丁碩　常曉恒　巫慶輝　魏洪峰　楊友林

摘 要： 針對(duì)風(fēng)電機(jī)組齒輪箱故障診斷技術(shù)的不足，提出一種基于LVQ神經(jīng)網(wǎng)絡(luò)的故障診斷方法，利用小波分析方法對(duì)某風(fēng)電機(jī)組齒輪箱正常狀態(tài)、磨損故障和斷齒故障狀態(tài)下的振動(dòng)信號(hào)進(jìn)行降噪處理，在時(shí)域和頻域內(nèi)提取了5個(gè)特征參數(shù)對(duì)所建立的模型進(jìn)行訓(xùn)練。為了檢驗(yàn)?zāi)Ｐ偷膶?shí)際診斷能力，與標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果進(jìn)行對(duì)比。仿真結(jié)果表明：基于LVQ神經(jīng)網(wǎng)絡(luò)的故障診斷速度更快、準(zhǔn)確率更高、泛化能力更強(qiáng)，驗(yàn)證了所提出方法的實(shí)用性和有效性。

關(guān)鍵詞： LVQ神經(jīng)網(wǎng)絡(luò)； BP神經(jīng)網(wǎng)絡(luò)； 風(fēng)電機(jī)組； 齒輪箱； 故障診斷

中圖分類號(hào)： TP183 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2014）10?0150?03

Abstract： In view of the deficiency in fault diagnosis technique of wind turbine gearbox， a fault diagnosis method based on LVQ neural network is proposed. Wavelet analysis is used to de?noise the vibration signals of a wind turbine gearbox in its normal condition， wear fault condition and tooth breakage condition. Five characteristic parameters are extracted in the time domain and frequency domain to train the established model. To test its practical diagnosis ability， the diagnosis result of the model is compared with that obtained by a standard BP neural network. The simulation results show that the diagnosis method based on LVQ neural network has a faster diagnosis speed， higher accuracy and stronger generalization ability. The method proposed in this paper was verified to be practical and effective.

Keywords： LVQ neural networks； BP neural networks； wind turbines； gearbox； fault diagnosis

0 引 言

風(fēng)力發(fā)電技術(shù)是目前國(guó)際上可再生能源領(lǐng)域發(fā)展最快的技術(shù)手段之一，齒輪箱是風(fēng)力發(fā)電機(jī)組故障率最高的部件，風(fēng)電機(jī)組齒輪箱安裝空間狹小，而且又位于高空塔頂作業(yè)，一旦發(fā)生故障，維修非常困難。人工神經(jīng)網(wǎng)絡(luò)的快速發(fā)展為解決非線性復(fù)雜系統(tǒng)的故障診斷問(wèn)題提供了一種新的解決途徑。在眾多的人工神經(jīng)網(wǎng)絡(luò)類型中，反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)是應(yīng)用最為廣泛的一類網(wǎng)絡(luò)。但是，標(biāo)準(zhǔn)BP網(wǎng)絡(luò)的收斂速度較慢，而且可能陷入局部極小值[1?4]。學(xué)習(xí)向量量化法（ Learning Vector Quantization，LVQ） 神經(jīng)網(wǎng)絡(luò)是在監(jiān)督狀態(tài)下對(duì)競(jìng)爭(zhēng)層進(jìn)行訓(xùn)練的一種學(xué)習(xí)算法。競(jìng)爭(zhēng)層自動(dòng)學(xué)習(xí)并對(duì)輸入向量進(jìn)行分類， 這種分類的結(jié)果僅僅依賴于輸入向量之間的距離。如果兩個(gè)輸入向量特別相近， 競(jìng)爭(zhēng)層就把它們分在同一類，從而能較好地克服標(biāo)準(zhǔn)BP網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)及計(jì)算復(fù)雜度高等缺點(diǎn)[5]。目前專門(mén)研究風(fēng)電機(jī)組齒輪箱故障診斷的文獻(xiàn)尚且不多，因此，文中嘗試將LVQ神經(jīng)網(wǎng)絡(luò)應(yīng)用于風(fēng)電機(jī)組齒輪箱的故障診斷中，基于Matlab 2007平臺(tái)，編程建立了LVQ網(wǎng)絡(luò)診斷模型，并和BP網(wǎng)絡(luò)診斷模型的結(jié)果進(jìn)行對(duì)比。仿真結(jié)果表明，基于LVQ神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱故障診斷的準(zhǔn)確率高，驗(yàn)證了該方法的有效性。

1 LVQ神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與算法

LVQ神經(jīng)網(wǎng)絡(luò)是一種結(jié)合監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)的混合網(wǎng)絡(luò)結(jié)構(gòu)，它由三部分組成：輸入層、競(jìng)爭(zhēng)層（隱含層）和輸出層。競(jìng)爭(zhēng)層根據(jù)輸入向量的距離學(xué)習(xí)來(lái)對(duì)輸入向量分類，輸出層將競(jìng)爭(zhēng)層傳遞來(lái)的分類信息轉(zhuǎn)換成所定義的類別，每個(gè)輸出層處理單元表示一個(gè)分類[6]。

