灰色极限学习机在滚动轴承故障预测中的应用

针对较强噪声环境下的滚动轴承故障预测问题,为提高轴承故障预测的精度,提出并研究了一种新的滚动轴承预测技术;采用将灰色模型和极限学习机(ELM)相结合的方法,针对轴承运行状态值的非线性特点,先将样本数据进行灰色处理,解决数据的随机性和波动性问题,然后代入学习速度快,泛化精度高的ELM神经网络进行训练;在训练完毕后,对未来的轴承运行状态数据进行分析,将其与轴承设备的理论诊断标准相比较以达到故障预测的目的。     

优化极限学习机及其在脑卒中TCD数据分类应用

为提高脑卒中经颅多普勒（Transcranial Doppler,TCD）数据分类的效率和准确率,应用蝙蝠算法（Bat Algorithm,BA）优化极限学习机（Extreme Learning Machine,ELM）模型进行脑卒中分类预测。在训练ELM模型时,隐含层输入权值矩阵和隐含层阈值矩阵元素产生的随机性影响了模型性能。为此,利用BA对ELM参数中的输入权值矩阵和隐含层阈值矩阵进行了优化,并用BA-ELM模型对实验所用的TCD数据集进行分类。实验结果表明,BA-ELM模型的分类准确率比ELM提高了22.77%,能有效进行脑卒中预测。     

狮群优化核极限学习机的分类算法

在核极限学习机(Kernel Based Extreme Learning Machine,KELM)分类应用的基础上,结合狮群算法(Loin Swarm Optimization,LSO)强全局寻优能力与收敛快的特性,提出一种LSO优化KELM算法.将测试准确率作为LSO优化KELM的适应度函数,根据移动位置获取最优...     

基于蝙蝠算法的半监督极限学习机在工业检测中的应用

由于复杂工业过程中关键质量变量的难测性及过程变量的易测性,导致收集到的数据集中含有大量无标记样本,采用传统的有监督极限学习机难以获得理想的回归精度.采用流形正则化框架修正极限学习机的目标函数,将无标记样本和有标记样本共同用于半监督极限学习机的模型训练可以有效提升回归精度.由于模型中含有速率参数a、位移参数b、核宽σ、惩...     

基于优化深度极限学习机的船舶柴油机故障诊断

针对人工生态系统算法易限于局部最优、全局探索能力差等缺陷,提出一种改进人工生态系统优化算法(Improved Artificial Ecosystem-based Optimization Algorithm, IAEO)。利用Hammersley点集初始化,使个体分布更加均匀;采用非线性递减及混沌序列来提高算法的探索和开发能力;加入爆炸操作和高斯变异来提高算法跳出局部最优的能力,在四个基准函数的仿真结果表明寻优能力有较大提高。利用多层极限学习机对数据进行特征提取,在有监督部分利用混合核极限学习机进行分类。利用IAEO优化混合核函数的核参数、正则化系数和比例系数,并在标准数据集上进行性能验证。将该方法应用于船舶柴油机故障诊断,该方法有效提高了故障诊断的准确性和稳定性并表现出较好的泛化性能。     

基于半监督极限学习机的轴承故障诊断

鉴于在实际的应用中滚动轴承的故障信号所属的类别往往是未知的,而且为了得到一定的测试数据需要花费大量的时间,甚至对机械设备造成了一些损害.利用极限学习机训练速度快且泛化能力强的特点,提出了一种基于半监督极限学习机的滚动轴承故障诊断方法,该方法允许在有少量带标签的轴承故障数据的情况下,将带标签的历史数据与新采集到的部分未带标签的数据一起用来训练得到一个最优的诊断模型.首先通过相空间重构将原始一维信号映射到一个高维的相空间,在相空间中提取初始的轴承特征集,然后将特征集输入半监督的极限学习机中进行训练和测试.实验结果表明,这种基于半监督算法的诊断模型简单,在神经元个数较少的情况下仍然具有很好的泛化能力,具有一定的应用价值.     

基于极限学习机的供水管网故障智能诊断方法

为进一步提高传统极限学习机的泛化能力,提出了一种基于人工蜂群算法优化的极限学习机模型.该模型将人工蜂群算法的全局寻优能力和极限学习机的快速学习能力相结合,有效克服了传统极限学习机的过拟合现象.在确定水压变化比值作为故障特征参数的基础上,将优化后的极限学习机模型应用于供水管网的泄漏故障诊断实验,实验结果表明,经人工蜂群算法优化的极限学习机模型在故障诊断速度和精度方面均优于其他3种模型.     

