基于LVQ神經網絡風電機組齒輪箱故障診斷研究

丁碩　常曉恒　巫慶輝　魏洪峰　楊友林

摘 要： 針對風電機組齒輪箱故障診斷技術的不足，提出一種基于LVQ神經網絡的故障診斷方法，利用小波分析方法對某風電機組齒輪箱正常狀態、磨損故障和斷齒故障狀態下的振動信號進行降噪處理，在時域和頻域內提取了5個特征參數對所建立的模型進行訓練。為了檢驗模型的實際診斷能力，與標準BP神經網絡的診斷結果進行對比。仿真結果表明：基于LVQ神經網絡的故障診斷速度更快、準確率更高、泛化能力更強，驗證了所提出方法的實用性和有效性。

關鍵詞： LVQ神經網絡； BP神經網絡； 風電機組； 齒輪箱； 故障診斷

中圖分類號： TP183 文獻標識碼： A 文章編號： 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

風力發電技術是目前國際上可再生能源領域發展最快的技術手段之一，齒輪箱是風力發電機組故障率最高的部件，風電機組齒輪箱安裝空間狹小，而且又位于高空塔頂作業，一旦發生故障，維修非常困難。人工神經網絡的快速發展為解決非線性復雜系統的故障診斷問題提供了一種新的解決途徑。在眾多的人工神經網絡類型中，反向傳播（Back Propagation，BP）神經網絡是應用最為廣泛的一類網絡。但是，標準BP網絡的收斂速度較慢，而且可能陷入局部極小值[1?4]。學習向量量化法（ Learning Vector Quantization，LVQ） 神經網絡是在監督狀態下對競爭層進行訓練的一種學習算法。競爭層自動學習并對輸入向量進行分類， 這種分類的結果僅僅依賴于輸入向量之間的距離。如果兩個輸入向量特別相近， 競爭層就把它們分在同一類，從而能較好地克服標準BP網絡訓練時間長及計算復雜度高等缺點[5]。目前專門研究風電機組齒輪箱故障診斷的文獻尚且不多，因此，文中嘗試將LVQ神經網絡應用于風電機組齒輪箱的故障診斷中，基于Matlab 2007平臺，編程建立了LVQ網絡診斷模型，并和BP網絡診斷模型的結果進行對比。仿真結果表明，基于LVQ神經網絡的風電機組齒輪箱故障診斷的準確率高，驗證了該方法的有效性。

1 LVQ神經網絡的結構與算法

LVQ神經網絡是一種結合監督學習與非監督學習的混合網絡結構，它由三部分組成：輸入層、競爭層（隱含層）和輸出層。競爭層根據輸入向量的距離學習來對輸入向量分類，輸出層將競爭層傳遞來的分類信息轉換成所定義的類別，每個輸出層處理單元表示一個分類[6]。

2 基于LVQ網絡的風電機組齒輪箱故障診斷實例

2.1 風電機組齒輪箱故障特征信息提取

文中利用振動傳感器測得某風電場風電機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下的振動數據，每種狀態下均取15個不同轉速，共45組振動數據。由于測試過程中存在諸多干擾，測得的原始數據包含較多噪聲。文中利用小波分析方法對原始振動信號進行小波降噪處理，小波分析進行閾值處理一般有三種方法：默認閾值消噪處理，給定閾值消噪處理和強制消噪處理[7]。文中采用wthresh函數進行閾值量化處理，濾除原始信號中的干擾和噪聲，突出了的原始振動信號中的有效信息。為了能夠較為全面地反映風電機組齒輪箱的故障特征，從時域和頻域兩方面提取齒輪箱的特征參數。因此在時域內選取裕度、峭度、峰值和脈沖四項故障評價指標對振動信號進行特征提取；在頻域內選取功率譜熵評價指標對振動信號進行特征提取。為了使網絡訓練收斂速度更快，對輸入向量進行歸一化處理，經過大量的數據分析歸納，并參考相關的文獻資料[8]，由Matlab 2007仿真得到標準化（經過歸一化處理）的用于訓練神經網絡的特征值。最終得到樣本集數目為45組，其中42組用于神經網絡的學習訓練， 3組數據用作神經網絡的測試樣本數據，部分訓練樣本數據如表1所示，測試樣本數據如表2所示。

