基于LE-ELM的热力参数传感器故障诊断
【部分图文】：
示样本的期望输出值，n为网络输入层节点数，m为输出层节点数。设隐含层神经元的激活函数为g(x)，则网络输出模型为∑mi=1βigi(xj)=∑mi=1βigi(ωixj+bi)=yj(3)式中:j=1，2，…，N;ω为输入节点与第i个隐层神经元的权重，ω=［ωi1，ωi2，…，ωin］T;βi为第i个隐层神经元与输出节点的权重，βi=［βi1，βi2，…，βim］T;bi为第i个隐层神经元的阈值;yj为输出值;L为隐层神经元个数。极限学习机的具体模型结构如图1所示。图1极限学习机模型为求解方便，将式(3)改写成矩阵形式:Hβ=Y(4)
)，计算隐含层输出矩阵H;(3)计算输出层权重:^β=H錛T。3基于LE和ELM的热力参数传感器故障诊断3．1诊断模型根据流形学习理论可知，嵌入在高维数据中的低维流形结构常常难以被挖掘［14］，而热力参数传感器输出故障信号的连续动态特性使得原始样本特征之间存在强相关性，且局部化特征较明显，LE算法可以保证在挖掘低维流形结构的过程中不破坏样本点之间的距离相似性，减少离群点的个数，同时从相关程度较高的特征之间提取规律性强、敏感性好的特征。基于LE和ELM的火电机组热力参数传感器故障诊断流程如图2所示，主要包括以下几个步骤:图2基于LE和ELM的热力参数传感器故障诊断流程(1)采集故障数据:采集热力参数传感器不同故障下的异常输出信号，构成原始故障样本集，并对其进行归一化的预处理，得到标准化样本集;(2)LE算法特征提取:利用LE算法对标准化样本集进行特征提取，得到高维数据的低维嵌入坐标;(3)划分训练样本和测试样本:将经过LE算法处理后的样本特征参量划分为训练样本集和测试样本集，分别用于ELM的训练和测试;(4)ELM的学习训练过程:确定隐含层神经元个数，随机设置输入层与隐含层的连接权重以及隐含层神经元的阈值，输入训练样本，选择激活函数，计算输出层权重;(5)故障诊断:输入测试样本集，利用训练好的ELM模型对测试样本进行分类，完成故障模式识别。3．2实验配置本文实验选用某火电厂一台600MW火电机组中的主蒸汽温度传感器作为测试传感器，在对该传感器进行故障状态分析的基础上，从实际运行数据获得了该传感器包含正常、完全失效、精度下降、恒定偏差、漂移5种故障模式下的故障样本各150个，每个样本由120个数据点构成。实验平台为MATLABＲ2014a，CPU为酷睿双核3．5GHz，内存为4G，故障模
96InstrumentTechniqueandSensorOct.2017(a)完全失效(b)精度下降(c)恒定偏差(d)偏移故障图3热力参数传感器典型故障波形图120的标准化样本矩阵。火电机组的热力系统环境的复杂性造成了温度传感器数据的波动性，通常会包含一定的噪声，而噪声的存在是特征提取过程中产生离群点的主要因素之一，为观察不同预处理方法下低维空间中特征参量的离群点分布情况，本文分别利用PCA和LE算法对标准化样本矩阵进行特征提取，目标子空间d=2，经过两种方法降维处理后的二维特征分布图如图4、图5所示。由图4、图5可知，经LE算法特征提取后的特征参量的聚类效果明显优于PCA，该实验证明了经过LE算法处理后的样本离群点个数更少，更适合于ELM模型的训练和测试。若要对特征参量进行可分性测度分析，可以用类间距Sb和类内距Sw对特征提取的聚类效果进行评价，若特征参量表达式为(f1，f2，…，fd)，则两个参数的表达式分别为:Sb=∑cp=1(μpf－μs詅)(μpf－μs詅)T(8)图4PCA二维特征分布图图5LE二维特征分布图Sw=∑cp=1∑fk∈Cp(fk－μpf)(fk－μpf)T(9)式中:c为故障类别数;μpf为某一类样本特征参量的平均值;μf为所有类样本特征参量的平均值。明显地，类间距越大，类内距越小，聚类效果也越好。对于两组实验得到的类间距Bb和类内距Sw结果如表2所示。从表2数据可以看出经过LE算法预处理后的热力参数传感器故障样本特征，聚类效果更好，说明了LE算法可以有效提取该传感器故障时的局部化特征。表2类间距与类内距评价类型SbSwSb/SwPCA0．0541．2380．0436LE0．0363．3×10－610.9×103
