運(yùn)用LVQ網(wǎng)絡(luò)進(jìn)行機(jī)械狀態(tài)檢測的研究

1、運(yùn)用lvq網(wǎng)絡(luò)進(jìn)行機(jī)械狀態(tài)檢測的研究運(yùn)用lvq網(wǎng)絡(luò)進(jìn)行機(jī)械狀態(tài)檢測的研究楊克強(qiáng)1汪宏喜2(1.安徽農(nóng)業(yè)大學(xué)信息與計算機(jī)學(xué)院安徽合肥230036； 2.安徽農(nóng)業(yè)大學(xué)理學(xué)院 安徽合肥230036)第一作者簡介：楊克強(qiáng)(1984-),勢，安徽六安人，安徽農(nóng)業(yè) 大學(xué)信息與計算機(jī)學(xué)院計算機(jī)應(yīng)用技術(shù)專業(yè)07級研究牛。【摘要】利用lvq神經(jīng)網(wǎng)絡(luò)的原理和方法，用于檢測某機(jī)械設(shè)備減速機(jī)的 工作狀態(tài)。這里將減速機(jī)狀態(tài)分為正常狀態(tài)、輕微故障狀態(tài)和嚴(yán)重故障狀態(tài)3 類。在lvq神經(jīng)網(wǎng)絡(luò)理論下，對影響減速機(jī)工作狀態(tài)的要素進(jìn)行分析，得出在 lvq神經(jīng)網(wǎng)絡(luò)模型下的特征屬性，再結(jié)合matlab工具對減速機(jī)的工作狀態(tài)進(jìn)行 檢測，

2、檢測結(jié)果與實際表現(xiàn)相吻合。實驗證明這種基于lvq網(wǎng)絡(luò)的分類方法是行 之有效的?！娟P(guān)鍵詞】lvq神經(jīng)網(wǎng)絡(luò)；狀態(tài)分類；matlab；【中圖分類號jtp3p3 08文獻(xiàn)標(biāo)識碼a文章編號11005-9646(2009)02-0121-01近年來，隨著計算機(jī)技術(shù)、模糊和人工智能技術(shù)的發(fā)展，使得系統(tǒng)的規(guī)模和 復(fù)雜程度增加，設(shè)備的安全性和可靠性問題越來越突擊，系統(tǒng)中出現(xiàn)的小故障可 能造成系統(tǒng)癱瘓失效，人們期望建立一套檢測、預(yù)警機(jī)制來防止故障的發(fā)牛和發(fā) 展。因此，機(jī)械設(shè)備的故障檢測技術(shù)得到了很大程度的發(fā)展。尤其是以非線性并 行分布處理為主流的神經(jīng)網(wǎng)絡(luò)理論的發(fā)展，為機(jī)械設(shè)備故障檢測技術(shù)的研究提供 了新的途徑。木

3、文介紹基于lvq神經(jīng)網(wǎng)絡(luò)方法用matlab工具實現(xiàn)設(shè)備狀態(tài)分類, 確定減速機(jī)在實際運(yùn)行中的工作狀態(tài)。1 lvq神經(jīng)網(wǎng)絡(luò)簡介1.1 lvq神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。學(xué)習(xí)矢量量化的英文全稱是learning vector quantization, 簡稱為lvq。lvq是三層網(wǎng)絡(luò)結(jié)構(gòu)，第一層為輸入層，第二層為競爭層，第三層 為線性層。競爭層和som網(wǎng)絡(luò)的競爭層功能類似，用于對輸入向量進(jìn)行分類； 線性層將競爭層傳遞過來的分類信息轉(zhuǎn)換為使用者所定義的期望類別。通常將競 爭層學(xué)習(xí)得到的類稱為子類，經(jīng)線性層的類稱為期望類別。lvq算法是在有教師 狀態(tài)下對競爭層進(jìn)行訓(xùn)練的一種學(xué)習(xí)算法，它是從kohonen競爭算法演化而

