基于分层极限学习机的轴承故障诊断方法

提出基于分层极限学习机结合迁移学习的轴承故障诊断方法,分析其在变工况下的故障诊断效果。应用短时傅里叶变换方法生成振动信号时频图,并提取不变矩特征、灰度差分统计特征,区分不同故障时频图的形态和纹理特征。在变工况下使用动态分布自适应方法,循环迭代得到最优迁移学习参数,以减小源域和目标域的MMD距离。然后使用分层极限学习机,对迁移后的样本数据进行故障分类。结果表明,所设计的迁移学习方法具有精度高、速度快的优点,在变工况下动态分布自适应迁移学习方法的故障诊断结果优于SVM等非迁移学习的机器学习方法,分层极限学习机作为故障分类器优于KNN、BP等分类器的效果,同时基于时频图的特征提取方法改善了源域和目标域间的可迁移性。

基于分层极限学习机和局部稀疏模型的视觉跟踪算法

目标跟踪过程中常遇到形变和部分遮挡问题.为了解决该问题,文中提出结合分层极限学习机和自适应结构化局部稀疏外貌模型的视觉跟踪算法.分层极限学习机具有提取鲁棒特征并快速分类的能力.自适应结构化局部稀疏外貌模型可以使跟踪结果更准确,也可以解决部分遮挡问题.在不同视频序列上的性能测试表明文中算法在保持较高跟踪精度的同时,跟踪过程也较稳定.

基于敏感瞬态冲击特征提取与分层极限学习机的行星齿轮箱故障诊断研究

在行星齿轮箱故障智能诊断中,针对其振动信号特征"难提取"、构建的特征向量集"质量差"以及基于极限学习机的故障分类模型"精度低"的问题,提出一种如何捕获其振动信号中敏感瞬态冲击特征并据此构建高维特征向量集与提升极限学习机故障分类精度的行星齿轮箱太阳轮的状态辨识方法。首先,将所测取振动信号分别经快速峭度图求解和变分模态分解,筛选出与其最大峭度值对应中心频率fω相匹配的若干个本征模函数,然后,求其改进多尺度排列熵值来构建高维特征向量集;其次,利用去噪自动编码器使极限学习机隐含层节点的输入权值和阈值满足正交条件实现其隐含层的分层;最后,将上述特征向量集作为分层核极限学习机的输入,通过训练建立行星齿轮箱太阳轮的故障分类模型。结果表明,所提方法实现了太阳轮振动信号中敏感瞬态冲击特征的有效提取及其特征向量集的高质量构建,同时也提高智能诊断模型的分类精度。

基于分层极限学习机的锂离子电池剩余使用寿命预测

提前对锂离子电池的剩余使用寿命(RUL)进行预测可以保证电池及其应用设备安全稳定运行。针对目前预测方法的结果滞后且缺乏实际意义等问题,为了利用少量循环数据实现RUL的提前预测,本文基于原始极限学习机和自动编码器构建了分层极限学习机(H-ELM)预测模型。然后选取丰田研究所(TRI)的实验数据集对H-ELM完成了仿真实验验证。实验结果表明,本文提出的H-ELM预测模型可以在电池使用初期预测出RUL,同时预测结果的平均绝对百分比误差(MAPE)仅有10.14%。

基于峭度熵与分层极限学习机的动量轮轴承故障诊断研究

动量轮是卫星姿态控制系统的关键部件,其可靠性直接关系到整星寿命与安全。作为动量轮的核心组件,轴承易于发生故障,且独特结构和复杂运行环境导致监测信号信噪比低,早期故障诊断困难。针对这种情况,对变分模态分解和峭度熵结合的特征提取方法进行研究,获得动量轮轴承监测信号中的微弱故障特征,并建立特征向量。引入分层极限学习机,对结构和编码方法进行优化后用于轴承故障的识别。最后,将提出的方法用于实际故障的诊断,并通过与传统ELM方法比较,得出提出的方法在动量轮轴承故障诊断中具有更高的诊断精度,达到98.5%。

