运用在线贯序极限学习机的故障诊断方法

针对传统的前馈神经网络学习算法泛化能力不高、训练速度慢、易出现局部最优解及无法处理随时间不断变化的信息流等问题,提出了基于在线贯序极限学习机的快速故障诊断方法.针对旋转机械故障复杂、样本少的特点,将测试过程中得到的预测数据加入训练样本,作为下一次预测的已知信息,建立在线贯序极限学习机分类模型,从而在最大程度上提高故障诊断的精度.试验结果表明,在线贯序极限学习机在故障分类准确率与支持向量机相近的条件下,参数选择简单且学习速度提高近200倍.     

深度在线小波极限学习在旋转机械故障诊断中的应用

由于旋转机械故障诊断模型训练时间长,容易过拟合以及传统的极限学习机只能处理批量数据,实效性差等问题。提出一种基于深度在线小波极限学习机的旋转机械故障诊断方法。将自编码器的思想引入小波极限学习机中,堆叠形成WELM-AE,将底层的故障特征向更加抽象的高级特征转换。再采用在线极限学习机作为顶层分类器进行故障识别。实验结果验证：该算法在旋转机械故障诊断上的可行性,继承了极限学习机训练速度快的特点,相较于BP、SVM、SAE、CNN有更高的准确率。     

基于改进深层极限学习机的故障诊断方法

提出一种新的基于稀疏和近邻保持理论深层极限学习机（sparsity and neighborhood preserving deep extreme learning machines,简称 SNP-DELM））的滚动轴承故障诊断方法。首先,将极限学习机（extreme learning machine,简称ELM）与自编码器（autoencoder,简称AE）相结合,提出一种ELM-AE的结构,利用自编码器对极限学习机的隐含层进行分层;其次,将稀疏与近邻思想融入深层网络中,在投影过程中,通过稀疏表示保持数据的全局结构,通过近邻表示保持数据的局部流形结构,无监督地逐层提取数据的深层特征;最后,通过监督学习求解最小二乘进行分类诊断。将该方法用于风机滚动轴承故障诊断实验,并与ELM、堆叠降噪自编码器（stacked autoencoder,简称SAE）、深层极限学习机（deep extreme learning machine,简称DELM）、卷积神经网络（convolution neural network,简称CNN）等方法进行对比,实验结果表明,SNP-DELM算法相对于现有的几种算法具有更高的准确率和稳定性。     

多尺度能量熵与优化极限学习机的航空液压管路故障诊断方法

针对航空液压管路故障特征难以提取问题,考虑到航空液压系统中振动信号存在非平稳性以及非线性等特点,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)的多尺度能量熵(Multi-scale Energy Entropy,MEE)和麻雀搜索算法(Sparrow Search Algorithm,SSA)优化极限学习机(Extreme Learning Machine,ELM)的航空液压管路故障诊断方法。首先,采用局域均值分解方法将采集的振动信号自适应分解;其次,综合考虑相关系数-能量比准则,选取最佳PF分量;最后,计算最佳分量的多尺度能量熵,选取合适的尺度因子并将其对应的能量熵值作为特征向量,输入到麻雀搜索算法优化的极限学习机网络模型进行学习训练,实现对航空液压管路的故障进行分类识别。结果表明:该方法能够有效地实现对航空液压管路故障类型的准确识别,为区分航空液压管路故障提供了一种可行的诊断思路。     

改进极限学习机在滚动轴承振动故障诊断中的应用

滚动轴承广泛应用于机械、铁路运输、航天航空等领域,在旋转机械设备的正常稳定运行中占据着至关重要的位置,其振动故障的准确、快速诊断是保证机械设备正常稳定运行的必要手段,因此,研究一种能够有效诊断滚动轴承振动故障的方法具有重要意义。针对滚动轴承振动信号具有非平稳性、非线性和影响因素相互影响相互作用的特点,结合小波分析理论对滚动轴承振动信号进行故障特征提取,通过借鉴支持向量机的分类思想,从最优化角度出发,引入结构风险最小化原理对极限学习机进行改进及优化,并结合改进后的方法构建了滚动轴承振动故障诊断模型。仿真结果表明,改进的极限学习机进一步提高了滚动轴承振动故障诊断的效率和分类准确率,为滚动轴承的振动故障诊断提供了新思路和新方法。     

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。     

基于压缩感知与改进的深度极限学习机的轴承故障诊断方法

大数据时代下的轴承故障监测存在海量数据处理实时性和故障特征选取的主观性问题,为了实时、智能的实现轴承故障诊断,提出了压缩感知(Compressed Sensing,CS)与改进的深度极限学习机(Multilayer Extreme Learning Machine,ML-ELM)相融合的轴承故障诊断新方法.该方法首先通过压缩感知理论从大量轴承监测数据中获取能够表达特征信息的少量数据,然后用轴承信号在压缩感知变换域中的测量值进行由PSO改进的深度极限学习机分类识别,实现故障智能诊断.此方法大幅减少了轴承诊断信号的数据量并省去了智能诊断时特征选取的步骤,充分利用了深度极限学习机从少量测量值中挖掘轴承信号的特征信息,实现了智能、准确的分类.实验分析表明:该方法对不同位置、不同损伤程度的故障能够准确的识别,为轴承状态监测和故障诊断提供了新方法.     