遗传优化核极限学习机的数据分类算法

为了提高核极限学习机(KELM)数据分类的精度,提出了一种结合K折交叉验证(K-CV)与遗传算法(GA)的KELM分类器参数优化方法(GA-KELM),将CV训练所得多个模型的平均精度作为GA的适应度评价函数,为KELM的参数优化提供评价标准,用获得GA优化最优参数的KELM算法进行数据分类.利用UCI中数据集进行仿真,实验结果表明:所提方法在整体性能上优于GA结合支持向量机法(GA-SVM)和GA结合反向传播(GA-BP)算法,具有更高的分类精度.     

基于改进花粉算法的极限学习机分类模型

针对多输出极限学习机（MELM）分类模型输入层权值和阈值随机选取导致的分类精度波动问题,提出一种基于改进花粉算法（CS-ACFPA）的极限学习机多分类模型（CS-ACFPA-MELM）。利用自适应算子和Tent策略优化花粉算法的寻优方式,构造一种基于代价敏感的适应度函数,使花粉算法能够更好地匹配MELM模型的输出,最后使用改进的花粉算法和基于代价敏感的适应度函数优化极限学习机的输入权值和阈值,以提高MELM模型的的分类性能。通过对比实验验证了CS-ACFPA算法对MELM模型改进的有效性,并且体现了CS-ACFPA-MELM模型在大规模样本上的优势以及小样本上的适用性。     

基于模拟退火算法的改进极限学习机

传统的极限学习机作为一种有监督的学习模型,任意对隐藏层神经元的输入权值和偏置进行赋值,通过计算隐藏层神经元的输出权值完成学习过程.针对传统的极限学习机在数据分析预测研究中存在预测精度不足的问题,提出一种基于模拟退火算法改进的极限学习机.首先,利用传统的极限学习机对训练集进行学习,得到隐藏层神经元的输出权值,选取预测结果评价标准.然后利用模拟退火算法,将传统的极限学习机隐藏层输入权值和偏置视为初始解,预测结果评价标准视为目标函数,通过模拟退火的降温过程,找到最优解即学习过程中预测误差最小的极限学习机的隐藏层神经元输入权值和偏置,最后通过传统的极限学习机计算得到隐藏层输出权值.实验选取鸢尾花分类数据和波士顿房价预测数据进行分析.实验发现与传统的极限学习机相比,基于模拟退火改进的极限学习机在分类和回归性能上都更优.     

基于BO-DKELM的滚动轴承故障诊断

滚动轴承作为旋转机械中的必需元件,其任何故障都可能导致机器乃至整个系统发生故障,从而导致巨大的经济损失和时间的浪费,因此必须要及时准确地诊断滚动轴承故障。针对传统极限学习机中模型参数对滚动轴承故障诊断精度影响较大的问题,提出了一种基于贝叶斯优化的深度核极限学习机的滚动轴承故障诊断方法。首先,将自动编码器与核极限学习机相结合,构建了深度核极限学习机(Deep kernel extreme learning machine, DKELM)模型。其次,利用贝叶斯优化(Bayesian optimization, BO)算法对DKELM中的超参数进行寻优,使得训练数据集和验证数据集在DKELM模型中的分类错误率之和最低。然后,将测试数据集输入到训练好的BO-DKELM中进行故障诊断。最后,采用凯斯西储大学轴承故障数据集对所提方法进行验证,最终故障诊断精度为99.6%,与深度置信网络和卷积神经网络等传统智能算法进行对比,所提方法具有更高的故障诊断精度。     

基于极限学习机的船舶柴油机故障诊断

针对传统深度核极限学习机网络仅利用端层特征进行分类导致特征不全面，以及故障诊断分类器中核函数选择不恰当等问题，提出基于多层特征表达和多核极限学习机的船舶柴油机故障诊断方法。利用深度极限学习机网络提取故障数据的多层特征；将提取出的各层特征级联为一个具有多属性特征的故障数据特征向量；使用多核极限学习机分类器准确地实现柴油机的故障诊断。在标准分类数据集和船舶柴油机仿真故障数据集上的实验结果表明，与其他极限学习机算法相比，该方法能够有效提高故障诊断的准确率和稳定性，且具有较好的泛化性能，是柴油机故障诊断一个更为优秀实用的工具。     

