基于改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)故障診斷

郭增波等

摘 要： 學(xué)習(xí)向量量化（LVQ）神經(jīng)網(wǎng)絡(luò)可以通過監(jiān)督學(xué)習(xí)完成對輸入向量模式的準(zhǔn)確分類，提出了一種基于改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)故障診斷方法，介紹了LVQ神經(jīng)網(wǎng)絡(luò)及其改進(jìn)的學(xué)習(xí)算法。以長城哈佛GW2.8TC型發(fā)動機(jī)為實驗對象，讓發(fā)動機(jī)在怠速狀況下，對發(fā)動機(jī)進(jìn)行故障設(shè)置，利用金德KT600電腦故障診斷儀采集發(fā)動機(jī)數(shù)據(jù)流，運(yùn)用改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)建立診斷模型，診斷結(jié)果表明，改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)能對發(fā)動機(jī)故障做出正確分類，準(zhǔn)確率比較高。

關(guān)鍵詞： 改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)； 發(fā)動機(jī)； 故障診斷； 神經(jīng)元

中圖分類號： TN98?34 文獻(xiàn)標(biāo)識碼： A 文章編號： 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

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANNs），也稱為神經(jīng)網(wǎng)絡(luò)（NNs），是模擬生物神經(jīng)網(wǎng)絡(luò)進(jìn)行信息處理的一種數(shù)學(xué)模型。它以對大腦的生理研究成果為基礎(chǔ)，目的在于模擬大腦的某些機(jī)理與機(jī)制，實現(xiàn)一些特定的功能。由于人工神經(jīng)網(wǎng)絡(luò)具有聯(lián)想記憶功能、優(yōu)化計算能力以及其他的一些性質(zhì)，所以人工神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的分類識別功能。學(xué)習(xí)向量量化（LVQ）神經(jīng)網(wǎng)絡(luò)是常用的一種神經(jīng)網(wǎng)絡(luò)，LVQ神經(jīng)網(wǎng)絡(luò)是一種有導(dǎo)師訓(xùn)練競爭層的方法，競爭層自動學(xué)習(xí)識別輸入向量，并對輸入向量分類。

本文以長城哈佛GW2.8TC型發(fā)動機(jī)為例，運(yùn)用LVQ神經(jīng)網(wǎng)絡(luò)對發(fā)動機(jī)進(jìn)行故障診斷。

1 LVQ神經(jīng)網(wǎng)絡(luò)

1.1 LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

LVQ神經(jīng)網(wǎng)絡(luò)是兩層的網(wǎng)絡(luò)結(jié)構(gòu)，即競爭層和線性層。競爭層對輸入向量進(jìn)行學(xué)習(xí)分類，把競爭層的分類稱為子分類；線性層根據(jù)用戶的要求將競爭層的分類結(jié)果映射到目標(biāo)分類結(jié)果中，把線性層的分類稱為目標(biāo)分類。LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

由圖1可以看出，競爭層和線性層每一類別各有一個神經(jīng)元，競爭層通過學(xué)習(xí)，可以得到S1類子分類結(jié)果；然后，線性層將S1類子分類結(jié)果再分成S2類目標(biāo)分類結(jié)果（S1始終大于S2）。例如，假設(shè)競爭層的第1，2，3個神經(jīng)元對輸入空間的子分類所對應(yīng)的線性層的目標(biāo)分類為第2類，則競爭層的第1，2，3個神經(jīng)元與線性層的第2個神經(jīng)元的連接權(quán)將全部為1，而與其他線性層神經(jīng)元的連接權(quán)全部為0，這樣，當(dāng)競爭層的第1，2，3個神經(jīng)元中的任意一個神經(jīng)元在競爭中獲勝時，線性層的第2個神經(jīng)元將輸出1。

1.2 LVQ神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的改進(jìn)

LVQ神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的改進(jìn)是在LVQ1的基礎(chǔ)上進(jìn)行的，它可以改善LVQ1學(xué)習(xí)結(jié)果的性能。