2 基于LVQ網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱故障診斷實(shí)例

2.1 風(fēng)電機(jī)組齒輪箱故障特征信息提取

文中利用振動(dòng)傳感器測(cè)得某風(fēng)電場(chǎng)風(fēng)電機(jī)組齒輪箱在正常工作、齒面磨損故障和齒輪斷齒故障三種狀態(tài)下的振動(dòng)數(shù)據(jù)，每種狀態(tài)下均取15個(gè)不同轉(zhuǎn)速，共45組振動(dòng)數(shù)據(jù)。由于測(cè)試過(guò)程中存在諸多干擾，測(cè)得的原始數(shù)據(jù)包含較多噪聲。文中利用小波分析方法對(duì)原始振動(dòng)信號(hào)進(jìn)行小波降噪處理，小波分析進(jìn)行閾值處理一般有三種方法：默認(rèn)閾值消噪處理，給定閾值消噪處理和強(qiáng)制消噪處理[7]。文中采用wthresh函數(shù)進(jìn)行閾值量化處理，濾除原始信號(hào)中的干擾和噪聲，突出了的原始振動(dòng)信號(hào)中的有效信息。為了能夠較為全面地反映風(fēng)電機(jī)組齒輪箱的故障特征，從時(shí)域和頻域兩方面提取齒輪箱的特征參數(shù)。因此在時(shí)域內(nèi)選取裕度、峭度、峰值和脈沖四項(xiàng)故障評(píng)價(jià)指標(biāo)對(duì)振動(dòng)信號(hào)進(jìn)行特征提??；在頻域內(nèi)選取功率譜熵評(píng)價(jià)指標(biāo)對(duì)振動(dòng)信號(hào)進(jìn)行特征提取。為了使網(wǎng)絡(luò)訓(xùn)練收斂速度更快，對(duì)輸入向量進(jìn)行歸一化處理，經(jīng)過(guò)大量的數(shù)據(jù)分析歸納，并參考相關(guān)的文獻(xiàn)資料[8]，由Matlab 2007仿真得到標(biāo)準(zhǔn)化（經(jīng)過(guò)歸一化處理）的用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的特征值。最終得到樣本集數(shù)目為45組，其中42組用于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練， 3組數(shù)據(jù)用作神經(jīng)網(wǎng)絡(luò)的測(cè)試樣本數(shù)據(jù)，部分訓(xùn)練樣本數(shù)據(jù)如表1所示，測(cè)試樣本數(shù)據(jù)如表2所示。

2.2 基于LVQ網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱故障診斷模型的建立

LVQ網(wǎng)絡(luò)采用有教師的訓(xùn)練學(xué)習(xí)方式， LVQ網(wǎng)絡(luò)的訓(xùn)練樣本集由輸入數(shù)據(jù)和目標(biāo)輸出組成。在表1的訓(xùn)練樣本集中，輸入向量維數(shù)為5，即輸入層神經(jīng)元為5個(gè)，由風(fēng)電機(jī)組齒輪箱的5個(gè)故障評(píng)價(jià)指標(biāo)組成；目標(biāo)輸出向量對(duì)應(yīng)輸出狀態(tài)，即正常工作、齒面磨損故障和齒輪斷齒故障，設(shè)置三種狀態(tài)分別對(duì)應(yīng)代碼1，2，3；LVQ網(wǎng)絡(luò)的競(jìng)爭(zhēng)層起到聚類作用，競(jìng)爭(zhēng)層的神經(jīng)元個(gè)數(shù)是LVQ網(wǎng)絡(luò)設(shè)計(jì)的一個(gè)關(guān)鍵問(wèn)題，一般為輸出層神經(jīng)元數(shù)量的整數(shù)倍[9?10]，在風(fēng)電機(jī)組齒輪箱的故障診斷中，分別選取競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)為6，9，12，15，18進(jìn)行了仿真，各自經(jīng)過(guò)26，21，24，22，23次訓(xùn)練，網(wǎng)絡(luò)達(dá)到穩(wěn)定，學(xué)習(xí)函數(shù)為learnlv1，目標(biāo)誤差設(shè)定為0.001，學(xué)習(xí)速率設(shè)為0.1。為了比較標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)和LVQ網(wǎng)絡(luò)的診斷性能，用BP神經(jīng)網(wǎng)絡(luò)的方法對(duì)風(fēng)電機(jī)組齒輪箱故障進(jìn)行診斷，BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置為：輸入神經(jīng)元數(shù)為5，輸出神經(jīng)元數(shù)為3，用3位不同的二進(jìn)制代碼表示三種故障類型，（0 0 1）代表正常工作狀態(tài)輸出，（0 1 0）代表齒面磨損故障輸出，（1 0 0）代表齒輪斷齒故障輸出。綜合考慮兩種網(wǎng)絡(luò)的性能和速度， LVQ網(wǎng)絡(luò)競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)最終取為9個(gè)；BP網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)選擇15個(gè)，隱含層神經(jīng)元的傳遞函數(shù)采用tansig，輸出層神經(jīng)元的傳遞函數(shù)采用logsig，目標(biāo)誤差為0.001，學(xué)習(xí)速率設(shè)為0.1。

