| 标题 | 基于改进的LVQ神经网络的发动机故障诊断 |
| 范文 | 郭增波等 摘 要： 学习向量量化（LVQ）神经网络可以通过监督学习完成对输入向量模式的准确分类，提出了一种基于改进的LVQ神经网络的发动机故障诊断方法，介绍了LVQ神经网络及其改进的学习算法。以长城哈佛GW2.8TC型发动机为实验对象，让发动机在怠速状况下，对发动机进行故障设置，利用金德KT600电脑故障诊断仪采集发动机数据流，运用改进的LVQ神经网络建立诊断模型，诊断结果表明，改进的LVQ神经网络能对发动机故障做出正确分类，准确率比较高。 关键词： 改进的LVQ神经网络； 发动机； 故障诊断； 神经元 中图分类号： TN98?34 文献标识码： A 文章编号： 1004?373X（2015）17?0107?03 Fault diagnosis for engines based on improved LVQ neural network GUO Zengbo1， BA Yinliang2， WANG Shuti2， XIE Xin2 （1. Karamay Vocational & Technical College， Karamay 834000， China； 2. College of Machinery and Traffic， Xinjiang Agricultural University， Urumqi 830052， China） Abstract： Since learning vector quantization （LVQ） neural network can classify input vector pattern accurately by supervised learning， the fault diagnosis method for engines based on LVQ neural network is proposed. LVQ neural network and its improved learning method are introduced. Taking Great Wall Harvard GW2.8TC engine as the experimental subject， faults are set for the engine under idle speed condition. The data stream of the engine is collected by using Kinder KT600 computer fault diagnosis tester. The diagnosis model was established by using the improved LVQ neural network. The diagnosis results show that the improved LVQ neural network can classify engine faults accurately， and the precision rate is relatively high. Keywords： improved LVQ neural network； engine； fault diagnosis； neurone 0 引 言 人工神经网络（Artificial Neural Networks，ANNs），也称为神经网络（NNs），是模拟生物神经网络进行信息处理的一种数学模型。它以对大脑的生理研究成果为基础，目的在于模拟大脑的某些机理与机制，实现一些特定的功能。由于人工神经网络具有联想记忆功能、优化计算能力以及其他的一些性质，所以人工神经网络具有较强的分类识别功能。学习向量量化（LVQ）神经网络是常用的一种神经网络，LVQ神经网络是一种有导师训练竞争层的方法，竞争层自动学习识别输入向量，并对输入向量分类。 本文以长城哈佛GW2.8TC型发动机为例，运用LVQ神经网络对发动机进行故障诊断。 1 LVQ神经网络 1.1 LVQ神经网络结构 LVQ神经网络是两层的网络结构，即竞争层和线性层。竞争层对输入向量进行学习分类，把竞争层的分类称为子分类；线性层根据用户的要求将竞争层的分类结果映射到目标分类结果中，把线性层的分类称为目标分类。LVQ神经网络结构如图1所示。 由图1可以看出，竞争层和线性层每一类别各有一个神经元，竞争层通过学习，可以得到S1类子分类结果；然后，线性层将S1类子分类结果再分成S2类目标分类结果（S1始终大于S2）。例如，假设竞争层的第1，2，3个神经元对输入空间的子分类所对应的线性层的目标分类为第2类，则竞争层的第1，2，3个神经元与线性层的第2个神经元的连接权将全部为1，而与其他线性层神经元的连接权全部为0，这样，当竞争层的第1，2，3个神经元中的任意一个神经元在竞争中获胜时，线性层的第2个神经元将输出1。 1.2 LVQ神经网络学习算法的改进 LVQ神经网络学习算法的改进是在LVQ1的基础上进行的，它可以改善LVQ1学习结果的性能。 