基于傅里叶变换的同步交流发电机旋转整流器故障诊断

由于旋转整流器是同步交流发电机的核心部件,对其进行故障诊断十分重要。通过建立同步交流发电机的MATLAB模型,进行旋转整流器故障仿真,从而分析其故障特性。建立同步交流发电机物理实验平台,针对旋转整流器故障,验证基于傅里叶变换的同步交流发电机旋转整流器故障诊断方法。仿真和物理实验结果表明,该方法能够有效监测旋转整流器故障并能判别故障类型,诊断正确率较高,适用于旋转整流器的故障诊断。     

自适应集成极限学习机在故障诊断中的应用

为了改善在线贯序极限学习机的分类效果,进一步提高算法在小样本数据下的稳定性和泛化性,设计自适应网络集成机制,提出极限学习机改进算法。该算法借鉴learn++集成思想,通过计算增量学习时的分类准确率和隐层网络输出权值范数,在线调整集成输出中子网络的投票权值以及网络输入权值和节点偏置。UCI数据集及轴承故障的实验分析表明,与改进前相比,该算法分类准确率提高约1个百分点的同时,6个数据集100次实验的标准差分别降低了0.1～1.2个百分点。最后将该算法与小波包相结合应用于发动机的故障诊断中,取得了91.16％的分类准确率。     

基于核超限学习机的轴向柱塞泵故障诊断

由于柱塞泵内部结构复杂且结构之间相互耦合, 致使对其进行故障诊断的难度也随之增加。为了提高算法的可靠性和诊断速度, 将核函数与超限学习机结合的方法用于柱塞泵故障诊断。首先, 通过加速度计和流量计采集到泵在正常和不同故障工况下的振动和流量信号, 同时对其采用小波包分解进行去噪;然后提取了时域无量纲指标和小波包分解的频带能量值中最大频带能量和系统中流量计的流量值, 共8维特征向量;最后用核超限学习机对4种故障(滑靴磨损、配油盘磨损、中心弹簧失效、松靴)进行识别与诊断。结果表明, 将核超限学习机用于故障诊断, 相比于超限学习机和传统的智能诊断算法支持向量机、BP神经网络有明显的优势。     

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.     

基于全矢色散熵和极限学习机的液压泵故障诊断

为保证提取出的液压泵故障特征能够更好的对其故障进行表征,本文在研究色散熵(DE)的基础上,结合全矢谱理论,提出液压泵故障特征提取的新方法-全矢色散熵(FVDE).相比于DE,FVDE中的全矢谱计算实现了同源双通道信号的融合处理,能够更好的突出故障信息,提升故障特征提取的效果.液压泵故障诊断实例表明,FVDE对故障状态的...     

张量奇异谱分解与极限学习机的故障诊断方法

针对滚动轴承故障诊断问题,提出张量奇异谱分解(TSSA)与极限学习机(ELM)相结合的诊断方法.TSSA将一维时域振动信号转换成三阶张量,使用标准张量分解对三阶张量进行分解并重构回一维时域振动信号;为了验证TSSA的有效性,将奇异谱分解作为对比方法,仿真结果表明:TSSA重构后的信号能够找到故障特征倍频,其效果优于奇异谱分解.从重构时域信号中提取时域特征参量,并使用ELM网络对其实施诊断;为验证ELM的有效性,将BP、SVM作为对比算法,诊断结果表明:从诊断准确率、样本比例、诊断时间方面而言,ELM的性能比BP、SVM要好,ELM更适宜于轴承故障诊断.     

基于IVMD与改进KELM的发动机故障诊断

为从含有较强噪声的缸盖振动信号中提取有效的故障特征并进行故障分类,提出了采用独立变分模态分解(independent variational mode decomposition,简称IVMD)与改进核极限学习机(improved kernel extreme learning machine,简称IKELM)的发动机故障诊断方法。首先,根据频谱循环相干系数选取匹配波形对信号进行端点延拓,并利用变分模态分解(variational mode decomposition,简称VMD)将延拓后信号分解为一系列固有模态分量,有效抑制了VMD中的端点效应;其次,选取有效分量作为输入观测信号,进行核独立成分分析,进一步分离干扰噪声与有效信号,并消除模态混叠,得到相互独立的有效故障特征频带,进而提取各频带的自回归模型参数、多尺度模糊熵和标准化能量矩构建故障特征向量集;最后,建立基于社会情感优化算法的IKELM分类模型,对故障特征进行分类,实现发动机故障诊断。仿真和实验结果表明,所提出的方法可有效抑制VMD的端点效应,提高信号分解精度,消除噪声干扰并分离出相互独立的有效故障特征频带,增强特征参数辨识度,最终提高发动机故障诊断速度与精度,发动机故障诊断平均准确率达到99.85%。