振动、测试与诊断
振動、測試與診斷
진동、측시여진단
JOURNAL OF VIBRATION, MEASUREMENT & DIAGNOSIS
2013年
2期
325-329
,共5页
尹刚%张英堂%李志宁%程利军
尹剛%張英堂%李誌寧%程利軍
윤강%장영당%리지저%정리군
极限学习机%在线神经网络%旋转机械%故障诊断%支持向量机
極限學習機%在線神經網絡%鏇轉機械%故障診斷%支持嚮量機
겁한학습궤%재선신경망락%선전궤계%고장진단%지지향량궤
针对传统的前馈神经网络学习算法泛化能力不高、训练速度慢、易出现局部最优解及无法处理随时间不断变化的信息流等问题,提出了基于在线贯序极限学习机的快速故障诊断方法.针对旋转机械故障复杂、样本少的特点,将测试过程中得到的预测数据加入训练样本,作为下一次预测的已知信息,建立在线贯序极限学习机分类模型,从而在最大程度上提高故障诊断的精度.试验结果表明,在线贯序极限学习机在故障分类准确率与支持向量机相近的条件下,参数选择简单且学习速度提高近200倍.
針對傳統的前饋神經網絡學習算法汎化能力不高、訓練速度慢、易齣現跼部最優解及無法處理隨時間不斷變化的信息流等問題,提齣瞭基于在線貫序極限學習機的快速故障診斷方法.針對鏇轉機械故障複雜、樣本少的特點,將測試過程中得到的預測數據加入訓練樣本,作為下一次預測的已知信息,建立在線貫序極限學習機分類模型,從而在最大程度上提高故障診斷的精度.試驗結果錶明,在線貫序極限學習機在故障分類準確率與支持嚮量機相近的條件下,參數選擇簡單且學習速度提高近200倍.
침대전통적전궤신경망락학습산법범화능력불고、훈련속도만、역출현국부최우해급무법처리수시간불단변화적신식류등문제,제출료기우재선관서겁한학습궤적쾌속고장진단방법.침대선전궤계고장복잡、양본소적특점,장측시과정중득도적예측수거가입훈련양본,작위하일차예측적이지신식,건립재선관서겁한학습궤분류모형,종이재최대정도상제고고장진단적정도.시험결과표명,재선관서겁한학습궤재고장분류준학솔여지지향량궤상근적조건하,삼수선택간단차학습속도제고근200배.