2.3 LVQ網(wǎng)絡(luò)故障診斷模型的訓(xùn)練

利用表1中的訓(xùn)練樣本數(shù)據(jù)對(duì)LVQ與標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型進(jìn)行訓(xùn)練，LVQ網(wǎng)絡(luò)訓(xùn)練函數(shù)為trainr，標(biāo)準(zhǔn)BP網(wǎng)絡(luò)訓(xùn)練函數(shù)為traingd。在目標(biāo)精度設(shè)置為0.001、最大訓(xùn)練步數(shù)設(shè)為20 000、訓(xùn)練樣本數(shù)目相等的條件下，仿真得到如下結(jié)果：標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型需要9 395步才能達(dá)到目標(biāo)精度，均方誤差為0.000 999 983；LVQ網(wǎng)絡(luò)診斷模型只需要24步就可以達(dá)到目標(biāo)精度，均方誤差為0，遠(yuǎn)遠(yuǎn)高于目標(biāo)精度要求。仿真結(jié)果表明，標(biāo)準(zhǔn)BP網(wǎng)絡(luò)的訓(xùn)練速度不但沒(méi)有優(yōu)勢(shì)， 而且訓(xùn)練過(guò)程中發(fā)生多次震蕩甚至陷入局部最小值而使訓(xùn)練中斷，而LVQ網(wǎng)絡(luò)則要穩(wěn)定得多， 網(wǎng)絡(luò)性能也比標(biāo)準(zhǔn)BP網(wǎng)絡(luò)更佳?？偟膩?lái)說(shuō)，對(duì)于訓(xùn)練樣本集而言，只要訓(xùn)練步數(shù)設(shè)置足夠大，LVQ網(wǎng)絡(luò)診斷模型與標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型都能在規(guī)定的訓(xùn)練步數(shù)范圍內(nèi)完成對(duì)訓(xùn)練樣本的診斷，但相比之下，LVQ網(wǎng)絡(luò)診斷模型的收斂時(shí)間明顯比標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型少，均方誤差也遠(yuǎn)小于標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型。由此可以得出結(jié)論，LVQ網(wǎng)絡(luò)診斷模型對(duì)于訓(xùn)練樣本診斷的精度更高，收斂速度更快。

2.4 LVQ網(wǎng)絡(luò)故障診斷模型的泛化能力測(cè)試

LVQ神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)非監(jiān)督的聚類和有監(jiān)督的學(xué)習(xí)之后，最終形成的分類器網(wǎng)絡(luò)就可以對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類了。為了測(cè)試LVQ網(wǎng)絡(luò)診斷模型的實(shí)際診斷性能，文中利用表2中的測(cè)試樣本數(shù)據(jù)對(duì)所建立的LVQ網(wǎng)絡(luò)診斷模型進(jìn)行泛化能力測(cè)試，利用仿真函數(shù)sim得到網(wǎng)絡(luò)的輸出。針對(duì)LVQ網(wǎng)絡(luò)診斷模型利用函數(shù)ind2vec將類別向量轉(zhuǎn)換成最終的目標(biāo)向量輸出。標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型對(duì)測(cè)試樣本的診斷結(jié)果如表3所示。

表3可以看出，標(biāo)準(zhǔn)BP網(wǎng)絡(luò)的分類性能對(duì)隱含層神經(jīng)元的個(gè)數(shù)要求較高，隱含層神經(jīng)元的個(gè)數(shù)越多分類結(jié)果越接近于目標(biāo)輸出，診斷性能越優(yōu)。但仿真實(shí)驗(yàn)表明，過(guò)多的隱含層神經(jīng)元的個(gè)數(shù)勢(shì)必增加網(wǎng)絡(luò)的復(fù)雜度，最終導(dǎo)致陷入局部極小值而不能收斂；而對(duì)于LVQ網(wǎng)絡(luò)而言，只要競(jìng)爭(zhēng)層神經(jīng)元數(shù)目大于輸出層神經(jīng)元，就可實(shí)現(xiàn)正確分類，即LVQ網(wǎng)絡(luò)對(duì)競(jìng)爭(zhēng)層（隱含層）神經(jīng)元的個(gè)數(shù)設(shè)計(jì)要求較低。相比之下，LVQ網(wǎng)絡(luò)的故障隸屬度之間的差別比和標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷的結(jié)果要明顯得多，故障診斷的結(jié)果更加明確?？偟膩?lái)說(shuō)，LVQ網(wǎng)絡(luò)和標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型都能在規(guī)定的精度范圍內(nèi)完成對(duì)測(cè)試樣本的診斷，診斷正確率為100%。但是，在LVQ網(wǎng)絡(luò)和標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型的隱含層神經(jīng)元數(shù)目相同情況下，LVQ網(wǎng)絡(luò)診斷模型的診斷結(jié)果更為精確直觀，且LVQ網(wǎng)絡(luò)的收斂速度要比BP網(wǎng)絡(luò)快得多，診斷性能更優(yōu)；而標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型的診斷結(jié)果隨著隱含層神經(jīng)元數(shù)目的變化，且誤差較大，診斷性能較差。

