运用LVQ网络进行机械状态检测的研究.docVIP

精品论文 参考文献 运用LVQ网络进行机械状态检测的研究 运用LVQ网络进行机械状态检测的研究 杨克强1汪宏喜2 (1.安徽农业大学 信息与计算机学院安徽合肥230036；2.安徽农业大学 理学院安徽合肥230036)第一作者简介：杨克强（1984-），男，安徽六安人，安徽农业大学信息与计算机学院 计算机应用技术专业 07级研究生。 【摘要】 利用LVQ神经网络的原理和方法，用于检测某机械设备减速机的工作状态。这里将减速机状态分为正常状态、轻微故障状态和严重故障状态3类。在LVQ神经网络理论下，对影响减速机工作状态的要素进行分析，得出在LVQ神经网络模型下的特征属性，再结合MATLAB工具对减速机的工作状态进行检测，检测结果与实际表现相吻合。实验证明这种基于LVQ网络的分类方法是行之有效的。 【关键词】LVQ神经网络；状态分类；MATLAB； 【中图分类号】TP3P308【文献标识码】A【文章编号】1005-9646(2009)02-0121-01 近年来，随着计算机技术、模糊和人工智能技术的发展，使得系统的规模和复杂程度增加，设备的安全性和可靠性问题越来越突出，系统中出现的小故障可能造成系统瘫痪失效，人们期望建立一套检测、预警机制来防止故障的发生和发展。因此，机械设备的故障检测技术得到了很大程度的发展。尤其是以非线性并行分布处理为主流的神经网络理论的发展，为机械设备故障检测技术的研究提供了新的途径。本文介绍基于LVQ神经网络方法用MATLAB工具实现设备状态分类，确定减速机在实际运行中的工作状态。 1LVQ神经网络简介 1.1 LVQ神经网络结构。学习矢量量化的英文全称是Learning Vector Quantization,简称为LVQ。LVQ是三层网络结构，第一层为输入层，第二层为竞争层，第三层为线性层。竞争层和SOM网络的竞争层功能类似，用于对输入向量进行分类；线性层将竞争层传递过来的分类信息转换为使用者所定义的期望类别。通常将竞争层学习得到的类称为子类，经线性层的类称为期望类别。LVQ算法是在有教师状态下对竞争层进行训练的一种学习算法，它是从Kohonen竞争算法演化而来的。LVQ神经网络在模式识别有着广泛的应用。LVQ的网络结构如图1： 图1LVQ网络结构 1.2LVQ网络学习算法与过程。假定网络输入层的输入向量为X=(x1，x2，…，xN )， N为输入层神经元的数目；输入层和竞争层之间的连接权值矩阵： W1=(w11,w12,…w1p)(1) 。 w1i=(w1i2,w1iN)。其中w1ij ，i=1，2,…,p,j=1,2,…,N, 表示输入层第i个神经元和第j个神经元之间的连接权值，p为竞争层神经元的数目，竞争层的输出向量V=(v1,v2,…,w1iN) 竞争层与输出层神经元之间的连接权值矩阵为： W2=(w21,w22,…w2M)（2） 竞争层的每个神经元通过学习原型向量，并对输入空间进行分类。将竞争层学习得到的类称为子类，将输出层学习得到的类称为目标类。 LVQ神经网络的学习规则结合了竞争学习和有教师学习的规则，即需要一组正确网络行为例子来训练该网络。假定有以下的训练模式： {x1,t1},{x2,t2},…,{xQ,tQ}（3） 其中，每个目标输出向量tj(j=1,2,…Q) 有且只有一个分量为1，其他分量全部都为0。 通常把第一层的每个神经元指定给一个输出神经元，这样就可以定义矩阵W2。W2的列表示子类，行表示类。的每一列仅有一个1出现的行，表明这个子类属于该行表示的类，即： W2KR=1,有且仅有risin;R， 0，如果risin;R，(4) W1一旦定义好就不再改变，神经网络的学习是通过改进的Kohonen规则使W1改变来进行的，即在每次迭代过程中，将一个输入向量X提供给网络，并且通过竞争层计算每个原型向量与X之间的距离，与X的距离最近的神经元i* 获得竞争胜利，输出V的第 个元素设定为1*，通过下式计算得到输出向量Y的值 ： Y=W2V(5) 假定其序号为k* ，就表明X是指定给k*类的。 (1)如果分类正确，即若yk=tk=1 ，则获胜的隐含神经元将沿着X的方向移动，按照下式修正竞争层权值向量： i*w1(t+1)=i*w1(t)+eta;［p(t+1)-i*w1(t)］(6) (2)如果分类不正确，即若yk*=1 ，而tk* =0时，表示错误的隐含层神经元竞争获胜，则移动该神经元的权值远离X，修改竞争层权值向量： i*w1(t+1)=i*w1(t)-eta;［p(t+1)-i*w1(t)］(7) 经过这样的处理后，每个神经元移向那些落入形成子类的类中的向量，而远离那么落入其他类中的向量。 2.LVQ网络对减速机工作状态模型 影响减速机正常工作的参数有很多