运用LVQ网络进行机械状态检测的研究

1、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-),势，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级研究牛。【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，

2、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jtp3p3 08文献标识码a文章编号11005-9646(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击，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牛和发 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。木

3、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

4、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=(xl, 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：wl=(wll/wl2,wlp)(l) owli=(wli2/wlin)o 其中 wlij , i=l, 2/-,p,j=l,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=(vl,v2/-wlin)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

5、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：xl,tl,x2,t2/-,xq,tq(3)其中，每个目标输出向量tj(j二12q)有口只有一个分量为1,其他分量全部都 为oo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w2o 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u仅有 r∈r,0,如果 r&isin

6、;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产获得竞 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=i ,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*wl(t+l)=i*wl(t)+η p(t+l)-i*wl(t) (6)如果分类不正确，即若yk*=l

7、 ,而tk*=o吋，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*wl(t+l)=i*wl(t)-η p(t+l)-i*wl(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，这里选择8个因素作为特征数据作为检测减 速机的工作状态的主要因素，选择12组状态样本数据作为训练数据，如表1是 样本数据，3组样本数据为测试数据，如表2。减速机的工作状态为：正常状态、 轻微故障状态和严重故障状态，分别对应类别1、2和3。(下转第1

8、23页)(上接第121页)表1样本数据表样本序号样本输入特征数据类别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 测试数据样本序号状态数据类别 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 网络结 构：n=8,表示网络输入特征向量的分量数，m=3,表示输出状态类别总数。竞 争层神经元个数取16。通过matlab对网络进行训练，学习速率取0.01,学习 函数为leamlvlo网络训练函数为trainr,训练次数选择为500次,但经过137次 训练后，网络误差达到要求。用仿真函数sim对网络进行仿真，检验网络是否对训练数据中的输入向量进行了 正确的分类。y=sim(net,p);yc=vec2ind(y);输出结果为：yc=l 111

12、22223333yc二c,可见网络的分类正确。用测试样本数据对网络进行交叉检验；c_test二12 3;y_test=sim (net, p_test);yc_test=vec2ind(y_test);yc_test= 12 3可见网络对输入向量进行了成功的分类。3 .结论从实际应用结果可以看出，基于matlab的lvq神经网络检测机械设备工作状态 效果比较理想，证明lvq网络模型的模式识别分类方法是可行的。对更精确、更 多影响因素的检测机械设备工作状态有广泛的应用前景。参考文献1飞思科技产品研发中心神经网络理论与matlab 7实现m 北京：电子工业出版社，2005： 183-1892 董长虹.matlab神经网络与应用ivl.北京：国防工业出版社，2005： 198-2153