3 結(jié) 語(yǔ)

文中構(gòu)建了一個(gè)LVQ神經(jīng)網(wǎng)絡(luò)分類器，對(duì)某風(fēng)電場(chǎng)風(fēng)電機(jī)組齒輪箱的故障進(jìn)行診斷，并與標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果進(jìn)行對(duì)比。仿真結(jié)果表明：只要訓(xùn)練步數(shù)設(shè)置足夠大，LVQ網(wǎng)絡(luò)診斷模型與標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型都能在規(guī)定預(yù)設(shè)精度范圍內(nèi)完成診斷任務(wù)。但相比之下，LVQ網(wǎng)絡(luò)診斷模型的收斂速度更快、訓(xùn)練準(zhǔn)確性和診斷精度更高、診斷性能更優(yōu)。所以基于LVQ神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱的故障診斷方法是可行的。

參考文獻(xiàn)

[1] DING Shuo， CHANG Xiao?heng， WU Qing?hui. Approximation performance of BP neural networks improved by heuristic approach [J]. Applied Mechanics and Materials， 2013 （411/414）： 1952?1955.

[2] 余妹蘭，匡芳君.BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的改進(jìn)及應(yīng)用[J].沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2011，42（3）：382?384.

[3] 丁碩，常曉恒，巫慶輝，等.LM算法改進(jìn)的BP網(wǎng)絡(luò)在模式分類中的應(yīng)用研究[J].電子測(cè)試，2014（2）：33?35.

[4] DING Shuo， CHANG Xiao?heng， WU Qing?hui. A study on the application of learning vector quantization neural network in pattern classification [J]. Applied Mechanics and Materials， 2014 （525）： 657?660.

[5] 劉軍.基于學(xué)習(xí)矢量神經(jīng)網(wǎng)絡(luò)的電力變壓器故障診斷[J].自動(dòng)化與儀器儀表，2008（1）：86?88.

[6] 劉文軒，嚴(yán)鳳，田霖，等.基于LVQ神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障定位方法[J].電力系統(tǒng)保護(hù)與控制，2012（5）：90?95.

[7] 林淵，肖峰.小波變換閾值降噪方法及在武器自動(dòng)機(jī)數(shù)據(jù)處理中的應(yīng)用[J].電子測(cè)量技術(shù)，2009，32（1）：128?130.

[8] 王斌.面向風(fēng)電機(jī)組齒輪箱的故障診斷系統(tǒng)研究[D].北京：華北電力大學(xué)，2012.

[9] 王凱，任子暉，谷林柱，等.LVQ神經(jīng)網(wǎng)絡(luò)在煤礦風(fēng)機(jī)故障診斷中的研究[J].煤礦機(jī)械，2011，32（11）：256?258.

[10] 趙培，谷立臣.基于LVQ神經(jīng)網(wǎng)絡(luò)的異步電動(dòng)機(jī)故障診斷[J].機(jī)械制造與自動(dòng)化，2010，39（1）：172?174.

2.2 基于LVQ網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱故障診斷模型的建立

LVQ網(wǎng)絡(luò)采用有教師的訓(xùn)練學(xué)習(xí)方式， LVQ網(wǎng)絡(luò)的訓(xùn)練樣本集由輸入數(shù)據(jù)和目標(biāo)輸出組成。在表1的訓(xùn)練樣本集中，輸入向量維數(shù)為5，即輸入層神經(jīng)元為5個(gè)，由風(fēng)電機(jī)組齒輪箱的5個(gè)故障評(píng)價(jià)指標(biāo)組成；目標(biāo)輸出向量對(duì)應(yīng)輸出狀態(tài)，即正常工作、齒面磨損故障和齒輪斷齒故障，設(shè)置三種狀態(tài)分別對(duì)應(yīng)代碼1，2，3；LVQ網(wǎng)絡(luò)的競(jìng)爭(zhēng)層起到聚類作用，競(jìng)爭(zhēng)層的神經(jīng)元個(gè)數(shù)是LVQ網(wǎng)絡(luò)設(shè)計(jì)的一個(gè)關(guān)鍵問(wèn)題，一般為輸出層神經(jīng)元數(shù)量的整數(shù)倍[9?10]，在風(fēng)電機(jī)組齒輪箱的故障診斷中，分別選取競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)為6，9，12，15，18進(jìn)行了仿真，各自經(jīng)過(guò)26，21，24，22，23次訓(xùn)練，網(wǎng)絡(luò)達(dá)到穩(wěn)定，學(xué)習(xí)函數(shù)為learnlv1，目標(biāo)誤差設(shè)定為0.001，學(xué)習(xí)速率設(shè)為0.1。為了比較標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)和LVQ網(wǎng)絡(luò)的診斷性能，用BP神經(jīng)網(wǎng)絡(luò)的方法對(duì)風(fēng)電機(jī)組齒輪箱故障進(jìn)行診斷，BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置為：輸入神經(jīng)元數(shù)為5，輸出神經(jīng)元數(shù)為3，用3位不同的二進(jìn)制代碼表示三種故障類型，（0 0 1）代表正常工作狀態(tài)輸出，（0 1 0）代表齒面磨損故障輸出，（1 0 0）代表齒輪斷齒故障輸出。綜合考慮兩種網(wǎng)絡(luò)的性能和速度， LVQ網(wǎng)絡(luò)競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)最終取為9個(gè)；BP網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)選擇15個(gè)，隱含層神經(jīng)元的傳遞函數(shù)采用tansig，輸出層神經(jīng)元的傳遞函數(shù)采用logsig，目標(biāo)誤差為0.001，學(xué)習(xí)速率設(shè)為0.1。

