信息重构的改进极限学习机故障诊断研究

发布时间：2023-11-09 18:39

　　在作为一种检测信号序列稳定性的方法,排列熵可以放大时间序列的微小变化以达到对信号稳定性的度量。其优点是计算简单,速度快。但是对于多频混叠现象以及噪声仍然无法达到有效的检测目的。极限学习机作为一种单隐藏层前馈型神经网络,其特点是训练速度快,在参数调节方面无需过多的干预。因此,极限学习机的泛化能力强。但是,在ELM整个对于模型的训练过程中也无法避免的存在许多不足之处。若将其应用于实际的工业生产当中,诊断精度并不会达到让人满意的效果。针对上述问题的不足之处,本文提出了一种信息重构的算法——自适应加权排列熵。根据熵权重的思想,对当前的排列熵符合某种排列规则的序列在其尺度时间内进行标准化处理,将处理后的结果赋以权重,在计算整体贡献率时候,具有权重的熵排列的影响力的整体贡献率突出,更能够反映原信号的波动性。经过加权排列熵处理后的信号可以有效的检测出信号中微小的变化,从而为后续使用经验模态分解重构过程中达到去噪的效果。自适应性体现在采用互信息法与伪临近法结合的方法来自适应确定最优的参数选取的过程。首先根据互信息法确定最小的延迟时间,再根据伪近邻规则确定嵌入的维度数的大小。对于重构后的信号特征,传统的...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 论文研究背景和意义
    1.2 国内外研究现状
        1.2.1 极限学习机研究现状
        1.2.2 轴承故障诊断研究现状
    1.3 论文的主要研究内容和工作
    1.4 论文的组织结构
第2章 排列熵与极限学习机理论
    2.1 排列熵的基本理论
        2.1.1 信息熵
        2.1.2 排列熵
        2.1.3 排列熵的性能分析
    2.2 极限学习机模型
        2.2.1 单隐层前馈型神经网络
        2.2.2 极限学习机理论
        2.2.3 标准ELM算法流程
        2.2.4 ELM算法的性能分析
    2.3 本章小结
第3章 一种自适应参数的加权排列熵信息重构算法
    3.1 问题的引入
    3.2 自适应参数确定
        3.2.1 参数独立性分析
        3.2.2 互信息法
        3.2.3 伪临近法
    3.3 加权排列熵算法的提出
        3.3.1 熵权重思想
        3.3.2 加权排列熵理论
        3.3.3 加权排列熵算法流程
        3.3.4 自适应参数的加权排列熵流程
    3.4 自适应参数的加权排列熵在信号重构中的应用
    3.5 本章小结
第4章 一种基于特征选择法改进极限学习机的故障诊断算法
    4.1 问题分析
    4.2 F-score模型理论
    4.3 Wrapper与Filter特征筛选
        4.3.1 Filter理论
        4.3.2 Wrapper理论
    4.4 特征选择改进的极限学习机故障诊断算法
    4.5 本章小结
第5章 仿真实验分析
    5.1 实验准备
    5.2 信号处理
    5.3 特征检测
        5.3.1 PE检测信号特征
        5.3.2 WPE检测信号特征
    5.4 轴承故障诊断
        5.4.1 信号重构
        5.4.2 两种重构信号主成分提取
        5.4.3 WPE-FWELM分类器离线试验
    5.5 本章小结
第6章 总结及展望
    6.1 总结
    6.2 展望
致谢
参考文献
攻读学位期间发表的学术论文及参加科研情况



本文编号：3861802