基于形态分形维数与改进ELM的轴承故障预测

将形态分形维数作为轴承故障预测特征量,形成轴承故障预测特征量序列。同时,为优化极限学习机(ELM)预测模型,综合考虑模型的精度、预测趋势及稳定性,提出一种序列关联度系数及其计算方法,对ELM预测模型进行优化,并利用提取的故障预测特征量序列对模型进行训练。用轴承全寿命数据进行验证,结果表明,形态分形维数的变化情况较好反映了轴承性能退化的过程,改进的ELM预测模型实现了对轴承故障的有效预测,且其精度及稳定性较原始ELM预测模型有一定提高。     

基于变分模态分解和极限学习机轴承寿命预测

提出了一种基于变分模态分解(VariationalModeDecomposition,VMD)谱熵和极限学习机(ExtremeLearningMachine,ELM)的轴承寿命预测方法。首先,对轴承的振动信号提取变分模态分解谱熵特征,组成表征轴承健康因子的时间序列。其次,对健康因子时间序列进行变分模态分解并提取时间序列的趋势项,ELM对趋势项预测实现对轴承剩余寿命的预测。实例验证,VMD-ELM模型的对轴承健康因子时间序列的预测有良好的精度,准确预测了轴承的劣化趋势和轴承的剩余寿命。     

基于互信息和IGSA优化ELM的重整芳烃收率软测量

芳烃收率是催化重整生产过程中一个重要的产品质量指标。针对芳烃收率难以在线测量的问题,提出一种基于互信息(MI)和改进引力搜索算法(IGSA)优化极限学习机(ELM)的芳烃收率软测量建模方法。首先利用MI技术对输入变量进行特征提取及降维处理,确定软测量模型的辅助变量;其次通过引入序列二次规划法(SQP)和混沌变异策略,构建一种具有良好全局寻优性能的改进引力搜索算法,并利用该算法优化极限学习机的隐层阈值及输入权值参数,优化目标同时兼顾模型输出均方根误差和输出矩阵条件数的最小化,建立起基于IGSA优化ELM的芳烃收率软测量模型;最后应用该模型对某炼化企业催化重整装置的芳烃收率进行预报研究,结果表明,该软测量模型具有较高的预测精度和可靠性能。     

基于差分进化和极限学习机的并发查询性能预测

为应对数据规模持续增长、查询负载多样化和复杂化的趋势为云服务提供商资源管理带来的挑战,提出一种基于差分进化(DE)和极限学习机(ELM)的方法 DE-ELM,对并发查询的性能进行预测。极限学习机用于预测并发查询性能,差分进化算法用于同步优化特征子集和极限学习机结构。该方法仅使用查询编译时信息、无需事先指定特征数目,也无需事先就查询交互的性质、数据库系统的内部运作机制做出先验假设。在合成数据集和真实数据集上进行了详细的实验研究,以评估极限学习机的训练效果、同步优化特征子集和极限学习机结构的效果。结果表明,DE-ELM的平均预测精度高于80%,在一定程度上证明了所提方法的可行性和有效性。     

基于RCMRFDE和ELM的滚动轴承故障检测方法

为了有效地提升滚动轴承故障诊断的可靠性和准确性，鉴于精细复合多尺度反向波动散布熵(RCMRFDE)方法在描述非线性序列复杂度和特征提取方面的优势，提出了一种结合RCMRFDE和极限学习机(ELM)的滚动轴承综合故障检测方法(该方法包括健康检测和故障分类)。首先，根据滚动轴承健康和故障振动信号复杂性具有显著性差异的特点，利用RCMRFDE预先检测了滚动轴承的健康状态，筛选出了健康轴承；然后，采用RCMRFDE提取出了剩余故障轴承的故障特征，并采用极限学习机(ELM)对故障类型进行了智能化的识别；最后，基于两种公开的滚动轴承故障实验数据，分别采用RCMRFDE+ELM方法与其他5种故障诊断方法进行了检测，并将所得结果进行了比较分析，以验证新方法的检测精度、分类准确率、效率和可靠性。研究结果表明：采用RCMRFDE+ELM方法能够准确地检测出滚动轴承是否存在故障，并且在二次实验中，对于故障轴承的平均识别准确率分别达到了99.96%和99.67%,均高于其他方法。该方法可以为建立滚动轴承的健康监测模型提供阈值设置方法和诊断思路。     

基于VMD和ELM＿AdaBoost滚动轴承剩余寿命预测

为了精准预测滚动轴承的剩余使用寿命,提出一种基于VMD和ELM＿AdaBoost的滚动轴承剩余寿命预测方法。该方法首先利用变分模态分解对滚动轴承全寿命振动信号进行分解,得到多个模态分量,并提取各模态分量的奇异值作为滚动轴承故障特征信息。然后利用主成分分析（PCA）进行特征信息融合,建立滚动轴承性能退化评价指标。最后将经PCA融合后奇异值代入到ELM＿AdaBoost预测模型中,训练ELM＿AdaBoost预测模型,对滚动轴承进行退化趋势和剩余寿命预测。仿真实验结果表明,该方法具有更高的预测精度,其预测效果优于ELM预测模型及基于EMD和ELM＿AdaBoost预测模型,能够更好对滚动轴承的剩余寿命进行预测。     

