APP下载

LLSTA和ELM算法在转子故障诊断中的应用

2014-04-03

自动化仪表 2014年3期
关键词:故障诊断特征故障

(东北电力大学能源与动力工程学院,吉林 吉林 132012)

0 引言

现代汽轮机转子的结构越来越复杂,出现故障的原因也日趋多样性,这给设备的故障诊断带来了困难[1-2]。汽轮机转子的故障诊断过程大体可以分为3个步骤:①故障信号的采集及处理;②故障特征的提取;③模式识别。其中特征提取是故障诊断的关键步骤。因而寻找一种有效可行的故障特征提取方法对于顺利进行故障模式识别分类和完成设备的故障诊断具有重要的意义和价值。

针对高维非线性的故障数据空间,利用线性局部切空间排列(linear local tangent space alignment,LLTSA算法对数据进行特征提取[3-4],数据降维前后的内在属性没有任何变化。LLTSA算法保持了非线性流形结构的低维内在本质特征,比传统的流形学习算法具有更好的分类识别能力[5-6]。

极限学习机(extreme learning machine,ELM)是近年来由Huang G B提出的一种单隐含层前向反馈神经网络(single-hidden layer feed-forward neural network,SLFN)分类器[7-10],这种分类器相对于BP神经网络(BP neural network,BPNN)、支持向量机(support vector machine,SVM)等分类器[11-12],不仅具有良好的泛化性,也极大地提高了前向神经网络的学习速度和效率。本文采用了“故障信号-时域与频域的融合-LLTSA-ELM”的诊断模型,该模型实现了故障诊断的全程自动化、快速化和准确化。

1 LLTSA和ELM原理

1.1 线性局部切空间排列算法

LLTSA是在LTSA的基础上发展起来的,算法增加了主成分分析(principal component analysis,PCA)过程,通过无限靠近每一样本点的空间来构建低维的线性局部空间,然后利用局部切空间排列求出整体低维嵌入坐标。

故障样本个数为n,故障样本维数为m,XORG为含噪声故障样本集,LLTSA算法的目的是找到高维样本集XORG在Rd空间的数据集Y,其表达式为:

登录APP查看全文

猜你喜欢

故障诊断特征故障
故障一点通
如何表达“特征”
不忠诚的四个特征
奔驰R320车ABS、ESP故障灯异常点亮
故障一点通
江淮车故障3例
基于LCD和排列熵的滚动轴承故障诊断
基于WPD-HHT的滚动轴承故障诊断
线性代数的应用特征
高速泵的故障诊断