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.     

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。     

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OS-ELM的风机关键机械部件故障诊断方法

针对传统故障诊断中前馈神经网络算法诊断效果不佳、泛化能力不强问题,提出了基于在线贯序极限学习机(OS-ELM)的风机关键机械部件故障诊断方法。该方法将测试得到的预测样本加入训练样本,作为下一次的更新信息,建立在线贯序极限学习机诊断模型,从而最大限度提高故障诊断精度,分析了激活函数、隐层节点数目对诊断性能的影响,并同BP神经网络、SVM以及ELM神经网络进行对比。实验表明,该方法在风机关键机械部件出现故障情况下,OS-ELM网络能够作出准确诊断且性能明显优于BP神经网络,与SVM、ELM故障分类准确率相当,但极大地提高了运算速度,便于工程应用。     

基于相对特征和多变量支持向量机的滚动轴承剩余寿命预测

为解决有限状态数据下滚动轴承剩余寿命难以估算的问题,提出一种基于相对特征和多变量支持向量机(Multivariablesupport vector machine,MSVM)的剩余寿命预测的新方法。该方法利用不受轴承个体差异影响的相对方均根值(Relative rootmean square,RRMS)评估轴承性能衰退规律,运用相关分析选取敏感特征作为输入,构造兼顾多变量回归和小样本预测双重优势的MSVM模型预测轴承剩余寿命。与单变量支持向量机相比,MSVM克服了结构简单、信息匮乏等缺点,实现小样本数据潜在信息的最大挖掘。运用仿真数据和轴承全寿命试验数据对预测模型进行检验,结果表明MSVM可在小样本条件下利用尽可能多的有效信息获得准确的预测结果,具有较强的工程使用价值和通用性。     

改进粒子群算法和ELM的刀具磨损量预测

为了提高车刀磨损量预测模型的训练速度和在线预测精度,提出了一种基于改进粒子群算法（Improved Particle Swarm Optimization,IPSO）和极限学习机（Extreme Learning Machine,ELM）的刀具磨损量预测方法。采集车削加工中的声发射信号,利用小波包变换理论对信号进行降噪和特征提取,并通过主成分分析对提取的特征进行降维,选取其中对刀具磨损量敏感的特征值组成特征向量。建立基于极限学习机的刀具磨损量预测模型,并通过改进粒子群算法优化模型中的初始权值和阈值。实验结果表明：优化后的刀具磨损量预测模型相比于传统BP神经网络有更快的训练速度,同时改进后的粒子群算法有更好的寻优能力,提高了模型对于刀具磨损量的预测精度。     

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。     

改进的多变量极限学习机在滚动轴承故障预测中的应用

传统滚动轴承故障预测仅对单个故障特征频率做时间序列预测,而滚动轴承故障由多个故障频率共同表征。为了全面的表征整个频谱的结构,并且不破坏各个频率间的内部联系,提出奇异值分解和极限学习机相结合的多变量时间序列预测方法。首先通过全矢谱方法得到振动信号频谱,然后以整个频谱的各个频率作为输入变量,构建多变量时间序列。最后通过多变量极限学习机和奇异值分解相结合的方法构建训练和测试样本,对频谱进行预测。采用该方法对全寿命滚动轴承数据进行验证,实验结果表明了该方法的有效性。     

基于极限学习机的板形预测模型

高效地建立起板形模型有利于提高板带轧制过程中的板形精度和有效实现板形控制。提出了一种基于极限学习机(ELM)的板带轧制过程中板形预测模型,不但可以简化参数选择过程,在核函数选择上可以根据训练样本值自动选择无须手动选择,而且可以提高模型的训练速度。结合铝板带四连轧机组在线实测数据进行模型训练,实现对轧制过程板形的预测且得到实验验证。本算法与支持向量机(SVM)模型预测对比,在训练样本数量较少的情况下,模型预测精度都能达到期望精度值,且具有同样甚至更高的预测精度,还具有急速的特点和更强的泛化能力。     

基于PSO-ELM的液压油性能衰退预测及分析

提出基于粒子群优化（Particle Swarm Optimization,PSO）的极限学习机（Extreme Learning Machine,ELM）的液压油性能衰退预测方法。以L-HM46抗磨液压油为研究对象,设计液压油性能衰退实验,检测油液的黏度、张角、水分含量、衰退度。基于提出的液压油性能衰退预测方法,利用遍历搜索和PSO算法分别对ELM的外部、内部参数进行优化选取,从而建立最优的性能衰退预测模型。将油液的黏度、张角、水分含量作为模型输入特征向量,衰退度作为模型输出,采用PSO-ELM性能衰退预测模型对液压油性能进行仿真分析。结果表明：PSO-ELM算法计算结果与实验数据吻合较好;PSO-ELM算法预测精度达到了98.47%,高于ELM算法的预测精度,表明PSO-ELM算法能更准确地预测液压油的衰退情况,为确定换油时机提供参考。     

近红外光谱结合极限学习机识别贮藏期的损伤猕猴桃

为了及时、准确地识别采摘后贮藏期间的损伤猕猴桃,降低果实腐烂及交叉感染带来的损失,采用近红外漫反射光谱技术结合极限学习机(ELM)建立了采摘后2℃冷藏下10天内的碰撞损伤猕猴桃、挤压损伤猕猴桃与无损猕猴桃的动态判别模型.分别比较了无信息变量消除法(UVE)与连续投影算法(SPA)结合UVE优选特征波数建模对简化模型、提高预测性能的影响.结果表明,碰撞损伤猕猴桃比挤压损伤猕猴桃更容易同无损猕猴桃区分开来,且随着贮藏时间的延长,损伤猕猴桃更容易被识别;UVE-SPA-ELM模型的判别效果最好,在采后贮藏10天内预测集中损伤猕猴桃和无损猕猴桃的总正确识别率为92.4％.该检测技术具有较高的检测精度和适用性,可用于快速、无损鉴别损伤猕猴桃.     

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。     

基于加权排列熵和DE-ELM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳非线性的特征,提出一种基于加权排列熵和差分进化算法优化极限学习机(DE-ELM)的滚动轴承故障诊断方法。首先利用自适应噪声的完全集合经验模态分解处理轴承振动信号得到固有模态函数(IMF),然后计算主要IMF分量的加权排列熵组成故障特征向量,最后利用差分优化算法(DE)优化极限学习机隐含层输入权值和偏置,并将故障特征向量作为DE-ELM的输入。实验证明,加权排列熵能够精确提取故障特征,DE-ELM算法能有效提高故障分类精度。与多种方法相比,该方法更加准确可靠。