改进的布谷鸟算法优化极限学习机的石化轴承故障分类

针对通用的智能故障诊断方法在石化滚动轴承中准确率不理想的问题,提出一种通过改进的布谷鸟算法( CS )优化极限学习机( ELM )使诊断准确率提高的模型。将实测轴承振动信号降噪处理,计算不同嵌入维度下的关联维数作为 ELM 的输入信号;通过改进的布谷鸟算法获取极限学习机最优的隐含层偏置、输入权重,最后输出诊断结果。经过实验证明,该方法可以有效地克服测量信号时的干扰,可以对不同故障下的滚动轴承准确识别,并与多种模型对比,该方法的故障诊断准确率为 97.5% 。     

基于LMD-SVD和极限学习机的滚动轴承故障诊断方法研究

针对局部均值分解(LMD)得到的PF分量对于分类方法的输入而言过大,提出了一种基于局部均值分解(LMD)-奇异值分解(SVD)和极限学习机(ELM)的故障诊断方法.首先,通过LMD将非线性非平稳的原始振动信号分解为一系列乘积函数,从而得到具有物理意义的瞬时频率;然后,采用SVD处理PF分量以压缩特征向量尺度并获得更加稳定的特征向量值;最后,基于提取的特征向量,应用运算效率和分类精度更高的ELM对轴承故障状态进行分类.试验结果表明,该方法能有效的对风机轴承在变工况条件下进行自适应诊断.     

光纤陀螺温度漂移的多尺度集成建模研究

为了逼近光纤陀螺(FOG)温度漂移的复杂非线性关系,提出一种基于有界整体经验模态分解(BEEMD)和极限学习机(ELM)的多尺度集成建模方法(SE-BEEMD-ELM)。采用样本熵(SE)分析BEEMD分解得到的本征模态函数(IMF)序列,根据SE值变化趋势和大小得到漂移数据的多个尺度分量。分别以温度梯度变化和单一尺度分量训练ELM子模型,累加生成的多个子模型得到FOG温度漂移的集成模型。实验结果表明,基于SE-BEEMD-ELM的多尺度集成建模方法,建模精度较基于BEEMD-BP以及BEEMD-ELM的单一模型提高2个量级。     

基于在线贯序极限学习机的齿轮故障诊断方法

针对表征齿轮故障信息的特征难提取与极限学习机无法处理随时间变化的信息流,致使齿轮故障分类模型精度差、泛化能力弱的问题,提出一种基于在线贯序极限学习机的齿轮故障诊断方法。该方法首先将齿轮振动信号进行相空间重构,并对重构矩阵进行奇异值分解得到奇异值特征向量;其次,建立在线贯序极限学习机的齿轮故障分类模型,并将奇异值特征向量作为模型输入进行齿轮不同故障状态的辨识。实验结果表明:与基于BP、SVM与ELM的故障分类方法相比,基于基于在线贯序极限学习机的齿轮故障诊断方法具有更快的学习速度、更高的分类精度与更强的泛化能力。     

基于二元多尺度熵的滚动轴承退化趋势预测

针对轴承振动信号随机噪声干扰大、多尺度熵表征轴承退化趋势偏差大的问题,提出了一种基于二元多尺度熵的滚动轴承退化趋势预测方法。首先对滚动轴承振动信号进行局部特征尺度分解,采用多元多尺度熵理论对二阶信号进行计算,提取了二元多尺度熵特征。然后采用互信息法和假近邻法对算法中的嵌入维数和延迟向量等参数进行了优化。最后采用极限学习机预测模型对二元多尺度熵退化趋势曲线进行预测,并对比了不同激活函数的预测性能。结果表明,相对于传统多尺度熵,二元多尺度熵偏差较小;激活函数为sigmoid时极限学习机模型预测精确度较高。     

基于ASOS-ELM的湿式球磨机负荷软测量方法

针对湿式球磨机在磨矿过程中内部负荷靠专家经验难以准确预测的问题,提出一种基于改进的共生生物搜索(ameliorated symbiotic organisms search,简称ASOS)-极限学习机(extreme learning machine,简称ELM)的磨机负荷软测量方法。首先,利用ELM算法建立磨机负荷软测量模型,运用ASOS算法优化软测量模型的隐含层参数;其次,以筒体振动与振声信号的特征信息构建磨机负荷特征向量,并将其作为软测量模型的输入,将磨机负荷参数作为输出;最后,通过磨矿负荷检测实验和对比分析表明,磨机负荷软测量模型的负荷参数预测准确率较高,泛化能力较强,为磨机磨矿效率的提高及控制优化提供了有益的指导。     