极限学习机在电机故障智能诊断中的应用

针对传统的电机故障诊断方法往往采用单一信号作为诊断依据,以及利用传统的BP神经网络进行故障诊断时存在的训练速度慢、易陷入局部极小值的缺点,提出了一种基于极限学习机和多源信息融合的电机故障诊断方法.首先将定子电流信号做陷波处理,滤除基波分量;然后对电流及振动信号进行小波包分解和重构,以各频带的小波包能量谱作为故障特征向量训练极限学习机模型;最后将训练好的极限学习机模型作为诊断决策分类器来判断电机的运行状态.实验结果表明,此方法能够准确地诊断电机的故障类型,具有运行速度快、故障诊断准确率高的特点,满足了系统在线实时诊断的要求.     

基于改进FOA算法优化WKELM的医疗滚动轴承故障诊断技术研究

针对传统小波核极限学习机（Extreme Learning Machine-ELM）应用于医疗滚动轴承故障诊断中识别精度不高且训练速度慢的一系列问题的出现,并针对性的想出一种更好的对滚动转轴发生的故障进行识别的办法,通过对小波核极限学习机算法进行改进的方法。该方法运用改进果蝇算法（LGMS-Fruit-flying Optimization Algorithm, LGMS-FOA）优化小波核极限学习机中的正则化系数和小波核函数中的参数。采用的方法是变分模态分解（Variational Mode Decomposition-VMD）,通过这种方法能够对滚动轴承的故障信号分解为含有故障信息的各模态分量从而提取到故障特征。通过与其他三种算法的实验结果对比证明,基于LGMS-FOA-WKELM的滚动轴承故障诊断方法的识别精度更高且训练时间更短。     

基于混沌粒子群优化核极限学习机的变压器故障诊断方法

为提高电力变压器故障诊断的准确度,提出一种基于核极限学习机(KELM)的变压器故障诊断方法,利用混沌优化改善粒子群算法的全局寻优性能。该方法首先用KELM建立故障诊断模型,再利用改进后的混沌粒子群算法(CPSO)对KELM的参数进行优化。结合油中溶解气体分析法(DGA)获得样本数据,通过实例仿真结果对比分析表明,所用算法具有更高的诊断准确率,提高了变压器故障诊断的可靠性。     

基于AR-MED和TEO的滚动轴承早期故障诊断方法

针对强背景噪声下滚动轴承早期故障信号信噪比低、特征提取难度大的问题,提出一种将自回归-最小熵解卷积(autoregressive-minimum entropy deconvolution,AR-MED)与Teager能量算子(teager energy operator,TEO)相结合的滚动轴承故障诊断方法.为了达到...     

用于轴承故障诊断的两步迁移学习法

由于轴承故障数据存在数据量少和分布不均衡的问题,将迁移学习引入故障诊断领域,同时由于轴承故障数据的分布与源数据集分布差异巨大,直接采用迁移学习的方法会产生负迁移效应,即由于源数据集与目标数据集间分布差异过大而导致无法学习到源数据集的知识,提出一种对迁移学习进行改进的诊断新方法:即两步迁移学习法,使用DCGAN来制作辅助...     

滚动轴承故障诊断中数据不均衡问题的研究

滚动轴承缺陷是导致滚动轴承在运行过程中产生故障的主要原因之一,因此对滚动轴承缺陷诊断技术进行研究具有十分重要的意义。但是,在轴承故障诊断数据集中,故障样本数通常比非故障样本数要少很多,由此引发了数据不均衡情况下故障诊断的问题。以往的研究很少关注这种数据不均衡问题对故障诊断的影响。此外,在故障数据集中有一些冗余甚至是不相关的特征,这些特征降低了学习器的泛化能力。为解决这类问题,本文提出了一种基于Fisher准则的EasyEnsemble算法来解决故障诊断中的数据不均衡问题。在UCI数据集和滚动轴承数据集上的实验结果表明,新算法提高了分类器在不均衡数据集上的分类性能和预报能力。