4、來 的。lvq神經(jīng)網(wǎng)絡(luò)在模式識別有著廣泛的應(yīng)用。lvq的網(wǎng)絡(luò)結(jié)構(gòu)如圖圖1lvq網(wǎng)絡(luò)結(jié)構(gòu)1.2lvq網(wǎng)絡(luò)學(xué)習(xí)算法與過程。假定網(wǎng)絡(luò)輸入層的輸入向量為x=(xl, x2,，xn ),n為輸入層神經(jīng)元的數(shù)目；輸入層和競爭層之間的連接權(quán)值矩陣：wl=(wll/wl2,wlp)(l) owli=(wli2/wlin)o 其中 wlij , i=l, 2/-,p,j=l,2/-,n,表示輸入層第 i 個神經(jīng)元和 第j個神經(jīng)元之間的連接權(quán)值，p為競爭層神經(jīng)元的數(shù)目，競爭層的輸出向量 v=(vl,v2/-wlin)競爭層與輸出層神經(jīng)元之間的連接權(quán)值矩陣為：w2=(w21/w22,w2m) (2)競爭層的每個神經(jīng)

5、元通過學(xué)習(xí)原型向量，并對輸入空間進(jìn)行分類。將競爭層學(xué)習(xí) 得到的類稱為子類，將輸出層學(xué)習(xí)得到的類稱為目標(biāo)類。lvq神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則結(jié)合了競爭學(xué)習(xí)和有教師學(xué)習(xí)的規(guī)則，即需要一組正確 網(wǎng)絡(luò)行為例子來訓(xùn)練該網(wǎng)絡(luò)。假定有以下的訓(xùn)練模式：xl,tl,x2,t2/-,xq,tq(3)其中，每個目標(biāo)輸出向量tj(j二12q)有口只有一個分量為1,其他分量全部都 為oo通常把第一層的每個神經(jīng)元指定給一個輸出神經(jīng)元，這樣就可以定義矩陣w2o w2的列表示子類，行表示類。的每一列僅有一個1出現(xiàn)的行，表明這個子類屬 于該行表示的類，即：w2kr=1,有u僅有 r∈r,0,如果 r&isin

6、;r, (4)w1 一旦定義好就不再改變，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)是通過改進(jìn)的kohonen規(guī)則使w1 改變來進(jìn)行的，即在每次迭代過程中，將一個輸入向量x提供給網(wǎng)絡(luò)，并且通過 競爭層計算每個原型向量與x之間的距離，與x的距離最近的神經(jīng)元產(chǎn)獲得競 爭勝利，輸出v的第個元素設(shè)定為1*,通過下式計算得到輸出向量y的值:y=w2v(5)假定其序號為k* ,就表明x是指定給k*類的。(1) 如果分類正確，即若yk=tk=i ,則獲勝的隱含神經(jīng)元將沿著x的方向移動，按 照下式修正競爭層權(quán)值向量：i*wl(t+l)=i*wl(t)+η p(t+l)-i*wl(t) (6)如果分類不正確，即若yk*=l

7、 ,而tk*=o吋，表示錯誤的隱含層神經(jīng)元競爭獲勝，則移動該神經(jīng)元的權(quán)值遠(yuǎn)離x,修改競爭層權(quán)值向量：i*wl(t+l)=i*wl(t)-η p(t+l)-i*wl(t) (7)經(jīng)過這樣的處理后，每個神經(jīng)元移向那些落入形成子類的類中的向量，而遠(yuǎn)離那 么落入其他類中的向量。2.lvq網(wǎng)絡(luò)對減速機(jī)工作狀態(tài)模型影響減速機(jī)正常工作的參數(shù)有很多，這里選擇8個因素作為特征數(shù)據(jù)作為檢測減 速機(jī)的工作狀態(tài)的主要因素，選擇12組狀態(tài)樣本數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，如表1是 樣本數(shù)據(jù)，3組樣本數(shù)據(jù)為測試數(shù)據(jù)，如表2。減速機(jī)的工作狀態(tài)為：正常狀態(tài)、 輕微故障狀態(tài)和嚴(yán)重故障狀態(tài)，分別對應(yīng)類別1、2和3。(下轉(zhuǎn)第1

