基于極限學習機的故障診斷方法研究綜述

趙虎

【摘要】基于極限學習機的故障診斷方法將極限學習機運用到神經網絡學習中，有效解決了傳統神經網絡學習算法存在的主要缺點，大大提高了故障診斷的效率。本文對極限學習機及故障診斷方法的研究現狀進行了綜述，針對傳統神經網絡學習算法存在的不足闡述了將極限學習機運用其中的優勢。

【關鍵詞】極限學習機 故障診斷 神經網絡

引言

隨著設備復雜化程度的提高，對故障診斷的快速性和準確性提出了更高的要求。將神經網絡應用于故障診斷中已成為一個非常活躍的研究領域。利用神經網絡強大的分類能力，進行故障模式的分類與學習，診斷出故障。

Huang在前人研究的基礎上提出了一種稱為極限學習機（Extreme Learning Machine，ELM）的學習方法，在保留計算精度的同時可以大幅度的縮減訓練的時間。將ELM運用到設備故障診斷中，極大提高了診斷的快速性和準確性。

一、極限學習機研究現狀

ELM自2004年提出就一直受到學者的極大興趣。我們從ELM的理論和應用兩方面進行闡述。

1.1 ELM的理論

對于傳統ELM算法，網絡結構、激活函數類型以及隱層神經元的選擇對其泛化性能都有重要的影響。為了提高計算效率，使得ELM適用于更多應用領域，研究者提出了許多ELM擴展算法。

1.2 ELM的應用

研究人員已嘗試利用ELM方法解決現實中各種模式分類問題。隨著ELM自身理論的進一步發展和完善，在人臉識別、文本分類、醫療診斷等領域中應用廣泛。

二、故障診斷技術研究現狀

故障診斷技術是由于建立監控系統的需要而發展起來的。其發展至今經歷了3個階段。新的診斷技術帶來了領域內算法的革新，設備精密程度的提高也對診斷實時性提出了更高的要求。如何保證故障的快速準確診斷成了診斷技術發展重要內容。

基于神經網絡的故障診斷運用廣泛，然而傳統的神經網絡學習方法存在許多問題。與傳統的神經網絡相比，極限學習機方法通過隨機選取輸入權值及隱層單元的偏置值，可以產生唯一的最優解，并具有參數易于選擇以及泛化能力好等特點，在眾多領域有著廣泛應用。

三、基于極限學習機的故障診斷方法研究

3.1基于ELM的故障診斷流程

（1）數據預處理。按照選取的特征向量和故障類型對故障樣本進行預處理，并將處理后的樣本按比例分為訓練樣本集和測試樣本集。

（2）ELM的學習算法主要有以下3個步驟：確定隱含層神經元個數；隨機設定輸入層與隱含層間的連接權值和隱含層神經元的偏置；選擇隱含層神經元激活函數，進而計算隱含層輸出矩陣計算輸出層權值。

（3）用訓練好的ELM模型對測試樣本集進行分類，并輸出分類結果。

3.2基于改進ELM的故障診斷

針對極限學習機神經網絡初始權閾值對算法性能的影響問題，提出融合遺傳算法（GA）與粒子群算法（PSO）的GA-PSO算法，用于優化ELM神經網絡初始權閾值。該算法將群組一分為二，分別采用GA和PSO算法，再將優秀個體進行合并，改善了PSO算法全局搜索能力，同時增強GA算法的局部搜索效能。

四、結束語

信息化時代的到來，對故障診斷的快速性和準確性提出了巨大的挑戰。基于極限學習機的故障診斷方法就是在這個背景下產生的。本文對基于極限學習機的故障診斷方法進行了綜述，對極限學習機和故障診斷研究現狀進行了闡述。給出了診斷的步驟和極限學習機存在的問題，并就如何利用極限學習機進行設備故障診斷以及如何避免極限學習機的缺點進行了闡述。