基于极限学习机的机械故障诊断和状态趋势预测的研究.pdf

太原理工大学科学技术推广资料汇编 项目（技术）名称 基于极限学习机的机械故障诊断和状态趋势预测的研究 项目（技术）负责人 兰媛 所属院系 联系人 1 兰媛 联系方式 联系人 2 联系方式 机械电子工程研究所 6018740 邮箱 layulibiyi@gmail.com 邮箱 所属领域 √ 机械自动化 □矿山技术 □化工 □新能源 □材料 □节能环保 □ □电子信息及网络应用 □建筑工程 □其他 鉴定水平 √ 未鉴定 □国际领先 □国际先进 □国内领先 □国内先进 □ 知识产权形式 √ 未申请 □申请未授权 □发明专利□实用新型 □外观设计 □软件著作权 □ □其它 转化方式 √ 技术服务 □技术开发 □ 技术合作 □技术（成果）转让 □ 立项情况 项目（技术）简介 申请山西省基础研究计划（青年）项目 （2013 年 7 月 5 日提交） 1、 具体的技术内容、指标、用途； 本项目研究基于极限学习机的机械故障诊断和状态趋势预测。极限学习机是以 人工神经网络为基础的一种数据挖掘方法，它最大的优点是速度快，同时它结 构简单、鲁棒性和容错性强、准确度高。然而传统的极限学习机使用尝试错误 法选择模型，即繁琐又耗时。本项目研究通过向前逐步选择法确定最优的极限 学习机的模型结构；另外，利用公式推演的方法，得到新的隐层神经元的输出 权重的迭代方式，从而确定最优的在线极限学习机的模型结构。最后，以齿轮 传动故障平台和电机故障试验台为实验平台，建立相关部位的物理模型，采集 数据，利用平滑滤波、共振解调等方法去除信号噪声干扰，通过核主成成分分 析和粗糙集等方法选取最优的特征空间，利用极限学习机进行机械故障诊断和 状态趋势预测。由于极限学习机运算速度快的优点，基于极限学习机的故障诊 断系统如果能够获得即稳定又准确度高的结果，在实时故障诊断中将有巨大的 优势，对机电装备的健康监测和可靠运行具有重要的意义。 2、 创新点； 基于前向逐步选择法的极限学习机隐单元选择；寻找合适的估计准则；利用极 限学习机技术对故障信号进行分类识别；研究不同特征的选取对极限学习机效 果的影响。 3、 鉴定证书检验报告奖励、专利等能说明科技水平的证明（图片） 无。 适用于机械故障诊断信号处理中的分类和回归问题。 适用范围 由于极限学习机运算速度快的优点，基于极限学习机的故障诊断系统如果 效益分析或实例介绍 能够获得即稳定又准确度高的结果，在实时故障诊断中将有巨大的优势，对机 电装备的健康监测和可靠运行具有重要的意义。 单位：太原理工大学科技处 邮箱：88285058@qq.com 部门：产学研办公室 联系人：祁星耀 杨建伟 李飞 电话： 6018740