8、23頁)(上接第121頁)表1樣本數(shù)據(jù)表樣本序號樣本輸入特征數(shù)據(jù)類別1-1.7817-0.2786-0.2954-0.2394-0.1842-0.1572-0.1584-0.199812-1.8710-0.2957-0.3494-0.2904-0.1460-0.1387-0.1492-0.222813-1.8347-0.2817-0.3566 -0.3476 -0.1820 -0.1435 -0.1778 -0.184914-1.8807 -0.2467 -0.2316 -0.2419-0.1983 -0.2103 -0.2010 -0.253315-1.4151 -0.2282 -0.212

9、4 -0.2147 -0.2171 -0.0680-0.0872 -0.168426-1.2879 -0.2252 -0.2012 -0.1298 -0.0245 -0.0390 -0.0762-0.167227-1.5239 -0.1979 -0.1094 -0.1402 -0.0994 -0.1394 -0.1673 -0.281028-1.6781-0.2047 -0.1180 -0.1532 -0.1732 -0.1716 -0.1851 -0.2006290.1605 -0.0920-0.01600.12460.18020.20870.22340.10033100.20450.107

10、80.22460.20310.24280.20500.07040.0403311-1.0242 -0.1461-0.1018 -0.0778 -0.0363 -0.0476 -0.0160 -0.0253312-0.7915 -0.1018 -0.0737 -0.0945 -0.09550.00440.04670.07193 表 2 測試數(shù)據(jù)樣本序號狀態(tài)數(shù)據(jù)類別 13-1.4736 -0.2845 -3.0724 -0.2108 -0.1904 -0.1467 -0.1696-0.2001114-1.6002 -0.2011-0.1021-0.1394 -0.1001-0.1572 -0.15

11、84-0.2790215-1.0314 -0.1521-0.1101 -0.0801 -0.0347 -0.0482 -0.0158 -0.03013 網(wǎng)絡(luò)結(jié) 構(gòu)：n=8,表示網(wǎng)絡(luò)輸入特征向量的分量數(shù)，m=3,表示輸出狀態(tài)類別總數(shù)。競 爭層神經(jīng)元個數(shù)取16。通過matlab對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，學(xué)習(xí)速率取0.01,學(xué)習(xí) 函數(shù)為leamlvlo網(wǎng)絡(luò)訓(xùn)練函數(shù)為trainr,訓(xùn)練次數(shù)選擇為500次,但經(jīng)過137次 訓(xùn)練后，網(wǎng)絡(luò)誤差達(dá)到要求。用仿真函數(shù)sim對網(wǎng)絡(luò)進(jìn)行仿真，檢驗網(wǎng)絡(luò)是否對訓(xùn)練數(shù)據(jù)中的輸入向量進(jìn)行了 正確的分類。y=sim(net,p);yc=vec2ind(y);輸出結(jié)果為：yc=l 111

12、22223333yc二c,可見網(wǎng)絡(luò)的分類正確。用測試樣本數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行交叉檢驗；c_test二12 3;y_test=sim (net, p_test);yc_test=vec2ind(y_test);yc_test= 12 3可見網(wǎng)絡(luò)對輸入向量進(jìn)行了成功的分類。3 .結(jié)論從實際應(yīng)用結(jié)果可以看出，基于matlab的lvq神經(jīng)網(wǎng)絡(luò)檢測機(jī)械設(shè)備工作狀態(tài) 效果比較理想，證明lvq網(wǎng)絡(luò)模型的模式識別分類方法是可行的。對更精確、更 多影響因素的檢測機(jī)械設(shè)備工作狀態(tài)有廣泛的應(yīng)用前景。參考文獻(xiàn)1飛思科技產(chǎn)品研發(fā)中心神經(jīng)網(wǎng)絡(luò)理論與matlab 7實現(xiàn)m 北京：電子工業(yè)出版社，2005： 183-1892 董長虹.matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用ivl.北京：國防工業(yè)出版社，2005： 198-2153