张文涛， 马永光， 董子健， 杜景琦

(1.华北电力大学 控制与计算机工程学院，河北 保定 071003；2.云南电力试验研究院(集团)有限公司， 云南 昆明 650217)

0 引言

磨煤机是火电厂制粉系统非常重要的设备，其工作状况对于整个火电机组的安全和经济运行具有非常重要的意义，一旦磨煤机发生故障，将会影响制粉系统的正常运行，其后果较为严重[1，2]。二十世纪八十年代之前，一般都是依靠人工分析和信号处理来对故障进行诊断和分析，这种方法效率低且准确率不高。随着人工智能技术的不断发展，许多机器学习方法开始运用到故障诊断之中。支持向量机(Support Vector Machine, SVM)是一种得到广泛应用的机器学习算法，文献[3]利用核主元分析(Kernel Principal Component Analysis, KPCA)提取特征向量，将提取后的主元作为SVM的输入，进行诊断和分类。此外，许多专家学者利用神经网络进行磨煤机的故障诊断。文献[4]使用RBF神经网络，但训练样本过大时，训练速度会很慢。文献[5]提出基于粗糙集(Rough Set, RS)和概率神经网络的故障诊断方法，解决了样本维数和训练速度的问题，但是粗糙集理论[6，7]对数值型数据进行离散化处理，会带来信息损失。随着信息融合技术的发展，许多基于D-S证据理论[8]的方法开始应用到磨煤机故障诊断中来，文献[9]将灰色关联分析与D-S证据理论相结合，文献[10]将模糊聚类分析与D-S证据理论结合，通过证据之间的相互融合，提高了故障诊断的准确率。

极限学习机(Extreme Learning Machine, ELM)是由南洋理工大学的黄广斌教授[11]在2006年提出的一种单隐含层前馈神经网络(Single-hidden Layer Feedforward Neural networks, SLFNs)的快速学习算法。……