论文摘要
近年来,随着现代化生产的发展,机械设备的安全性和可靠性问题越来越突出,设备中可能出现的小故障会造成整个系统设备的瘫痪,为了提高设备的安全可靠性、降低设备强迫停运、降低维修费用、延长设备的使用寿命等,关于机械设备的故障诊断技术越来越受到重视。机械的故障诊断技术是随着现代化大生产工业的发展而发展起来的一项机械设备诊断技术,是大型机械设备安全可靠运行的关键技术之一,也是各种自动化系统及一般机械系统的效率和可靠性进行预知维修及预知管理的基础。因此关于机械设备故障诊断技术的研究具有重要的意义。LVQ神经网络能够通过竞争性的隐含层来传递函数,并根据目标的类别将输入向量进行组合分类。竞争层能够学习对输入向量的分类,线性层将竞争层传来的分类信息转变成使用者所定义的类别。LVQ神经网络的优势在于:它不但能够对线性输入数据进行分类,而且还能处理多维的、甚至是含噪含干扰的数据量。当然LVQ网络也有不足之出:最严重的问题是没能力来解释自己的推理过程和推理依据;其次,把一切问题的特征都变为数字,把一切推理都变为数值计算,其结果势必是丢失信息;再者不能向用户提出必要的询问,而且当数据不充分的时候,神经网络就无法进行工作;最后理论和学习算法还有待于进一步完善和提高。论文首先介绍了人工神经网络的理论知识,接着介绍了关于BP神经网络和LVQ神经网络的结构和学习过程以及网络设计方法,然后基于BP神经网络和LVQ神经网络理论出发分别构造BP网络的网络模型和LVQ网络的网络模型。在齿轮箱故障诊断的实例当中,分别采用BP神经网络和LVQ神经网络对齿轮箱的机械故障进行诊断,并将两个神经网络的诊断结果进行比较,得出LVQ神经网络在机械设备故障诊断的应用中更具有优势,更适合用来作为检测机械设备的故障。最后文章进行总结工作,并提出了下一步的研究方向。