【相似文献】
相关期刊论文 前10条
1 张鸿辉;闫艳军;黄贞贞;;基于神经模糊系统的传感器故障诊断分析[J];现代商贸工业;2009年16期
2 宋彦彬;电脑台车传感器故障诊断[J];工程机械与维修;1998年06期
3 朱平,黄文虎,姜兴谓,王日新;基于模型的传感器故障诊断技术的研究[J];传感技术学报;1999年01期
4 郭其一,王立德;一种基于解析性冗余的传感器故障诊断技术[J];铁道学报;2000年04期
5 熊良才,史铁林,杨叔子;机电系统中传感器故障诊断的控制图法[J];机械与电子;2000年05期
6 黄孝彬,牛玉广,刘吉臻,刘武林;基于模糊动态模型的传感器故障诊断方法[J];中国电机工程学报;2003年03期
7 尤富强,田作华,施颂椒;线性时滞系统的传感器故障诊断[J];哈尔滨工程大学学报;2005年04期
8 许秀玲,汪晓东,张浩然;基于卡尔曼滤波器的传感器故障诊断[J];仪器仪表学报;2005年S1期
9 范小丹;刘晓勇;佟绍成;;模糊时滞系统的传感器故障诊断[J];辽宁工业大学学报(自然科学版);2008年06期
10 张娅玲;陈伟民;章鹏;胡顺仁;黄晓微;郑伟;;传感器故障诊断技术概述[J];传感器与微系统;2009年01期
相关会议论文 前9条
1 许秀玲;汪晓东;张浩然;;基于卡尔曼滤波器的传感器故障诊断[A];第三届全国信息获取与处理学术会议论文集[C];2005年
2 张柯;李文然;;一种新的传感器故障诊断设计方法[A];2007中国控制与决策学术年会论文集[C];2007年
3 邓方;陈杰;陈文颉;;基于数据特征的多线传感器故障诊断[A];第二十九届中国控制会议论文集[C];2010年
4 龚瑞昆;;离散小波变换在传感器故障诊断中的应用[A];中国仪器仪表学会第三届青年学术会议论文集（下）[C];2001年
5 郭刚;王正兵;;基于连续小波变换的传感器故障诊断研究[A];第七届全国信息获取与处理学术会议论文集[C];2009年
6 李亚楠;段立;顾方勇;;基于支持向量机的传感器故障诊断研究[A];舰船电子装备维修理论与应用——中国造船工程学会电子修理学组第四届年会暨信息装备保障研讨会论文集[C];2005年
7 李华;胡协和;;完全冗余及在传感器故障诊断中的应用[A];1997中国控制与决策学术年会论文集[C];1997年
8 于莲芝;梁卫冲;颜国正;;现场总线基于知识的智能传感器故障诊断(英文)[A];第二届全国信息获取与处理学术会议论文集[C];2004年
9 钱朋朋;刘金国;张伟;魏英姿;;基于多尺度主元分析的传感器故障诊断[A];中国仪器仪表学会第十三届青年学术会议论文集[C];2011年
相关博士学位论文 前1条
1 付克昌;基于结构优化PCA的传感器故障诊断方法及其应用研究[D];浙江大学;2007年
相关硕士学位论文 前10条
1 任大明;基于神经网络的航空发动机传感器故障诊断研究[D];中国民航大学;2012年
2 曹文明;异步电机驱动系统中的电流传感器故障诊断[D];华中科技大学;2015年
3 黄治军;基于小波分析的传感器故障诊断研究[D];西北工业大学;2004年
4 杨建平;传感器故障诊断的研究与应用[D];华北电力大学（北京）;2004年
5 于凤满;基于模型的传感器故障诊断研究[D];青岛理工大学;2010年
6 高翔;基于小波分析的燃料电池发动机传感器故障诊断研究[D];武汉理工大学;2010年
7 陈毅;航空发动机控制系统传感器故障诊断研究[D];南京航空航天大学;2007年
8 王霞;基于神经网络的非线性系统传感器故障诊断研究[D];西北工业大学;2002年
9 胡雅馨;基于粗糙集与证据理论的瓦斯传感器故障诊断技术的研究[D];辽宁工程技术大学;2009年
10 任翠蕾;基于多源信息融合的传感器故障诊断技术的研究[D];华北电力大学;2012年
本文编号：2814499
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2814499.html
