[发明专利]基于极限学习机的风机故障诊断方法

权利要求书

1.一种基于极限学习机的风机故障诊断方法，包括以下步骤：

①采用风机轴承振动信号的时域特征参数作为样本特征向量，形成训练集和测试集；

②分别用1、2、3、4对训练集和测试集中的类别进行标识；

③在训练集上进行ELM分类模型学习：选取激活函数，通过改进PSO结合CV优化得到ELM参数；所述ELM参数优化过程为：

(1)设X^S为包含有S个样本的样本集，随机组合形成K个相互独立的子样本集，样本个数相等，用表示；

(2)用的集合差运算作为训练样本对模型进行训练，用作为验证样本对模型进行验证，这样就得到K个模型以及K个在相应验证集上的正判率；

(3)用K个模型的平均正判率作为PSO的适应度函数，如式(20)所示：

其中，

表示包含的样本数，表示由训练得到的模型对输入向量x_i的验证结果；

(4)采用改进PSO优化得到ELM模型的参数，以连续20代个体适应度值相同为终止条件；

④将测试集的样本代入ELM分类器中验证其类别。

2.根据权利要求1所述的基于极限学习机的风机故障诊断方法，其特征在于步骤①中对振动信号进行特征提取：

时域特征可以很好地表征振动信号的信息，因此选取9个有代表性的时域特征参数作为样本的特征向量，分别为：均值u_m、标准偏差u_std、均方根值u_rms、峰值u_p，波形因子K_SF、峰值因子K_CF、脉冲因子K_IF、裕度因子K_CLF以及峭度因子K_u，计算公式如式(1)-(9)所示，因此，ELM模型的输入层节点数为9；

u_p＝{max[u(i)]-min[u(i)]}/2 (4)

K_CF＝u_p/u_rms (6)

式中N为样本个数。

3.根据权利要求1所述的基于极限学习机的风机故障诊断方法，其特征在于步骤②中用{1,2,3,4}依次表示轴承的正常状态、内圈故障、外圈故障和滚动体故障；每种状态分别取30个样本进行分析，其中20个样本作为训练样本，其它10个样本作为测试样本。

4.根据权利要求1所述的基于极限学习机的风机故障诊断方法，其特征在于步骤③中ELM的模型原理为：

设输入层与隐含层之间的连接权值w，隐含层与输出层之间的连接权值β，隐含层节点阈值b分别为：

其中，m表示输出层节点的个数；

设隐含层节点的激活函数为G(w,x,b)，则含有N个样本的训练集的输出结果T可以表示为：

T＝[t₁,t₂,…,t_N]_m×N (13)

其中，w_i＝[w_i1,w_i2,…,w_in]，x_j＝[x_1j,x_2j,…,x_nj]^T；

上式可以表示为：Hβ＝T'；

其中，T'为T的转置，H为隐含层的输出矩阵，具体表示为：

当G(w,x,b)无限可微时，不需要对所有的SLFN参数进行调整，w和b是随机产生的，并且在训练过程中不需要进行调整，而β可以通过最小二乘解获得：

其解为：

其中，为H的Moore-Penrose广义逆矩阵；

正交投影法可以有效地求取或为使得到的模型具有更好的稳定性和泛化性能，在求解β时，需要对H^TH或HH^T的对角线元素加上一个足够小的正值1/λ，因此，β可以表示为：

β＝H^T(1/λ+HH^T)^-1T' (18)

相应的，ELM的输出函数表示为：

f(x)＝h(x)β＝h(x)H^T(1/λ+HH^T)^-1T' (19) 。