改进极限学习机亚健康识别算法研究

发布时间：2017-08-23 17:47

  本文关键词：改进极限学习机亚健康识别算法研究

  更多相关文章： 亚健康 降维 改进遗传神经网络算法 IFOA-ELM

【摘要】：随着科技的进步,机械设备故障诊断技术也越来越受到重视。在生产线中,如某一零件甚者是某一单个设备出现故障时,而未能及时的发现并且排除,将会造成整条生产线的停滞或者是工作人员的生命受到危害。同时给企业乃至社会带来巨大的经济损失。通过实践研究表明,大部分的设备故障都是一个渐进的过程。在该过程中设备所处的演进状态称之为“亚健康”。由此可以认识到处于“亚健康”状态下的生产设备是十分危险的。为了在一定程度上减少设备故障或者是延长设备寿命,对于“亚健康”设备状态诊断的研究是目前工业生产急需解决的问题。本文以风机故障“亚健康”状态的识别为研究背景,从风机的振动状况入手进行研究。首先,数据采集以及预处理：通过实验模仿风机叶片断裂、转子不平衡、轴承松动、扇叶不平衡等故障特征,提取最合适的故障特征信息。并采集其振动信号对风机设备进行检测与诊断。提取振动信号的时域特征作为本文的实验数据。由于数据中含有大量的干扰信息,本文提出一种改进的遗传神经网络特征降维算法进行数据降维,结合遗传算法和神经网络的优势进行算法融合,并对遗传算法的适应度函数进行了改进。减少算法识别的计算量,以及提高算法识别的准确率。其次,构建亚健康识别模型：本文提出一种改进果蝇算法优化极限学习机的亚健康识别模型(IFOA-ELM)。针对极限学习机的输入权值和隐含层偏置值随机选取造成其泛化能力不足的问题,提出改进果蝇算法进行参数优化。改进果蝇算法中加入了自身学习能力以及改进的惯性权重更新方式。并且加入了种群组内优化实现精细搜索,增强了其局部搜索的能力。本文通过加速度传感器、数据采集卡以及风机等设备进行振动信号采集。并在MATLAB平台下进行算法仿真实验。实验表明,IFOA-ELM模型在全局搜索和局部搜索之间实现了很好的平衡,状态识别的精准性以及高效性得到了提高。
【关键词】：亚健康 降维 改进遗传神经网络算法 IFOA-ELM
【学位授予单位】：辽宁大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;TH17
【目录】：

• 摘要4-5
• ABSTRACT5-12
• 第1章 绪论12-20
• 1.1 研究背景和意义12-14
• 1.2 国内外研究现状分析14-17
• 1.2.1 “亚健康”研究现状14-15
• 1.2.2 风机故障研究现状15-17
• 1.3 论文的主要研究内容17-19
• 1.4 论文的组织结构19-20
• 第2章 遗传算法和极限学习机20-32
• 2.1 遗传算法20-22
• 2.1.1 遗传算法基本原理分析20-21
• 2.1.2 一些改进的遗传算法21-22
• 2.2 极限学习机22-31
• 2.2.1 单隐层前馈神经网络22-25
• 2.2.2 极限学习机网络结构分析25-28
• 2.2.3 网络结构调整研究分析28-31
• 2.3 本章小结31-32
• 第3章 改进的遗传神经网络特征降维算法32-46
• 3.1 特征参数的确定32-35
• 3.1.1 时域特征33-34
• 3.1.2 频域特征34-35
• 3.2 特征降维技术分析35-38
• 3.2.1 特征降维的原则35-37
• 3.2.2 特征降维技术分类37-38
• 3.3 改进遗传神经网络特征降维算法38-45
• 3.3.1 特征降维算法38-42
• 3.3.2 实验验证42-45
• 3.4 本章小结45-46
• 第4章 改进果蝇优化极限学习机的亚健康识别算法46-60
• 4.1 亚健康46-47
• 4.2 果蝇优化算法47-50
• 4.2.1 演化计算与群体智能47
• 4.2.2 果蝇优化算法行为流程分析47-50
• 4.3 改进果蝇优化算法50-57
• 4.3.1 果蝇优化算法参数整定流程50-51
• 4.3.2 自学习行为以及更新惯性权重51-55
• 4.3.3 加入组内优化55-57
• 4.4 改进果蝇优化极限学习机“亚健康”识别算法57-58
• 4.5 本章小结58-60
• 第5章 实验及结果分析60-70
• 5.1 风机状态定义60
• 5.2 数据采集60-62
• 5.3 数据预处理62-65
• 5.4 识别结果分析65-68
• 5.5 本章小结68-70
• 第6章 总结和展望70-72
• 6.1 总结70-71
• 6.2 展望71-72
• 致谢72-74
• 参考文献74-78
• 攻读学位期间发表的学术论文及参加科研情况78

【参考文献】

中国期刊全文数据库 前10条

1 高文曦;孙小琪;镇丽华;;基于遗传算法数据降维的汉语数字语音识别[J];计算机系统应用;2016年01期

2 陆慧娟;魏莎莎;宋夫华;高波涌;;一种Fibonacci优化理论的改进ELM分类方法[J];小型微型计算机系统;2015年12期

3 刘国奇;毛海宇;蒲宝明;朱永峰;黄金;;基于小波神经网络的风机故障诊断[J];小型微型计算机系统;2015年07期

4 吕振江;汤家升;;基于遗传算法的风机故障诊断研究[J];煤炭工程;2015年01期

5 隋新;刘春阳;李济顺;韩红彪;;分布式机载风电振动信号采集系统设计与应用[J];测控技术;2015年01期

6 欧璐;于德介;;路图傅里叶变换及其在滚动轴承故障诊断中的应用[J];机械工程学报;2015年23期

7 林梅金;罗飞;苏彩红;许玉格;;一种新的混合智能极限学习机[J];控制与决策;2015年06期

8 LI Bao Jian;CHENG Chun Tian;;Monthly discharge forecasting using wavelet neural networks with extreme learning machine[J];Science China(Technological Sciences);2014年12期

9 李志农;朱明;褚福磊;肖尧先;;基于经验小波变换的机械故障诊断方法研究[J];仪器仪表学报;2014年11期

10 杨忠炯;徐康;周立强;姜东身;;压缩式垃圾车液压系统故障诊断方法研究[J];计算机仿真;2014年11期

，

本文编号：726450