基于在线相关熵极限学习机的器件退化趋势实时流预测方法

针对器件退化趋势预测,现有方法难以有效进行模型在线更新且趋势预测易受噪声和奇异值影响产生畸变的问题,构建了一种在线受限相关熵极限学习机,并在该模型基础上,提出了预测模型动态更新方法,完成了高可靠器件退化趋势建模及参数线动态更新。通过建立训练数据误差编码本,利用M-估计动态检测训练数据中的奇异值并进行相应的模型修正,进一步提高模型的鲁棒性。仿真实验及光电耦合器CTR实验均表明该方法相比于典型的预测方法,能够在避免实时噪声和奇异值干扰的情况下对预测模型作出有效的更新且能快速给出单步及多步的预测结果,有效地提升了实时预测的准确性。     

基于ICPSO优化的极限学习机在故障诊断中的应用

极限学习机(extreme learning machine,ELM)的分类性能受随机产生的输入权值和隐层阈值的影响,为此,提出一种改进的混沌粒子群算法(ICPSO),用以优化输入权值和阈值,得到基于ICPSO优化的ELM故障诊断模型。仿真和实验结果表明,ICPSO算法改善了ELM网络的学习效率和诊断精度,可有效应用于故障诊断。     

钢坯拉速模糊信息粒化及钢坯定重切割的极限学习机预报

为提高钢坯定重切割精度,分析了钢坯质量与钢坯平均拉速间的关联性。建立了钢坯拉速数据的模糊信息粒化模型,将每5根钢坯的平均拉速数据变换为一个三角型模糊粒,得到模糊粒子中的3个参数：钢坯平均拉速变化的最小值vLow、均值vmid和最大值vup,降低钢坯拉速数据的复杂度,得到含不同信息的拉速数据粒化子集。建立了基于信息粒化数据的支持向量机（SVM）回归模型,以模糊粒子参数为输入向量对钢坯平均拉速进行回归预测,得到下一根钢坯的平均拉速预测值。综合考虑钢坯截面积、钢坯平均拉速、定尺长度、下一根钢坯平均拉速预测值等影响因素,建立了极限学习机（ELM）神经网络预报模型,实现了钢坯定重预报。     

基于耦合算法的类人机器人模仿学习控制方法

为提高类人机器人模仿学习的准确性及效率,建立了一种改进的粒子群算法优化超限学习机的模仿学习模型。采用非线性动态系统对示教时的相关数据进行建模;以动态自适应策略改进粒子群算法的惯性权重,并利用改进后的粒子群算法对超限学习机的网络参数进行寻优;利用该耦合学习模型对模仿学习动态系统的参数进行学习,并重现了模仿学习动作。实验结果表明,该耦合算法应用在类人机器人模仿学习方面具有很好的拟合精度、自适应性及泛化能力,重现模仿学习动作时的平均误差为0.0172。     

An extreme learning machine combined with Landweber iteration algorithm for the inverse problem of electrical capacitance tomography

The image reconstruction of the electrical capacitance tomography (ECT) is an ill-posed and sparse problem. In order to increase the accuracy and speed of the image reconstruction, this paper proposes a new reconstruction algorithm which is based on the extreme learning machine (ELM) with the Landweber iteration method. Firstly, a nonlinear mapping model is established between the pixel gray-scale values and the interelectrode capacitances by using the ELM which has a good learning ability and high speed. Secondly, the Landweber iteration method, which has a good performance in convergence and stability, is applied to calculate the output weight matrix of ELM. Finally, a convergence and stable mapping model of ELM with the Landweber iteration algorithm (L-ELM) for ECT image reconstruction is trained on Matlab platform. Both simulation and measurement tests are carried out to evaluate and analyze the proposed method. Experimental results indicate that the proposed algorithm has good generalization ability and high image reconstruction quality which are better than those of conventional ELM algorithm.     

基于正则化与遗忘因子的极限学习机及其在故障预测中的应用

为了解决在线贯序极限学习机(OS-ELM)算法容易产生奇异矩阵、算法贯序更新过程中没有考虑训练样本时效性的问题,提出基于l2-正则化和自适应遗忘因子的OS-ELM(RFOS-ELM)算法。RFOS-ELM在初始阶段加入正则化机制,克服因矩阵奇异而降低OS-ELM泛化能力的缺点。在贯序更新阶段,RFOS-ELM通过引入自适应遗忘因子实时调整新旧训练样本所占比重,推导正则化条件下带遗忘因子RFOS-ELM的递推更新算法,提高其对动态变化系统的跟踪能力。某型无人机机载发射机故障预测实例表明,相比于传统OS-ELM和正则化OS-ELM算法,本文提出方法具有更高的预测精度。