基于极限学习机的故障诊断方法研究综述

赵虎

【摘要】基于极限学习机的故障诊断方法将极限学习机运用到神经网络学习中，有效解决了传统神经网络学习算法存在的主要缺点，大大提高了故障诊断的效率。本文对极限学习机及故障诊断方法的研究现状进行了综述，针对传统神经网络学习算法存在的不足阐述了将极限学习机运用其中的优势。

【关键词】极限学习机 故障诊断 神经网络

引言

随着设备复杂化程度的提高，对故障诊断的快速性和准确性提出了更高的要求。将神经网络应用于故障诊断中已成为一个非常活跃的研究领域。利用神经网络强大的分类能力，进行故障模式的分类与学习，诊断出故障。

Huang在前人研究的基础上提出了一种称为极限学习机（Extreme Learning Machine，ELM）的学习方法，在保留计算精度的同时可以大幅度的缩减训练的时间。将ELM运用到设备故障诊断中，极大提高了诊断的快速性和准确性。

一、极限学习机研究现状

ELM自2004年提出就一直受到学者的极大兴趣。我们从ELM的理论和应用两方面进行阐述。

1.1 ELM的理论

对于传统ELM算法，网络结构、激活函数类型以及隐层神经元的选择对其泛化性能都有重要的影响。为了提高计算效率，使得ELM适用于更多应用领域，研究者提出了许多ELM扩展算法。

1.2 ELM的应用

研究人员已尝试利用ELM方法解决现实中各种模式分类问题。随着ELM自身理论的进一步发展和完善，在人脸识别、文本分类、医疗诊断等领域中应用广泛。

二、故障诊断技术研究现状

故障诊断技术是由于建立监控系统的需要而发展起来的。其发展至今经历了3个阶段。新的诊断技术带来了领域内算法的革新，设备精密程度的提高也对诊断实时性提出了更高的要求。如何保证故障的快速准确诊断成了诊断技术发展重要内容。

基于神经网络的故障诊断运用广泛，然而传统的神经网络学习方法存在许多问题。与传统的神经网络相比，极限学习机方法通过随机选取输入权值及隐层单元的偏置值，可以产生唯一的最优解，并具有参数易于选择以及泛化能力好等特点，在众多领域有着广泛应用。

三、基于极限学习机的故障诊断方法研究

3.1基于ELM的故障诊断流程

（1）数据预处理。按照选取的特征向量和故障类型对故障样本进行预处理，并将处理后的样本按比例分为训练样本集和测试样本集。

（2）ELM的学习算法主要有以下3个步骤：确定隐含层神经元个数；随机设定输入层与隐含层间的连接权值和隐含层神经元的偏置；选择隐含层神经元激活函数，进而计算隐含层输出矩阵计算输出层权值。

（3）用训练好的ELM模型对测试样本集进行分类，并输出分类结果。

3.2基于改进ELM的故障诊断

针对极限学习机神经网络初始权阈值对算法性能的影响问题，提出融合遗传算法（GA）与粒子群算法（PSO）的GA-PSO算法，用于优化ELM神经网络初始权阈值。该算法将群组一分为二，分别采用GA和PSO算法，再将优秀个体进行合并，改善了PSO算法全局搜索能力，同时增强GA算法的局部搜索效能。

四、结束语

信息化时代的到来，对故障诊断的快速性和准确性提出了巨大的挑战。基于极限学习机的故障诊断方法就是在这个背景下产生的。本文对基于极限学习机的故障诊断方法进行了综述，对极限学习机和故障诊断研究现状进行了阐述。给出了诊断的步骤和极限学习机存在的问题，并就如何利用极限学习机进行设备故障诊断以及如何避免极限学习机的缺点进行了阐述。