最大，這與其學(xué)習(xí)過程中權(quán)值更新方式有關(guān)，同時也反映出I-Kohonen網(wǎng)絡(luò)結(jié)構(gòu)在學(xué)習(xí)過程中的簡潔高效。BP網(wǎng)絡(luò)采用梯度下降的誤差反傳算法更新權(quán)值，收斂速度快，由于對數(shù)據(jù)進(jìn)行非線性映射，對相關(guān)性大的樣本識別率較差[21]，導(dǎo)致其分類準(zhǔn)確性最差。SVM對測試樣本1的分類準(zhǔn)確率較差，這與遺傳算法對其參數(shù)尋優(yōu)的效果有關(guān)系。除了I-Kohonen網(wǎng)絡(luò)，其他算法都存在分類結(jié)果不惟一性的問題。

表4 利用H-PSO和G-PSO優(yōu)化的分類結(jié)果比較

表5 基于不同算法的分類結(jié)果比較

4 結(jié)論

（1）本文在結(jié)構(gòu)上對T-Kohonen網(wǎng)絡(luò)進(jìn)行改進(jìn)，通過在競爭層后加入輸出層，將無導(dǎo)師的學(xué)習(xí)策略變?yōu)橛袑?dǎo)師監(jiān)督的網(wǎng)絡(luò)，有效避免了不可辨識性問題，同時網(wǎng)絡(luò)結(jié)構(gòu)簡潔，學(xué)習(xí)過程較快，增強了Kohonen網(wǎng)絡(luò)在分類故障診斷中的通用性和容錯能力。

（2）本文提出基于AIM和ADRM策略的H-PSO算法，拓展了粒子搜索整個解空間的能力，同時能自適應(yīng)地引導(dǎo)粒子跳出局部最優(yōu)空間，確保獲得全局最優(yōu)解。

（3）利用H-PSO算法優(yōu)化Kohonen網(wǎng)絡(luò)的連接權(quán)值，有效避免了T-Kohonen網(wǎng)絡(luò)因連接權(quán)值初始值隨機設(shè)定而導(dǎo)致的分類結(jié)果不惟一性的問題，并確保獲得最高分類準(zhǔn)確率，使得I-Kohonen網(wǎng)絡(luò)能夠滿足工程需求。