2.3 LVQ網(wǎng)絡(luò)故障診斷模型的訓(xùn)練

利用表1中的訓(xùn)練樣本數(shù)據(jù)對(duì)LVQ與標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型進(jìn)行訓(xùn)練，LVQ網(wǎng)絡(luò)訓(xùn)練函數(shù)為trainr，標(biāo)準(zhǔn)BP網(wǎng)絡(luò)訓(xùn)練函數(shù)為traingd。在目標(biāo)精度設(shè)置為0.001、最大訓(xùn)練步數(shù)設(shè)為20 000、訓(xùn)練樣本數(shù)目相等的條件下，仿真得到如下結(jié)果：標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型需要9 395步才能達(dá)到目標(biāo)精度，均方誤差為0.000 999 983；LVQ網(wǎng)絡(luò)診斷模型只需要24步就可以達(dá)到目標(biāo)精度，均方誤差為0，遠(yuǎn)遠(yuǎn)高于目標(biāo)精度要求。仿真結(jié)果表明，標(biāo)準(zhǔn)BP網(wǎng)絡(luò)的訓(xùn)練速度不但沒(méi)有優(yōu)勢(shì)， 而且訓(xùn)練過(guò)程中發(fā)生多次震蕩甚至陷入局部最小值而使訓(xùn)練中斷，而LVQ網(wǎng)絡(luò)則要穩(wěn)定得多， 網(wǎng)絡(luò)性能也比標(biāo)準(zhǔn)BP網(wǎng)絡(luò)更佳。總的來(lái)說(shuō)，對(duì)于訓(xùn)練樣本集而言，只要訓(xùn)練步數(shù)設(shè)置足夠大，LVQ網(wǎng)絡(luò)診斷模型與標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型都能在規(guī)定的訓(xùn)練步數(shù)范圍內(nèi)完成對(duì)訓(xùn)練樣本的診斷，但相比之下，LVQ網(wǎng)絡(luò)診斷模型的收斂時(shí)間明顯比標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型少，均方誤差也遠(yuǎn)小于標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型。由此可以得出結(jié)論，LVQ網(wǎng)絡(luò)診斷模型對(duì)于訓(xùn)練樣本診斷的精度更高，收斂速度更快。

2.4 LVQ網(wǎng)絡(luò)故障診斷模型的泛化能力測(cè)試

LVQ神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)非監(jiān)督的聚類和有監(jiān)督的學(xué)習(xí)之后，最終形成的分類器網(wǎng)絡(luò)就可以對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類了。為了測(cè)試LVQ網(wǎng)絡(luò)診斷模型的實(shí)際診斷性能，文中利用表2中的測(cè)試樣本數(shù)據(jù)對(duì)所建立的LVQ網(wǎng)絡(luò)診斷模型進(jìn)行泛化能力測(cè)試，利用仿真函數(shù)sim得到網(wǎng)絡(luò)的輸出。針對(duì)LVQ網(wǎng)絡(luò)診斷模型利用函數(shù)ind2vec將類別向量轉(zhuǎn)換成最終的目標(biāo)向量輸出。標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型對(duì)測(cè)試樣本的診斷結(jié)果如表3所示。