2.2 基于LVQ網絡的風電機組齒輪箱故障診斷模型的建立

LVQ網絡采用有教師的訓練學習方式， LVQ網絡的訓練樣本集由輸入數據和目標輸出組成。在表1的訓練樣本集中，輸入向量維數為5，即輸入層神經元為5個，由風電機組齒輪箱的5個故障評價指標組成；目標輸出向量對應輸出狀態，即正常工作、齒面磨損故障和齒輪斷齒故障，設置三種狀態分別對應代碼1，2，3；LVQ網絡的競爭層起到聚類作用，競爭層的神經元個數是LVQ網絡設計的一個關鍵問題，一般為輸出層神經元數量的整數倍[9?10]，在風電機組齒輪箱的故障診斷中，分別選取競爭層神經元個數為6，9，12，15，18進行了仿真，各自經過26，21，24，22，23次訓練，網絡達到穩定，學習函數為learnlv1，目標誤差設定為0.001，學習速率設為0.1。為了比較標準的BP神經網絡和LVQ網絡的診斷性能，用BP神經網絡的方法對風電機組齒輪箱故障進行診斷，BP神經網絡的參數設置為：輸入神經元數為5，輸出神經元數為3，用3位不同的二進制代碼表示三種故障類型，（0 0 1）代表正常工作狀態輸出，（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。綜合考慮兩種網絡的性能和速度， LVQ網絡競爭層神經元個數最終取為9個；BP網絡隱含層神經元數選擇15個，隱含層神經元的傳遞函數采用tansig，輸出層神經元的傳遞函數采用logsig，目標誤差為0.001，學習速率設為0.1。

2.3 LVQ網絡故障診斷模型的訓練

利用表1中的訓練樣本數據對LVQ與標準BP網絡診斷模型進行訓練，LVQ網絡訓練函數為trainr，標準BP網絡訓練函數為traingd。在目標精度設置為0.001、最大訓練步數設為20 000、訓練樣本數目相等的條件下，仿真得到如下結果：標準BP網絡診斷模型需要9 395步才能達到目標精度，均方誤差為0.000 999 983；LVQ網絡診斷模型只需要24步就可以達到目標精度，均方誤差為0，遠遠高于目標精度要求。仿真結果表明，標準BP網絡的訓練速度不但沒有優勢， 而且訓練過程中發生多次震蕩甚至陷入局部最小值而使訓練中斷，而LVQ網絡則要穩定得多， 網絡性能也比標準BP網絡更佳。總的來說，對于訓練樣本集而言，只要訓練步數設置足夠大，LVQ網絡診斷模型與標準BP網絡診斷模型都能在規定的訓練步數范圍內完成對訓練樣本的診斷，但相比之下，LVQ網絡診斷模型的收斂時間明顯比標準BP網絡診斷模型少，均方誤差也遠小于標準BP網絡診斷模型。由此可以得出結論，LVQ網絡診斷模型對于訓練樣本診斷的精度更高，收斂速度更快。

2.4 LVQ網絡故障診斷模型的泛化能力測試

LVQ神經網絡經過非監督的聚類和有監督的學習之后，最終形成的分類器網絡就可以對測試數據進行分類了。為了測試LVQ網絡診斷模型的實際診斷性能，文中利用表2中的測試樣本數據對所建立的LVQ網絡診斷模型進行泛化能力測試，利用仿真函數sim得到網絡的輸出。針對LVQ網絡診斷模型利用函數ind2vec將類別向量轉換成最終的目標向量輸出。標準BP網絡診斷模型對測試樣本的診斷結果如表3所示。

