llsta和elm算法在转子故障诊断中的应用-自动化仪表.pdfVIP

LLSTA和ELM算法在转子故障诊断中的应用摇 孙摇 斌,等 LLSTA和和 ELM算法在转子故障诊断中的应用 Applicationof Linear LocalTangent SpaceAlignment and Extreme Learning MachineAlgorithms for Rotor Fault Diagnosis 孙摇 斌摇 刘立远摇 梁摇 超 (东北电力大学能源与动力工程学院,吉林 吉林摇 132012) 摘摇 要: 针对转子故障诊断日趋困难的问题,引入一种基于非线性流形学习和极限学习机(ELM)的转子故障诊断模型。 基于转子振 动信号时域与频域的14个特征参数构建高维矩阵,利用线性局部切空间排列(LLTSA)提取高维矩阵的特征向量,并投影到可视空间 中。 采用极限学习机作为分类器进行故障诊断。 故障诊断实例验证了该模型的有效性和可行性,表明了该模型将成为故障诊断领域 的发展方向。 关键词: 故障诊断摇 高维矩阵摇 PCA摇 特征向量摇 极限学习机 中图分类号: TH165摇 摇 摇 摇 文献标志码: A Abstract: The rotor fault diagnosis is an increasingly difficult problem. The rotor fault diagnosis model of nonlinear manifold learning and extreme learning machine(ELM)is cited. Based on 14 feature parametersof rotor vibration signalsin time domain andfrequency domain,the high dimensional matrix is built,by adopting linear local tangent space alignment (LLTSA) algorithm the eigenvectors of high dimensional matrxs are extracted,and projected onto the visual space. The extreme learning machine algorithm is used as the classifier to do the fault diagnosis. The practical examples of fault diagnosis verify the effectiveness and feasibility of the model,and it is shown that this model will definitely become the developing direction of fault diagnosisfield. Keywords: Fault diagnosis摇 High dimensional matrix摇 Principal component analysis(PCA)摇 Eigenvector摇 Extreme learning machine 网络(single鄄hidden layer feed鄄forward neural network, 0摇 引言 SLFN)分类器[7-10] ,这种分类器相对于 BP 神经网络 现代汽轮机转子的结构越来越复杂,出现故障的 (BP neural network,BPNN)、支持向量机(support vector 原因也日趋多样性,这给设备的故障诊断带来了困 machine,SVM)等分类器[11-12] ,不仅具有良好的泛化 [1-2] 难 。 汽轮机转子的故障诊断过程大体可以分为3