表3可以看出，標(biāo)準(zhǔn)BP網(wǎng)絡(luò)的分類性能對(duì)隱含層神經(jīng)元的個(gè)數(shù)要求較高，隱含層神經(jīng)元的個(gè)數(shù)越多分類結(jié)果越接近于目標(biāo)輸出，診斷性能越優(yōu)。但仿真實(shí)驗(yàn)表明，過(guò)多的隱含層神經(jīng)元的個(gè)數(shù)勢(shì)必增加網(wǎng)絡(luò)的復(fù)雜度，最終導(dǎo)致陷入局部極小值而不能收斂；而對(duì)于LVQ網(wǎng)絡(luò)而言，只要競(jìng)爭(zhēng)層神經(jīng)元數(shù)目大于輸出層神經(jīng)元，就可實(shí)現(xiàn)正確分類，即LVQ網(wǎng)絡(luò)對(duì)競(jìng)爭(zhēng)層（隱含層）神經(jīng)元的個(gè)數(shù)設(shè)計(jì)要求較低。相比之下，LVQ網(wǎng)絡(luò)的故障隸屬度之間的差別比和標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷的結(jié)果要明顯得多，故障診斷的結(jié)果更加明確。總的來(lái)說(shuō)，LVQ網(wǎng)絡(luò)和標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型都能在規(guī)定的精度范圍內(nèi)完成對(duì)測(cè)試樣本的診斷，診斷正確率為100%。但是，在LVQ網(wǎng)絡(luò)和標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型的隱含層神經(jīng)元數(shù)目相同情況下，LVQ網(wǎng)絡(luò)診斷模型的診斷結(jié)果更為精確直觀，且LVQ網(wǎng)絡(luò)的收斂速度要比BP網(wǎng)絡(luò)快得多，診斷性能更優(yōu)；而標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型的診斷結(jié)果隨著隱含層神經(jīng)元數(shù)目的變化，且誤差較大，診斷性能較差。

3 結(jié) 語(yǔ)

文中構(gòu)建了一個(gè)LVQ神經(jīng)網(wǎng)絡(luò)分類器，對(duì)某風(fēng)電場(chǎng)風(fēng)電機(jī)組齒輪箱的故障進(jìn)行診斷，并與標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果進(jìn)行對(duì)比。仿真結(jié)果表明：只要訓(xùn)練步數(shù)設(shè)置足夠大，LVQ網(wǎng)絡(luò)診斷模型與標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型都能在規(guī)定預(yù)設(shè)精度范圍內(nèi)完成診斷任務(wù)。但相比之下，LVQ網(wǎng)絡(luò)診斷模型的收斂速度更快、訓(xùn)練準(zhǔn)確性和診斷精度更高、診斷性能更優(yōu)。所以基于LVQ神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱的故障診斷方法是可行的。

參考文獻(xiàn)

[1] DING Shuo， CHANG Xiao?heng， WU Qing?hui. Approximation performance of BP neural networks improved by heuristic approach [J]. Applied Mechanics and Materials， 2013 （411/414）： 1952?1955.

[2] 余妹蘭，匡芳君.BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的改進(jìn)及應(yīng)用[J].沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2011，42（3）：382?384.

[3] 丁碩，常曉恒，巫慶輝，等.LM算法改進(jìn)的BP網(wǎng)絡(luò)在模式分類中的應(yīng)用研究[J].電子測(cè)試，2014（2）：33?35.

[4] DING Shuo， CHANG Xiao?heng， WU Qing?hui. A study on the application of learning vector quantization neural network in pattern classification [J]. Applied Mechanics and Materials， 2014 （525）： 657?660.

[5] 劉軍.基于學(xué)習(xí)矢量神經(jīng)網(wǎng)絡(luò)的電力變壓器故障診斷[J].自動(dòng)化與儀器儀表，2008（1）：86?88.

[6] 劉文軒，嚴(yán)鳳，田霖，等.基于LVQ神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障定位方法[J].電力系統(tǒng)保護(hù)與控制，2012（5）：90?95.

[7] 林淵，肖峰.小波變換閾值降噪方法及在武器自動(dòng)機(jī)數(shù)據(jù)處理中的應(yīng)用[J].電子測(cè)量技術(shù)，2009，32（1）：128?130.

[8] 王斌.面向風(fēng)電機(jī)組齒輪箱的故障診斷系統(tǒng)研究[D].北京：華北電力大學(xué)，2012.

[9] 王凱，任子暉，谷林柱，等.LVQ神經(jīng)網(wǎng)絡(luò)在煤礦風(fēng)機(jī)故障診斷中的研究[J].煤礦機(jī)械，2011，32（11）：256?258.

[10] 趙培，谷立臣.基于LVQ神經(jīng)網(wǎng)絡(luò)的異步電動(dòng)機(jī)故障診斷[J].機(jī)械制造與自動(dòng)化，2010，39（1）：172?174.