基于分布式并行分层极限学习机的大数据多模式质量预测

考虑分布式系统质量预测中的大数据处理问题,提出一种基于分布式并行分层极限学习机(distributed parallel hierarchical extreme learning machine, dp-HELM)的大数据多模式质量预测模型。根据Map-Reduce框架,将高效的极限学习机算法转化为分布式并行建模形式。由于分层极限学习机(hierarchical extreme learning machine, HELM)的深度学习网络结构在特征上具备的预测精度优势,结合深层隐藏层的ELM自动编码器,进一步开发了dp-HELM。通过dp-ELM和dp-HELM以同步并行方式进一步训练分布式并行K均值划分的过程模式,利用贝叶斯模型融合技术来集成用于在线预测的局部模型。将所提出的预测模型应用于预脱碳装置中残留的二氧化碳含量估算,实验结果表明了该方法的有效性与可行性。

基于分层极限学习机影像转换的多源影像变化检测方法

为提高现有多源影像无监督变化检测方法存在的检测结果易受噪声影响和计算效率低等问题,本文提出了一种基于分层极限学习机影像转换的多源影像变化检测方法。分层极限学习机(Hierarchical Extreme Learning Machine,HELM)通过多层前向编码获得丰富的特征表示,且当特征提取完成即可确定网络参数。本文方法首先通过对合成孔径雷达(Synthetic Aperture Radar,SAR)影像进行对数转换,以获得与光学影像相同的影像噪声分布,并利用影像平滑减少影像噪声对变化检测结果的影响;然后分别对多源影像进行聚类分析,通过对比两时相影像的聚类图获得初始变化检测图,选取初始变化检测图中的未变化区域的像元作为初始训练样本,构建训练样本修正模型修正初始训练样本以提高训练样本的准确性;引入HELM以实现多源影像特征空间转换,获取多时相空间转换影像,提高了算法效率;最后通过对比原始影像和多时相空间转换影像获取变化信息。两组多源影像(Google Earth和哨兵1号影像)的实验结果表明:与现有方法相比,本文方法的Kappa系数分别至少提高了6.19%和8.94%,证明了本文方法对多源影像变化检测的有效性。

HELM实现锂离子电池SOH在线估算

锂离子电池的健康状态(SOH)估算对电动汽车的稳定安全运行十分重要,是提前预知电池寿命保障系统正常运行,避免灾难性事故发生的关键之一。针对目前健康因子(HI)构建复杂以及现有SOH估算方法模型参数多且复杂、耗时长等问题,提出了利用可直接测量的电池恒流充电时间和放电电压样本熵作为HIs表征电池的容量退化,降低HI构建的复杂度。引入分层极限学习机(HELM)模型建立SOH在线估算框架,以所构建的两种新HIs作为输入,离线训练HELM电池退化模型实现SOH在线估算。采用美国宇航局(NASA)、牛津大学(Oxford)公开数据集与自测数据集验证所提出的HELM框架对三元锂电池和钴酸锂电池SOH估算的有效性。训练样本和估算样本在相同温度条件下,最大绝对误差不超过1.05%,SOH估算精度较高;当温度条件和电池类型不同时,最大绝对误差不超过2.1%,表明该SOH估算框架具有较好的泛化性与迁移性。

基于SSA—KELM的煤与瓦斯突出预测

以煤与瓦斯突出灾害为研究对象,以核极限学习机(KELM)作为预测工具,利用麻雀搜索算法(SSA)对KELM进行优化,建立了SSA-KELM预测模型。采用该模型对突出瓦斯量进行预测,并与随机森林算法、传统的极限学习机进行对比,结果表明:以煤层瓦斯压力、瓦斯放散初速度、软分层厚度、坚固性系数作为预测指标建立的SSA-KELM预测模型预测精度较高,误差率分别为9.37%和10.20%,验证了该模型的可行性。搭建了基于SSA-KELM的突出瓦斯量预测系统,实现了突出瓦斯量预测的可视化。