LLTSA特征降维与ELM模型在单向阀故障诊断中的应用

论文摘要

信号的单一特征难以全面反映设备运行状态,而利用多域特征表征设备运行状态时,随着特征维数增加,将引发维数灾难,导致分类器性能退化,降低状态监测模型的辨识性能。针对这一问题,提出线性局部切空间排列(Linear local tangent space alignment,LLTSA)特征降维与极限学习机(Extreme learning machine,ELM)模型的故障诊断方法,利用LLTSA从高维特征空间提取低维流形,实现信号特征的维数约简,保证模型分类性能。该方法首先利用完备总体经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)对振动信号进行分解,采用相关系数与峭度准则筛选分量,重构得到降噪后的振动信号;然后,计算重构信号的多域特征,并利用LLTSA进行特征维数约简;最后,利用其低维本质特征建立ELM故障诊断模型,监测设备运行状态。高压隔膜泵单向阀运行状态监测实验表明,对振动信号进行特征维数约简,降低特征间的冗余性,可提高ELM模型的故障识别精度。

论文目录

• 1 振动信号预处理
•   1.1 CEEMD原理
•   1.2 峭度值与相关系数准则
• 2 特征提取与维数约简
•   2.1 时域特征的提取
•   2.2 小波分频段能量与小波熵
•   2.3 LLTSA维数约简
• 3 ELM故障诊断模型的构建
• 4 LLTSA与ELM在故障诊断中的应用
• 5 实例应用
•   5.1 工程实验平台
•   5.2 工程实验分析
• 6 结论

文章来源

类型: 期刊论文

作者: 张朝林,范玉刚

关键词: 单向阀,故障诊断

来源: 机械科学与技术 2019年07期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 机械工业

单位: 昆明理工大学信息工程与自动化学院,云南省矿物管道输送工程技术研究中心

基金: 国家自然科学基金项目(61741310)资助

分类号: TH134

DOI: 10.13433/j.cnki.1003-8728.2019.20180296

页码: 1024-1028

总页数: 5

文件大小: 178K

下载量: 238