2.2 基于LVQ網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱故障診斷模型的建立

LVQ網(wǎng)絡(luò)采用有教師的訓(xùn)練學(xué)習(xí)方式， LVQ網(wǎng)絡(luò)的訓(xùn)練樣本集由輸入數(shù)據(jù)和目標(biāo)輸出組成。在表1的訓(xùn)練樣本集中，輸入向量維數(shù)為5，即輸入層神經(jīng)元為5個(gè)，由風(fēng)電機(jī)組齒輪箱的5個(gè)故障評(píng)價(jià)指標(biāo)組成；目標(biāo)輸出向量對(duì)應(yīng)輸出狀態(tài)，即正常工作、齒面磨損故障和齒輪斷齒故障，設(shè)置三種狀態(tài)分別對(duì)應(yīng)代碼1，2，3；LVQ網(wǎng)絡(luò)的競(jìng)爭(zhēng)層起到聚類作用，競(jìng)爭(zhēng)層的神經(jīng)元個(gè)數(shù)是LVQ網(wǎng)絡(luò)設(shè)計(jì)的一個(gè)關(guān)鍵問(wèn)題，一般為輸出層神經(jīng)元數(shù)量的整數(shù)倍[9?10]，在風(fēng)電機(jī)組齒輪箱的故障診斷中，分別選取競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)為6，9，12，15，18進(jìn)行了仿真，各自經(jīng)過(guò)26，21，24，22，23次訓(xùn)練，網(wǎng)絡(luò)達(dá)到穩(wěn)定，學(xué)習(xí)函數(shù)為learnlv1，目標(biāo)誤差設(shè)定為0.001，學(xué)習(xí)速率設(shè)為0.1。為了比較標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)和LVQ網(wǎng)絡(luò)的診斷性能，用BP神經(jīng)網(wǎng)絡(luò)的方法對(duì)風(fēng)電機(jī)組齒輪箱故障進(jìn)行診斷，BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置為：輸入神經(jīng)元數(shù)為5，輸出神經(jīng)元數(shù)為3，用3位不同的二進(jìn)制代碼表示三種故障類型，（0 0 1）代表正常工作狀態(tài)輸出，（0 1 0）代表齒面磨損故障輸出，（1 0 0）代表齒輪斷齒故障輸出。綜合考慮兩種網(wǎng)絡(luò)的性能和速度， LVQ網(wǎng)絡(luò)競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)最終取為9個(gè)；BP網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)選擇15個(gè)，隱含層神經(jīng)元的傳遞函數(shù)采用tansig，輸出層神經(jīng)元的傳遞函數(shù)采用logsig，目標(biāo)誤差為0.001，學(xué)習(xí)速率設(shè)為0.1。

2.3 LVQ網(wǎng)絡(luò)故障診斷模型的訓(xùn)練

利用表1中的訓(xùn)練樣本數(shù)據(jù)對(duì)LVQ與標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型進(jìn)行訓(xùn)練，LVQ網(wǎng)絡(luò)訓(xùn)練函數(shù)為trainr，標(biāo)準(zhǔn)BP網(wǎng)絡(luò)訓(xùn)練函數(shù)為traingd。在目標(biāo)精度設(shè)置為0.001、最大訓(xùn)練步數(shù)設(shè)為20 000、訓(xùn)練樣本數(shù)目相等的條件下，仿真得到如下結(jié)果：標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型需要9 395步才能達(dá)到目標(biāo)精度，均方誤差為0.000 999 983；LVQ網(wǎng)絡(luò)診斷模型只需要24步就可以達(dá)到目標(biāo)精度，均方誤差為0，遠(yuǎn)遠(yuǎn)高于目標(biāo)精度要求。仿真結(jié)果表明，標(biāo)準(zhǔn)BP網(wǎng)絡(luò)的訓(xùn)練速度不但沒(méi)有優(yōu)勢(shì)， 而且訓(xùn)練過(guò)程中發(fā)生多次震蕩甚至陷入局部最小值而使訓(xùn)練中斷，而LVQ網(wǎng)絡(luò)則要穩(wěn)定得多， 網(wǎng)絡(luò)性能也比標(biāo)準(zhǔn)BP網(wǎng)絡(luò)更佳?？偟膩?lái)說(shuō)，對(duì)于訓(xùn)練樣本集而言，只要訓(xùn)練步數(shù)設(shè)置足夠大，LVQ網(wǎng)絡(luò)診斷模型與標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型都能在規(guī)定的訓(xùn)練步數(shù)范圍內(nèi)完成對(duì)訓(xùn)練樣本的診斷，但相比之下，LVQ網(wǎng)絡(luò)診斷模型的收斂時(shí)間明顯比標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型少，均方誤差也遠(yuǎn)小于標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型。由此可以得出結(jié)論，LVQ網(wǎng)絡(luò)診斷模型對(duì)于訓(xùn)練樣本診斷的精度更高，收斂速度更快。

2.4 LVQ網(wǎng)絡(luò)故障診斷模型的泛化能力測(cè)試

LVQ神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)非監(jiān)督的聚類和有監(jiān)督的學(xué)習(xí)之后，最終形成的分類器網(wǎng)絡(luò)就可以對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類了。為了測(cè)試LVQ網(wǎng)絡(luò)診斷模型的實(shí)際診斷性能，文中利用表2中的測(cè)試樣本數(shù)據(jù)對(duì)所建立的LVQ網(wǎng)絡(luò)診斷模型進(jìn)行泛化能力測(cè)試，利用仿真函數(shù)sim得到網(wǎng)絡(luò)的輸出。針對(duì)LVQ網(wǎng)絡(luò)診斷模型利用函數(shù)ind2vec將類別向量轉(zhuǎn)換成最終的目標(biāo)向量輸出。標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型對(duì)測(cè)試樣本的診斷結(jié)果如表3所示。