表3可以看出，標準BP網絡的分類性能對隱含層神經元的個數要求較高，隱含層神經元的個數越多分類結果越接近于目標輸出，診斷性能越優。但仿真實驗表明，過多的隱含層神經元的個數勢必增加網絡的復雜度，最終導致陷入局部極小值而不能收斂；而對于LVQ網絡而言，只要競爭層神經元數目大于輸出層神經元，就可實現正確分類，即LVQ網絡對競爭層（隱含層）神經元的個數設計要求較低。相比之下，LVQ網絡的故障隸屬度之間的差別比和標準BP網絡診斷的結果要明顯得多，故障診斷的結果更加明確。總的來說，LVQ網絡和標準BP網絡診斷模型都能在規定的精度范圍內完成對測試樣本的診斷，診斷正確率為100%。但是，在LVQ網絡和標準BP網絡診斷模型的隱含層神經元數目相同情況下，LVQ網絡診斷模型的診斷結果更為精確直觀，且LVQ網絡的收斂速度要比BP網絡快得多，診斷性能更優；而標準BP網絡診斷模型的診斷結果隨著隱含層神經元數目的變化，且誤差較大，診斷性能較差。

3 結 語

文中構建了一個LVQ神經網絡分類器，對某風電場風電機組齒輪箱的故障進行診斷，并與標準BP神經網絡的診斷結果進行對比。仿真結果表明：只要訓練步數設置足夠大，LVQ網絡診斷模型與標準BP網絡診斷模型都能在規定預設精度范圍內完成診斷任務。但相比之下，LVQ網絡診斷模型的收斂速度更快、訓練準確性和診斷精度更高、診斷性能更優。所以基于LVQ神經網絡的風電機組齒輪箱的故障診斷方法是可行的。

參考文獻

[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神經網絡學習算法的改進及應用[J].沈陽農業大學學報，2011，42（3）：382?384.

[3] 丁碩，常曉恒，巫慶輝，等.LM算法改進的BP網絡在模式分類中的應用研究[J].電子測試，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.基于學習矢量神經網絡的電力變壓器故障診斷[J].自動化與儀器儀表，2008（1）：86?88.

[6] 劉文軒，嚴鳳，田霖，等.基于LVQ神經網絡的配電網故障定位方法[J].電力系統保護與控制，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機數據處理中的應用[J].電子測量技術，2009，32（1）：128?130.

[8] 王斌.面向風電機組齒輪箱的故障診斷系統研究[D].北京：華北電力大學，2012.

[9] 王凱，任子暉，谷林柱，等.LVQ神經網絡在煤礦風機故障診斷中的研究[J].煤礦機械，2011，32（11）：256?258.

[10] 趙培，谷立臣.基于LVQ神經網絡的異步電動機故障診斷[J].機械制造與自動化，2010，39（1）：172?174.

2.2 基于LVQ網絡的風電機組齒輪箱故障診斷模型的建立

LVQ網絡采用有教師的訓練學習方式， LVQ網絡的訓練樣本集由輸入數據和目標輸出組成。在表1的訓練樣本集中，輸入向量維數為5，即輸入層神經元為5個，由風電機組齒輪箱的5個故障評價指標組成；目標輸出向量對應輸出狀態，即正常工作、齒面磨損故障和齒輪斷齒故障，設置三種狀態分別對應代碼1，2，3；LVQ網絡的競爭層起到聚類作用，競爭層的神經元個數是LVQ網絡設計的一個關鍵問題，一般為輸出層神經元數量的整數倍[9?10]，在風電機組齒輪箱的故障診斷中，分別選取競爭層神經元個數為6，9，12，15，18進行了仿真，各自經過26，21，24，22，23次訓練，網絡達到穩定，學習函數為learnlv1，目標誤差設定為0.001，學習速率設為0.1。為了比較標準的BP神經網絡和LVQ網絡的診斷性能，用BP神經網絡的方法對風電機組齒輪箱故障進行診斷，BP神經網絡的參數設置為：輸入神經元數為5，輸出神經元數為3，用3位不同的二進制代碼表示三種故障類型，（0 0 1）代表正常工作狀態輸出，（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。綜合考慮兩種網絡的性能和速度， LVQ網絡競爭層神經元個數最終取為9個；BP網絡隱含層神經元數選擇15個，隱含層神經元的傳遞函數采用tansig，輸出層神經元的傳遞函數采用logsig，目標誤差為0.001，學習速率設為0.1。