改進(jìn)的LVQ網(wǎng)絡(luò)的學(xué)習(xí)過程與LVQ1類似，在應(yīng)用LVQ1進(jìn)行學(xué)習(xí)后，再用改進(jìn)的LVQ網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，不同的是，改進(jìn)的LVQ是針對最接近輸入向量的兩個相鄰神經(jīng)元的權(quán)值進(jìn)行的，其中一個神經(jīng)元對應(yīng)正確的分類模式，另一個神經(jīng)元對應(yīng)錯誤的分類模式，而輸入向量位于定義的窗口時，有：

[mindidj，djdi>s，s=1-ω1+ω] （1）

式中：[di，][dj]分別表示輸入向量[p]與[iIW1，][jIW1]的歐幾里得距離，[ω]在0.2～0.3之間取值。例如，當(dāng)[ω]取為0.25時，[s]=0.6，那么，當(dāng)[di]和[dj]兩個距離之比大于0.6時，則對[iIW1]和[jIW1]進(jìn)行調(diào)整。

當(dāng)?shù)赱i]個神經(jīng)元對應(yīng)的輸出分類模式錯誤時，[IW1]的第[i]行可以按下式進(jìn)行修正：

[iIW1（q）=iIW1（q-1）-αp（q）-iIW1（q-1）] （2）

當(dāng)?shù)赱j]個神經(jīng)元對應(yīng)的輸出分類模式正確時，[IW1]的第[j]行可以按下式進(jìn)行修正：

[jIW1（q）=jIW1（q-1）+αp（q）-jIW1（q-1）] （3）

這樣，如果給定兩個很相近的輸入向量，其中一個對應(yīng)正確的分類，而另一個對應(yīng)錯誤的分類，則改進(jìn)的LVQ也能對靠的非常近，甚至對剛剛可分的模式進(jìn)行正確地分類，從而提高分類結(jié)果的魯棒性。

2 改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)在發(fā)動機(jī)故障診斷中

的應(yīng)用

基于改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)在發(fā)動機(jī)中的故障診斷仿真步驟如下：

（1） 讓發(fā)動機(jī)處在怠速狀態(tài)下，并對其進(jìn)行故障設(shè)置，用電腦檢測儀及其他設(shè)備測出發(fā)動機(jī)有無故障時的數(shù)據(jù)流參數(shù)；

（2） 用改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)建立診斷模型，并用已知的樣本數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)；

（3） 用訓(xùn)練好的網(wǎng)絡(luò)對發(fā)動機(jī)進(jìn)行故障診斷，并對訓(xùn)練結(jié)果進(jìn)行分析。

2.1 發(fā)動機(jī)故障設(shè)置及采集樣本

為了驗證改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)在發(fā)動機(jī)故障診斷中的可行性，本文以長城哈佛GW2.8TC型發(fā)動機(jī)為研究對象，讓發(fā)動機(jī)在怠速狀況下，對發(fā)動機(jī)進(jìn)行故障設(shè)置，并利用金德KT600故障診斷儀采集發(fā)動機(jī)數(shù)據(jù)流。以發(fā)動機(jī)在正常怠速、油門踏板1接地線開路、凸輪軸傳感器線路故障、1缸噴油器線路故障、冷卻液溫度傳感器線路串聯(lián)某阻值電阻和油門踏板插頭開路六種狀態(tài)下，采集發(fā)動機(jī)數(shù)據(jù)流，采集到的樣本數(shù)據(jù)如表1所示。

