LLSTA和ELM算法在转子故障诊断中的应用.pdfVIP

LLSTA和ELM算法在转子故障诊断中的应用孙斌,等

LLSTA和ELM算法在转子故障诊断中的应用

ApplicationofLinearLocalTangentSpaceAlignment

andExtremeLearningMachineAlgorithmsforRotorFaultDiagnosis

孙斌刘立远梁超

(东北电力大学能源与动力工程学院,吉林吉林132012)

摘要: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:故障诊断高维矩阵PCA特征向量极限学习机

中图分类号:TH165文献标志码:A

Abstract:Therotorfaultdiagnosisisanincreasinglydifficultproblem.Therotorfaultdiagnosismodelofnonlinearmanifoldlearningand

extremelearningmachine(ELM)iscited.Basedon14featureparametersofrotorvibrationsignalsintimedomainandfrequencydomain,the

highdimensionalmatrixisbuilt,byadoptinglinearlocaltangentspacealignment(LLTSA)algorithmtheeigenvectorsofhighdimensional

matrxsareextracted,andprojectedontothevisualspace.Theextremelearningmachinealgorithmisusedastheclassifiertodothefault

diagnosis.Thepracticalexamplesoffaultdiagnosisverifytheeffectivenessandfeasibilityofthemodel,anditisshownthatthismodelwill

definitelybecomethedevelopingdirectionoffaultdiagnosisfield.

Keywords:FaultdiagnosisHighdimensionalmatrixPrincipalcomponentanalysis(PCA)EigenvectorExtremelearningmachine

网络(single-hiddenlayerfeed-forwardneuralnetwork,

0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(BPneuralnetwork,BPNN)、支持向量机(supportvector

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