表3可以看出，標(biāo)準(zhǔn)BP網(wǎng)絡(luò)的分類性能對(duì)隱含層神經(jīng)元的個(gè)數(shù)要求較高，隱含層神經(jīng)元的個(gè)數(shù)越多分類結(jié)果越接近于目標(biāo)輸出，診斷性能越優(yōu)。但仿真實(shí)驗(yàn)表明，過(guò)多的隱含層神經(jīng)元的個(gè)數(shù)勢(shì)必增加網(wǎng)絡(luò)的復(fù)雜度，最終導(dǎo)致陷入局部極小值而不能收斂；而對(duì)于LVQ網(wǎng)絡(luò)而言，只要競(jìng)爭(zhēng)層神經(jīng)元數(shù)目大于輸出層神經(jīng)元，就可實(shí)現(xiàn)正確分類，即LVQ網(wǎng)絡(luò)對(duì)競(jìng)爭(zhēng)層（隱含層）神經(jīng)元的個(gè)數(shù)設(shè)計(jì)要求較低。相比之下，LVQ網(wǎng)絡(luò)的故障隸屬度之間的差別比和標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷的結(jié)果要明顯得多，故障診斷的結(jié)果更加明確?？偟膩?lái)說(shuō)，LVQ網(wǎng)絡(luò)和標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型都能在規(guī)定的精度范圍內(nèi)完成對(duì)測(cè)試樣本的診斷，診斷正確率為100%。但是，在LVQ網(wǎng)絡(luò)和標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型的隱含層神經(jīng)元數(shù)目相同情況下，LVQ網(wǎng)絡(luò)診斷模型的診斷結(jié)果更為精確直觀，且LVQ網(wǎng)絡(luò)的收斂速度要比BP網(wǎng)絡(luò)快得多，診斷性能更優(yōu)；而標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型的診斷結(jié)果隨著隱含層神經(jīng)元數(shù)目的變化，且誤差較大，診斷性能較差。

3 結(jié) 語(yǔ)

文中構(gòu)建了一個(gè)LVQ神經(jīng)網(wǎng)絡(luò)分類器，對(duì)某風(fēng)電場(chǎng)風(fēng)電機(jī)組齒輪箱的故障進(jìn)行診斷，并與標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果進(jìn)行對(duì)比。仿真結(jié)果表明：只要訓(xùn)練步數(shù)設(shè)置足夠大，LVQ網(wǎng)絡(luò)診斷模型與標(biāo)準(zhǔn)BP網(wǎng)絡(luò)診斷模型都能在規(guī)定預(yù)設(shè)精度范圍內(nèi)完成診斷任務(wù)。但相比之下，LVQ網(wǎng)絡(luò)診斷模型的收斂速度更快、訓(xùn)練準(zhǔn)確性和診斷精度更高、診斷性能更優(yōu)。所以基于LVQ神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱的故障診斷方法是可行的。

參考文獻(xiàn)

[1] DING Shuo， CHANG Xiao?heng， WU Qing?hui. Approximation performance of BP neural networks improved by heuristic approach [J]. Applied Mechanics and Materials， 2013 （411/414）： 1952?1955.

[2] 余妹蘭，匡芳君.BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的改進(jìn)及應(yīng)用[J].沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2011，42（3）：382?384.

[3] 丁碩，常曉恒，巫慶輝，等.LM算法改進(jìn)的BP網(wǎng)絡(luò)在模式分類中的應(yīng)用研究[J].電子測(cè)試，2014（2）：33?35.

[4] DING Shuo， CHANG Xiao?heng， WU Qing?hui. A study on the application of learning vector quantization neural network in pattern classification [J]. Applied Mechanics and Materials， 2014 （525）： 657?660.

[5] 劉軍.基于學(xué)習(xí)矢量神經(jīng)網(wǎng)絡(luò)的電力變壓器故障診斷[J].自動(dòng)化與儀器儀表，2008（1）：86?88.

[6] 劉文軒，嚴(yán)鳳，田霖，等.基于LVQ神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障定位方法[J].電力系統(tǒng)保護(hù)與控制，2012（5）：90?95.

[7] 林淵，肖峰.小波變換閾值降噪方法及在武器自動(dòng)機(jī)數(shù)據(jù)處理中的應(yīng)用[J].電子測(cè)量技術(shù)，2009，32（1）：128?130.

[8] 王斌.面向風(fēng)電機(jī)組齒輪箱的故障診斷系統(tǒng)研究[D].北京：華北電力大學(xué)，2012.

[9] 王凱，任子暉，谷林柱，等.LVQ神經(jīng)網(wǎng)絡(luò)在煤礦風(fēng)機(jī)故障診斷中的研究[J].煤礦機(jī)械，2011，32（11）：256?258.

[10] 趙培，谷立臣.基于LVQ神經(jīng)網(wǎng)絡(luò)的異步電動(dòng)機(jī)故障診斷[J].機(jī)械制造與自動(dòng)化，2010，39（1）：172?174.