基于重构的半监督ELM及其在故障诊断中的应用

发布时间：2018-11-18 16:58

【摘要】：工业过程中获取带标签的故障数据困难,而无标签故障数据却大量存在,如何有效地利用数据信息进行故障诊断是故障诊断领域的重要内容。为更充分地挖掘和利用数据信息,提出一种新的半监督学习方法:基于重构的半监督极限学习机(RSELM)。相比于传统的半监督极限学习机(ELM)方法,RSELM采用自动编码ELM(ELM-AE)获得的输出权重替代随机的隐含层输入权重,能更有效地提取数据特征;考虑到数据均可由其近邻数据来线性重构,故可构建近邻数自适应选择的重构图,并同时利用数据的标签信息优化连接权重,以更优地反映数据结构信息;通过建立新的含局部保持的目标函数,可有效地训练分类器。标准数据集和TE过程上的仿真实验验证了所提算法的有效性。
[Abstract]:It is difficult to obtain tagged fault data in industrial process, but a large number of untagged fault data exist. How to effectively use data information for fault diagnosis is an important content in fault diagnosis field. In order to fully mine and utilize the data information, a new semi-supervised learning method, (RSELM). Based on reconfiguration, is proposed. Compared with the traditional semi-supervised extreme learning machine (ELM) method, RSELM can extract the data features more effectively by replacing the random hidden layer input weight with the output weight obtained by auto-coding ELM (ELM-AE). Considering that the data can be linearly reconstructed by its nearest neighbor data, we can construct the reconstruction graph of the adaptive selection of the nearest neighbor number, and optimize the connection weight by using the label information of the data to reflect the data structure information better. By establishing a new objective function with local preserving, the classifier can be effectively trained. The effectiveness of the proposed algorithm is verified by simulation experiments on standard data sets and TE process.
【作者单位】： 中国石油大学(华东)信息与控制工程学院;
【基金】：国家自然科学基金项目(61273160)~~
【分类号】：TP18;TP277

【相似文献】

相关期刊论文 前10条

1 吴凡;;状态监测和故障诊断技术的现状与展望[J];国外电子测量技术;2006年03期

2 师文谦;;浅谈计算机的故障诊断[J];计算技术与自动化;1986年03期

3 贾民平;机械故障诊断学的理论及其应用 第一讲 故障诊断的意义及研究发展概况[J];江苏机械制造与自动化;1999年01期

4 张峻宾;蔡金燕;;故障诊断与硬件演化的一体化设计[J];微电子学与计算机;2014年02期

5 张健成,周士昌,虞和济,丁相福,李国栋;故障诊断中的信息机制[J];基础自动化;2000年04期

6 田少民;工程机械的状态监测与故障诊断技术[J];工程机械;2001年01期

7 王敏,王万俊,熊春山,黄心汉;基于多传感器数据融合的故障诊断技术[J];华中科技大学学报;2001年02期

8 葛晓锋,陈素珊,何勇;基于图论和模糊数学的故障诊断新方法[J];浙江大学学报(农业与生命科学版);2001年04期

9 朱大奇,于盛林;基于知识的故障诊断方法综述[J];安徽工业大学学报(自然科学版);2002年03期

10 叶银忠;故障诊断技术的发展趋势及我们的对策[J];自动化博览;2002年03期

相关会议论文 前10条

1 黎清海;高庆;;基于系统分层的故障诊断方法[A];第三届全国信息获取与处理学术会议论文集[C];2005年

2 闻竞竞;黄道;;故障诊断方法综述[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

3 张利;徐娟;张建军;程龙;赵佛晓;;基于网格的远程协同故障诊断资源管理模型研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

4 罗霞;;一种快速故障诊断装置的设计[A];第七届全国核仪器及其应用学术会议暨全国第五届核反应堆用核仪器学术会议论文集[C];2009年

5 鲍忠贵;白方周;;故障诊断的模型跟踪法[A];1996中国控制与决策学术年会论文集[C];1996年

6 高锋;高强;马涛;;旋转机械振动状态监测与故障诊断管理[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

7 徐章遂;房立清;米东;王云峰;;基于奇异谱分析的发动机故障诊断方法[A];2001年中国智能自动化会议论文集（下册）[C];2001年

8 张庆虎;高普云;;基于非线性动力学理论的故障诊断方法与进展[A];第18届全国结构工程学术会议论文集第Ⅲ册[C];2009年

9 赵剑伟;赵江;郭志新;;基于多传感器信息融合的故障诊断方法[A];2007'仪表，自动化及先进集成技术大会论文集（一）[C];2007年

10 王丽英;方攸同;苏丽颖;刘宝友;;劣化系统的故障诊断和检测策略的综合研究[A];第二十六届中国控制会议论文集[C];2007年

相关重要报纸文章 前1条

1 李萍;济钢EAM离线网络点检和故障诊断管理系统开发应用[N];世界金属导报;2007年

相关博士学位论文 前10条

1 尹同舟;基于复合网络拓扑结构的悬臂式掘进机故障诊断方法[D];中国矿业大学(北京);2017年

2 肖红军;数据驱动的污水处理过程故障诊断与多步预测[D];华南理工大学;2016年

3 向长城;基于可拓学的智能故障诊断与状态监测的理论及应用研究[D];重庆大学;2008年

4 胡友强;数据驱动的多元统计故障诊断及应用[D];重庆大学;2010年

5 高保禄;大型复杂机电设备分布式故障诊断方法研究[D];太原理工大学;2010年

6 曹玉苹;基于状态估计的石化过程故障诊断与预报方法研究[D];中国石油大学;2010年

7 李盘靖;远程协同故障诊断关键技术及其应用研究[D];西北工业大学;2006年

8 巩晓峗;基于全矢谱的非平稳故障诊断关键技术研究[D];郑州大学;2013年

9 侯俊剑;基于声像模式识别的故障诊断机理研究[D];上海交通大学;2011年

10 谭树彬;轧机厚控系统状态监测与故障诊断的研究与应用[D];东北大学;2006年

相关硕士学位论文 前10条

1 陈超;旋转机械状态趋势预测及故障诊断专家系统关键技术研究[D];郑州大学;2015年

2 李桥;基于集合算法的故障诊断研究[D];沈阳理工大学;2015年

3 闫国杨;基于度量学习和时间序列相似性度量的故障诊断方法研究[D];哈尔滨工业大学;2015年

4 董小亮;混杂系统的微小故障诊断方法的研究[D];新疆大学;2015年

5 史佳;基于聚类与K近邻算法的LKJ运行记录数据分析及故障诊断[D];兰州交通大学;2015年

6 刘超;鱼群优化算法及其汽轮机故障诊断的应用研究[D];东北石油大学;2010年

7 曹晓霞;基于相关向量机的小样本故障诊断预测研究[D];西安工程大学;2016年

8 王龙娜;动态工业过程的故障诊断方法研究[D];东北大学;2014年

9 高欣;基于支持向量机的田纳西化工过程故障诊断研究[D];渤海大学;2016年

10 祝向平;针对关键性能指标的故障诊断方法研究[D];渤海大学;2016年

，

本文编号：2340597