基于極限學(xué)習(xí)機(jī)的故障診斷方法研究綜述

趙虎

【摘要】基于極限學(xué)習(xí)機(jī)的故障診斷方法將極限學(xué)習(xí)機(jī)運(yùn)用到神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中，有效解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法存在的主要缺點(diǎn)，大大提高了故障診斷的效率。本文對(duì)極限學(xué)習(xí)機(jī)及故障診斷方法的研究現(xiàn)狀進(jìn)行了綜述，針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法存在的不足闡述了將極限學(xué)習(xí)機(jī)運(yùn)用其中的優(yōu)勢(shì)。

【關(guān)鍵詞】極限學(xué)習(xí)機(jī) 故障診斷 神經(jīng)網(wǎng)絡(luò)

引言

隨著設(shè)備復(fù)雜化程度的提高，對(duì)故障診斷的快速性和準(zhǔn)確性提出了更高的要求。將神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷中已成為一個(gè)非常活躍的研究領(lǐng)域。利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的分類能力，進(jìn)行故障模式的分類與學(xué)習(xí)，診斷出故障。

Huang在前人研究的基礎(chǔ)上提出了一種稱為極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）的學(xué)習(xí)方法，在保留計(jì)算精度的同時(shí)可以大幅度的縮減訓(xùn)練的時(shí)間。將ELM運(yùn)用到設(shè)備故障診斷中，極大提高了診斷的快速性和準(zhǔn)確性。

一、極限學(xué)習(xí)機(jī)研究現(xiàn)狀

ELM自2004年提出就一直受到學(xué)者的極大興趣。我們從ELM的理論和應(yīng)用兩方面進(jìn)行闡述。

1.1 ELM的理論

對(duì)于傳統(tǒng)ELM算法，網(wǎng)絡(luò)結(jié)構(gòu)、激活函數(shù)類型以及隱層神經(jīng)元的選擇對(duì)其泛化性能都有重要的影響。為了提高計(jì)算效率，使得ELM適用于更多應(yīng)用領(lǐng)域，研究者提出了許多ELM擴(kuò)展算法。

1.2 ELM的應(yīng)用

研究人員已嘗試?yán)肊LM方法解決現(xiàn)實(shí)中各種模式分類問(wèn)題。隨著ELM自身理論的進(jìn)一步發(fā)展和完善，在人臉識(shí)別、文本分類、醫(yī)療診斷等領(lǐng)域中應(yīng)用廣泛。

二、故障診斷技術(shù)研究現(xiàn)狀

故障診斷技術(shù)是由于建立監(jiān)控系統(tǒng)的需要而發(fā)展起來(lái)的。其發(fā)展至今經(jīng)歷了3個(gè)階段。新的診斷技術(shù)帶來(lái)了領(lǐng)域內(nèi)算法的革新，設(shè)備精密程度的提高也對(duì)診斷實(shí)時(shí)性提出了更高的要求。如何保證故障的快速準(zhǔn)確診斷成了診斷技術(shù)發(fā)展重要內(nèi)容。

基于神經(jīng)網(wǎng)絡(luò)的故障診斷運(yùn)用廣泛，然而傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法存在許多問(wèn)題。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，極限學(xué)習(xí)機(jī)方法通過(guò)隨機(jī)選取輸入權(quán)值及隱層單元的偏置值，可以產(chǎn)生唯一的最優(yōu)解，并具有參數(shù)易于選擇以及泛化能力好等特點(diǎn)，在眾多領(lǐng)域有著廣泛應(yīng)用。

三、基于極限學(xué)習(xí)機(jī)的故障診斷方法研究

3.1基于ELM的故障診斷流程

（1）數(shù)據(jù)預(yù)處理。按照選取的特征向量和故障類型對(duì)故障樣本進(jìn)行預(yù)處理，并將處理后的樣本按比例分為訓(xùn)練樣本集和測(cè)試樣本集。

（2）ELM的學(xué)習(xí)算法主要有以下3個(gè)步驟：確定隱含層神經(jīng)元個(gè)數(shù)；隨機(jī)設(shè)定輸入層與隱含層間的連接權(quán)值和隱含層神經(jīng)元的偏置；選擇隱含層神經(jīng)元激活函數(shù)，進(jìn)而計(jì)算隱含層輸出矩陣計(jì)算輸出層權(quán)值。

（3）用訓(xùn)練好的ELM模型對(duì)測(cè)試樣本集進(jìn)行分類，并輸出分類結(jié)果。

3.2基于改進(jìn)ELM的故障診斷

針對(duì)極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)初始權(quán)閾值對(duì)算法性能的影響問(wèn)題，提出融合遺傳算法（GA）與粒子群算法（PSO）的GA-PSO算法，用于優(yōu)化ELM神經(jīng)網(wǎng)絡(luò)初始權(quán)閾值。該算法將群組一分為二，分別采用GA和PSO算法，再將優(yōu)秀個(gè)體進(jìn)行合并，改善了PSO算法全局搜索能力，同時(shí)增強(qiáng)GA算法的局部搜索效能。

四、結(jié)束語(yǔ)

信息化時(shí)代的到來(lái)，對(duì)故障診斷的快速性和準(zhǔn)確性提出了巨大的挑戰(zhàn)?；跇O限學(xué)習(xí)機(jī)的故障診斷方法就是在這個(gè)背景下產(chǎn)生的。本文對(duì)基于極限學(xué)習(xí)機(jī)的故障診斷方法進(jìn)行了綜述，對(duì)極限學(xué)習(xí)機(jī)和故障診斷研究現(xiàn)狀進(jìn)行了闡述。給出了診斷的步驟和極限學(xué)習(xí)機(jī)存在的問(wèn)題，并就如何利用極限學(xué)習(xí)機(jī)進(jìn)行設(shè)備故障診斷以及如何避免極限學(xué)習(xí)機(jī)的缺點(diǎn)進(jìn)行了闡述。