2.3 LVQ網絡故障診斷模型的訓練

利用表1中的訓練樣本數據對LVQ與標準BP網絡診斷模型進行訓練，LVQ網絡訓練函數為trainr，標準BP網絡訓練函數為traingd。在目標精度設置為0.001、最大訓練步數設為20 000、訓練樣本數目相等的條件下，仿真得到如下結果：標準BP網絡診斷模型需要9 395步才能達到目標精度，均方誤差為0.000 999 983；LVQ網絡診斷模型只需要24步就可以達到目標精度，均方誤差為0，遠遠高于目標精度要求。仿真結果表明，標準BP網絡的訓練速度不但沒有優勢， 而且訓練過程中發生多次震蕩甚至陷入局部最小值而使訓練中斷，而LVQ網絡則要穩定得多， 網絡性能也比標準BP網絡更佳。總的來說，對于訓練樣本集而言，只要訓練步數設置足夠大，LVQ網絡診斷模型與標準BP網絡診斷模型都能在規定的訓練步數范圍內完成對訓練樣本的診斷，但相比之下，LVQ網絡診斷模型的收斂時間明顯比標準BP網絡診斷模型少，均方誤差也遠小于標準BP網絡診斷模型。由此可以得出結論，LVQ網絡診斷模型對于訓練樣本診斷的精度更高，收斂速度更快。

2.4 LVQ網絡故障診斷模型的泛化能力測試

LVQ神經網絡經過非監督的聚類和有監督的學習之后，最終形成的分類器網絡就可以對測試數據進行分類了。為了測試LVQ網絡診斷模型的實際診斷性能，文中利用表2中的測試樣本數據對所建立的LVQ網絡診斷模型進行泛化能力測試，利用仿真函數sim得到網絡的輸出。針對LVQ網絡診斷模型利用函數ind2vec將類別向量轉換成最終的目標向量輸出。標準BP網絡診斷模型對測試樣本的診斷結果如表3所示。

表3可以看出，標準BP網絡的分類性能對隱含層神經元的個數要求較高，隱含層神經元的個數越多分類結果越接近于目標輸出，診斷性能越優。但仿真實驗表明，過多的隱含層神經元的個數勢必增加網絡的復雜度，最終導致陷入局部極小值而不能收斂；而對于LVQ網絡而言，只要競爭層神經元數目大于輸出層神經元，就可實現正確分類，即LVQ網絡對競爭層（隱含層）神經元的個數設計要求較低。相比之下，LVQ網絡的故障隸屬度之間的差別比和標準BP網絡診斷的結果要明顯得多，故障診斷的結果更加明確。總的來說，LVQ網絡和標準BP網絡診斷模型都能在規定的精度范圍內完成對測試樣本的診斷，診斷正確率為100%。但是，在LVQ網絡和標準BP網絡診斷模型的隱含層神經元數目相同情況下，LVQ網絡診斷模型的診斷結果更為精確直觀，且LVQ網絡的收斂速度要比BP網絡快得多，診斷性能更優；而標準BP網絡診斷模型的診斷結果隨著隱含層神經元數目的變化，且誤差較大，診斷性能較差。

3 結 語

文中構建了一個LVQ神經網絡分類器，對某風電場風電機組齒輪箱的故障進行診斷，并與標準BP神經網絡的診斷結果進行對比。仿真結果表明：只要訓練步數設置足夠大，LVQ網絡診斷模型與標準BP網絡診斷模型都能在規定預設精度范圍內完成診斷任務。但相比之下，LVQ網絡診斷模型的收斂速度更快、訓練準確性和診斷精度更高、診斷性能更優。所以基于LVQ神經網絡的風電機組齒輪箱的故障診斷方法是可行的。

參考文獻

[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神經網絡學習算法的改進及應用[J].沈陽農業大學學報，2011，42（3）：382?384.