改进的LVQ网络的学习过程与LVQ1类似，在应用LVQ1进行学习后，再用改进的LVQ网络进行学习，不同的是，改进的LVQ是针对最接近输入向量的两个相邻神经元的权值进行的，其中一个神经元对应正确的分类模式，另一个神经元对应错误的分类模式，而输入向量位于定义的窗口时，有： [mindidj，djdi>s，s=1-ω1+ω] （1） 式中：[di，][dj]分别表示输入向量[p]与[iIW1，][jIW1]的欧几里得距离，[ω]在0.2～0.3之间取值。例如，当[ω]取为0.25时，[s]=0.6，那么，当[di]和[dj]两个距离之比大于0.6时，则对[iIW1]和[jIW1]进行调整。 当第[i]个神经元对应的输出分类模式错误时，[IW1]的第[i]行可以按下式进行修正： [iIW1（q）=iIW1（q-1）-αp（q）-iIW1（q-1）] （2） 当第[j]个神经元对应的输出分类模式正确时，[IW1]的第[j]行可以按下式进行修正： [jIW1（q）=jIW1（q-1）+αp（q）-jIW1（q-1）] （3） 这样，如果给定两个很相近的输入向量，其中一个对应正确的分类，而另一个对应错误的分类，则改进的LVQ也能对靠的非常近，甚至对刚刚可分的模式进行正确地分类，从而提高分类结果的鲁棒性。 2 改进的LVQ神经网络在发动机故障诊断中 的应用 基于改进的LVQ神经网络在发动机中的故障诊断仿真步骤如下： （1） 让发动机处在怠速状态下，并对其进行故障设置，用电脑检测仪及其他设备测出发动机有无故障时的数据流参数； （2） 用改进的LVQ神经网络建立诊断模型，并用已知的样本数据训练网络； （3） 用训练好的网络对发动机进行故障诊断，并对训练结果进行分析。 2.1 发动机故障设置及采集样本 为了验证改进的LVQ神经网络在发动机故障诊断中的可行性，本文以长城哈佛GW2.8TC型发动机为研究对象，让发动机在怠速状况下，对发动机进行故障设置，并利用金德KT600故障诊断仪采集发动机数据流。以发动机在正常怠速、油门踏板1接地线开路、凸轮轴传感器线路故障、1缸喷油器线路故障、冷却液温度传感器线路串联某阻值电阻和油门踏板插头开路六种状态下，采集发动机数据流，采集到的样本数据如表1所示。 2.2 程序设计 在Matlab环境中，调用LVQ神经网络工具箱，创建的代码如下： 在代码中，[p]中数据为样本数据；[t]中以1表示正常状态，以2表示故障状态；T=ind2vec（t）为使[t]中的向量转换成学习向量量化网络使用的目标向量；net=newlvq（）为创建LVQ神经网络，神经元数目设置为20，0.17和0.83，分别表示所采集的样本种类中正常状态和故障状态所占的比例，网络学习率设为0.5；net=init（net）为网络初始化，使其每次训练时权值都是随机的，这样可以达到预期的目标；网络训练步数设置为200；训练间隔设置为50；训练目标设置为0；网络设置好后，开始训练网络，运行程序后所得的网络训练状态图如图2所示，训练曲线如图3所示。 由图2和图3所示，网络训练只训练了8次，用时不到1 s，就达到了预期目标，可见，用改进的LVQ神经网络进行故障诊断，速度非常快，精确度很高。 3 结 语 LVQ神经网络将监督学习和无监督学习结合起来，可以完成对输入向量模式的准确分类。本文以长城哈佛GW2.8TC型发动机为实例，并对发动机进行故障设置，采集数据流，介绍了LVQ神经网络及其改进的学习算法，运用改进的LVQ神经网络建立诊断模型，诊断结果表明，改进的LVQ神经网络能对发动机故障进行模式识别和准确分类，诊断结果完全正确，而且训练速度极快。改进的LVQ神经网络具有较高的研究价值，该方法不仅可以运用到汽车诊断领域，而且可以运用到其他故障诊断领域。 参考文献 [1] 董长虹.神经网络与应用[M].北京：国防工业出版社，2005. [2] 史忠植.神经网络[M].北京：高等教育出版社，2009. [3] 孙祥，徐流美，吴清.Matlab 7.0[M].北京：清华大学出版社，2005. [4] 周开利，康耀红.神经网络模型及其Matlab仿真程序设计[M].北京：清华大学出版社，2005. [5] 张德丰.Matlab神经网络应用设计[M].北京：机械工业出版社，2009. [6] 李国勇.智能控制及其Matlab实现[M].北京：电子工业出版社，2005. [7] 舒宁，马洪超，孙和利.模式识别的理论与方法[M].武汉：武汉大学出版社，2004. [8] 蒋宇，李志雄，唐铭.LVQ神经网络在滚动轴承故障诊断中的应用研究[J].机械科学与技术，2011（3）：408?411. [9] 康健，左宪章，吴彩华，等.基于神经网络的柴油发动机故障预测研究[J].计算机测量与控制，2006（8）：987?989. [10] 朱玉斌，李华聪.基于LVQ网络的航空发动机气路故障特征提取方法研究[J].测控技术，2014，33（6）：24?27. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。