基于改进极限学习机的水轮机运转状态识别 |
| |
引用本文: | 兰朝凤,宋博文,郭小霞.基于改进极限学习机的水轮机运转状态识别[J].振动与冲击,2023(1):132-138+168. |
| |
作者姓名: | 兰朝凤 宋博文 郭小霞 |
| |
作者单位: | 哈尔滨理工大学测控技术与通信工程学院 |
| |
基金项目: | 国家自然科学基金青年基金(11804068);;黑龙江省自然科学基金(LH2020F033); |
| |
摘 要: | 针对水轮机远程运行状态监测困难的现状,提出了基于模拟退火算法的粒子群算法(simulated annealing algorithm-particle swarm optimization, SA-PSO)优化极限学习机(extreme learning machine, ELM)的方式,建立水轮机运转状态识别模型SA-PSO-ELM。对水轮机信号进行互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)获得IMF分量,引入皮尔逊相关系数计算各个IMF分量与水轮机信号的相似度,判断信号主导模态和噪声主导模态的分界点,用小波去噪对噪声主导模态降噪,并与其余的IMF分量重构得到去噪信号,同时对去噪后的信号进行分解,计算每个IMF分量的排列熵,构建特征向量。由于SA-PSO精度高不易陷入局部最优的特点和ELM的性能受权值、阈值共同影响的特点,用SA-PSO优化ELM的权值和阈值,构建水轮机运转状态识别模型SA-PSO-ELM。对不同工况下采集的水轮机压力脉动数据,分析了基于PSO-ELM、ELM及SA-PS...
|
关 键 词: | 水轮机 互补集合经验模态分解(CEEMD) 粒子群(PSO)算法 极限学习机(ELM) 状态识别 |
|
|