[3] 丁碩，常曉恒，巫慶輝，等.LM算法改進的BP網絡在模式分類中的應用研究[J].電子測試，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.基于學習矢量神經網絡的電力變壓器故障診斷[J].自動化與儀器儀表，2008（1）：86?88.

[6] 劉文軒，嚴鳳，田霖，等.基于LVQ神經網絡的配電網故障定位方法[J].電力系統保護與控制，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機數據處理中的應用[J].電子測量技術，2009，32（1）：128?130.

[8] 王斌.面向風電機組齒輪箱的故障診斷系統研究[D].北京：華北電力大學，2012.

[9] 王凱，任子暉，谷林柱，等.LVQ神經網絡在煤礦風機故障診斷中的研究[J].煤礦機械，2011，32（11）：256?258.

[10] 趙培，谷立臣.基于LVQ神經網絡的異步電動機故障診斷[J].機械制造與自動化，2010，39（1）：172?174.

2.2 基于LVQ網絡的風電機組齒輪箱故障診斷模型的建立

LVQ網絡采用有教師的訓練學習方式， LVQ網絡的訓練樣本集由輸入數據和目標輸出組成。在表1的訓練樣本集中，輸入向量維數為5，即輸入層神經元為5個，由風電機組齒輪箱的5個故障評價指標組成；目標輸出向量對應輸出狀態，即正常工作、齒面磨損故障和齒輪斷齒故障，設置三種狀態分別對應代碼1，2，3；LVQ網絡的競爭層起到聚類作用，競爭層的神經元個數是LVQ網絡設計的一個關鍵問題，一般為輸出層神經元數量的整數倍[9?10]，在風電機組齒輪箱的故障診斷中，分別選取競爭層神經元個數為6，9，12，15，18進行了仿真，各自經過26，21，24，22，23次訓練，網絡達到穩定，學習函數為learnlv1，目標誤差設定為0.001，學習速率設為0.1。為了比較標準的BP神經網絡和LVQ網絡的診斷性能，用BP神經網絡的方法對風電機組齒輪箱故障進行診斷，BP神經網絡的參數設置為：輸入神經元數為5，輸出神經元數為3，用3位不同的二進制代碼表示三種故障類型，（0 0 1）代表正常工作狀態輸出，（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。綜合考慮兩種網絡的性能和速度， LVQ網絡競爭層神經元個數最終取為9個；BP網絡隱含層神經元數選擇15個，隱含層神經元的傳遞函數采用tansig，輸出層神經元的傳遞函數采用logsig，目標誤差為0.001，學習速率設為0.1。

2.3 LVQ網絡故障診斷模型的訓練

利用表1中的訓練樣本數據對LVQ與標準BP網絡診斷模型進行訓練，LVQ網絡訓練函數為trainr，標準BP網絡訓練函數為traingd。在目標精度設置為0.001、最大訓練步數設為20 000、訓練樣本數目相等的條件下，仿真得到如下結果：標準BP網絡診斷模型需要9 395步才能達到目標精度，均方誤差為0.000 999 983；LVQ網絡診斷模型只需要24步就可以達到目標精度，均方誤差為0，遠遠高于目標精度要求。仿真結果表明，標準BP網絡的訓練速度不但沒有優勢， 而且訓練過程中發生多次震蕩甚至陷入局部最小值而使訓練中斷，而LVQ網絡則要穩定得多， 網絡性能也比標準BP網絡更佳。總的來說，對于訓練樣本集而言，只要訓練步數設置足夠大，LVQ網絡診斷模型與標準BP網絡診斷模型都能在規定的訓練步數范圍內完成對訓練樣本的診斷，但相比之下，LVQ網絡診斷模型的收斂時間明顯比標準BP網絡診斷模型少，均方誤差也遠小于標準BP網絡診斷模型。由此可以得出結論，LVQ網絡診斷模型對于訓練樣本診斷的精度更高，收斂速度更快。