2.2 程序設(shè)計

在Matlab環(huán)境中，調(diào)用LVQ神經(jīng)網(wǎng)絡(luò)工具箱，創(chuàng)建的代碼如下：

在代碼中，[p]中數(shù)據(jù)為樣本數(shù)據(jù)；[t]中以1表示正常狀態(tài)，以2表示故障狀態(tài)；T=ind2vec（t）為使[t]中的向量轉(zhuǎn)換成學(xué)習(xí)向量量化網(wǎng)絡(luò)使用的目標(biāo)向量；net=newlvq（）為創(chuàng)建LVQ神經(jīng)網(wǎng)絡(luò)，神經(jīng)元數(shù)目設(shè)置為20，0.17和0.83，分別表示所采集的樣本種類中正常狀態(tài)和故障狀態(tài)所占的比例，網(wǎng)絡(luò)學(xué)習(xí)率設(shè)為0.5；net=init（net）為網(wǎng)絡(luò)初始化，使其每次訓(xùn)練時權(quán)值都是隨機(jī)的，這樣可以達(dá)到預(yù)期的目標(biāo)；網(wǎng)絡(luò)訓(xùn)練步數(shù)設(shè)置為200；訓(xùn)練間隔設(shè)置為50；訓(xùn)練目標(biāo)設(shè)置為0；網(wǎng)絡(luò)設(shè)置好后，開始訓(xùn)練網(wǎng)絡(luò)，運(yùn)行程序后所得的網(wǎng)絡(luò)訓(xùn)練狀態(tài)圖如圖2所示，訓(xùn)練曲線如圖3所示。

由圖2和圖3所示，網(wǎng)絡(luò)訓(xùn)練只訓(xùn)練了8次，用時不到1 s，就達(dá)到了預(yù)期目標(biāo)，可見，用改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，速度非常快，精確度很高。

3 結(jié) 語

LVQ神經(jīng)網(wǎng)絡(luò)將監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)結(jié)合起來，可以完成對輸入向量模式的準(zhǔn)確分類。本文以長城哈佛GW2.8TC型發(fā)動機(jī)為實例，并對發(fā)動機(jī)進(jìn)行故障設(shè)置，采集數(shù)據(jù)流，介紹了LVQ神經(jīng)網(wǎng)絡(luò)及其改進(jìn)的學(xué)習(xí)算法，運(yùn)用改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)建立診斷模型，診斷結(jié)果表明，改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)能對發(fā)動機(jī)故障進(jìn)行模式識別和準(zhǔn)確分類，診斷結(jié)果完全正確，而且訓(xùn)練速度極快。改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)具有較高的研究價值，該方法不僅可以運(yùn)用到汽車診斷領(lǐng)域，而且可以運(yùn)用到其他故障診斷領(lǐng)域。

參考文獻(xiàn)

[1] 董長虹.神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].北京：國防工業(yè)出版社，2005.

[2] 史忠植.神經(jīng)網(wǎng)絡(luò)[M].北京：高等教育出版社，2009.

[3] 孫祥，徐流美，吳清.Matlab 7.0[M].北京：清華大學(xué)出版社，2005.

[4] 周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其Matlab仿真程序設(shè)計[M].北京：清華大學(xué)出版社，2005.

[5] 張德豐.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京：機(jī)械工業(yè)出版社，2009.

[6] 李國勇.智能控制及其Matlab實現(xiàn)[M].北京：電子工業(yè)出版社，2005.

[7] 舒寧，馬洪超，孫和利.模式識別的理論與方法[M].武漢：武漢大學(xué)出版社，2004.

[8] 蔣宇，李志雄，唐銘.LVQ神經(jīng)網(wǎng)絡(luò)在滾動軸承故障診斷中的應(yīng)用研究[J].機(jī)械科學(xué)與技術(shù)，2011（3）：408?411.

[9] 康健，左憲章，吳彩華，等.基于神經(jīng)網(wǎng)絡(luò)的柴油發(fā)動機(jī)故障預(yù)測研究[J].計算機(jī)測量與控制，2006（8）：987?989.

[10] 朱玉斌，李華聰.基于LVQ網(wǎng)絡(luò)的航空發(fā)動機(jī)氣路故障特征提取方法研究[J].測控技術(shù)，2014，33（6）：24?27.