改进OPELM在超声电机退化状态识别中的应用

压电陶瓷部件开裂是超声电机的主要故障模式之一,通过监测孤极信号能够有效地识别超声电机的退化状态。最优剪枝极限学习机(optimally-pruned extreme learning machine,OPELM)解决了极限学习机隐层节点无法准确确定的问题被较好地应用于模式识别中,然而OPELM采取多响应稀疏回归算法(multiresponse sparse regression,MRSR)对神经元进行排序时依靠两个神经元彼此间的相关性,使得计算耗费时间较长。借鉴矩阵奇异值分解的方法提出一种改进OPELM方法,奇异值作为一种能够反映矩阵属性的固有特征,利用其数值的大小对神经元进行排序能够大幅度缩减计算量。应用时首先对超声电机孤极信号采取经验小波变换(empirical wavelet transform,EWT)的方法提取其退化特征,然后将其输入至改进OPELM模型识别超声电机的退化状态,最后通过与ELM和OPELM的对比分析,验证了该方法的有效性。