2.4 LVQ網絡故障診斷模型的泛化能力測試

LVQ神經網絡經過非監督的聚類和有監督的學習之后，最終形成的分類器網絡就可以對測試數據進行分類了。為了測試LVQ網絡診斷模型的實際診斷性能，文中利用表2中的測試樣本數據對所建立的LVQ網絡診斷模型進行泛化能力測試，利用仿真函數sim得到網絡的輸出。針對LVQ網絡診斷模型利用函數ind2vec將類別向量轉換成最終的目標向量輸出。標準BP網絡診斷模型對測試樣本的診斷結果如表3所示。

表3可以看出，標準BP網絡的分類性能對隱含層神經元的個數要求較高，隱含層神經元的個數越多分類結果越接近于目標輸出，診斷性能越優。但仿真實驗表明，過多的隱含層神經元的個數勢必增加網絡的復雜度，最終導致陷入局部極小值而不能收斂；而對于LVQ網絡而言，只要競爭層神經元數目大于輸出層神經元，就可實現正確分類，即LVQ網絡對競爭層（隱含層）神經元的個數設計要求較低。相比之下，LVQ網絡的故障隸屬度之間的差別比和標準BP網絡診斷的結果要明顯得多，故障診斷的結果更加明確。總的來說，LVQ網絡和標準BP網絡診斷模型都能在規定的精度范圍內完成對測試樣本的診斷，診斷正確率為100%。但是，在LVQ網絡和標準BP網絡診斷模型的隱含層神經元數目相同情況下，LVQ網絡診斷模型的診斷結果更為精確直觀，且LVQ網絡的收斂速度要比BP網絡快得多，診斷性能更優；而標準BP網絡診斷模型的診斷結果隨著隱含層神經元數目的變化，且誤差較大，診斷性能較差。

3 結 語

文中構建了一個LVQ神經網絡分類器，對某風電場風電機組齒輪箱的故障進行診斷，并與標準BP神經網絡的診斷結果進行對比。仿真結果表明：只要訓練步數設置足夠大，LVQ網絡診斷模型與標準BP網絡診斷模型都能在規定預設精度范圍內完成診斷任務。但相比之下，LVQ網絡診斷模型的收斂速度更快、訓練準確性和診斷精度更高、診斷性能更優。所以基于LVQ神經網絡的風電機組齒輪箱的故障診斷方法是可行的。

參考文獻

[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神經網絡學習算法的改進及應用[J].沈陽農業大學學報，2011，42（3）：382?384.

[3] 丁碩，常曉恒，巫慶輝，等.LM算法改進的BP網絡在模式分類中的應用研究[J].電子測試，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.基于學習矢量神經網絡的電力變壓器故障診斷[J].自動化與儀器儀表，2008（1）：86?88.

[6] 劉文軒，嚴鳳，田霖，等.基于LVQ神經網絡的配電網故障定位方法[J].電力系統保護與控制，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機數據處理中的應用[J].電子測量技術，2009，32（1）：128?130.

[8] 王斌.面向風電機組齒輪箱的故障診斷系統研究[D].北京：華北電力大學，2012.

[9] 王凱，任子暉，谷林柱，等.LVQ神經網絡在煤礦風機故障診斷中的研究[J].煤礦機械，2011，32（11）：256?258.

[10] 趙培，谷立臣.基于LVQ神經網絡的異步電動機故障診斷[J].機械制造與自動化，2010，39（1）：172?174.