基于极限学习机的汽轮机故障诊断

《基于极限学习机的汽轮机故障诊断》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第4期陈立军等．基于极限学习机的汽轮机故障诊断435基于极限学习机的汽轮机故障诊断陈立军1孙凯1侯媛媛2海冉冉1(1．东北电力大学自动化工程学院，吉林吉林132012；2．河北兴泰发电有限责任公司，河北邢台054000)摘要针对汽轮机故障诊断中出现的多故障识别问题，为有效提高汽轮机多故障诊断的准确率，提出了基于极限学习机的汽轮机故障诊断方法。极限学习机算法在训练时只需设置隐含层神经元个数，从而解决了如神经网络及支持向量机等多参数选取困难的问题，有效地提高了学习机的训练速度。在确定了最优参数的基础上，

2、将极限学习机应用于汽轮机故障诊断模型中，并将极限学习机的故障诊断结果与支持向量机的诊断结果进行对比。结果表明：基于极限学习机的多故障诊断速度及准确率均明显优于支持向量机的诊断结果，时汽轮机故障诊断的实践有非常显著的指导作用。关键词机器学习极限学习机支持向量机汽轮机故障诊断中图分类号THl7文献标识码A文章编号1000—3932(2013)04—0435．04随着电力工业的迅速发展，电力设备自动化程度不断提高，越来越多的大容量、高参数汽轮机组陆续投入运行，机组容量的增大使其结构和系统日趋复杂，不安全因

3、素越来越多⋯。因此亟需有效提高汽轮机故障诊断准确率，保证其稳定安全运行。近年来，人工神经网络及支持向量机(SupportVectorMachine，SVM)等多种方法被应用于汽轮机故障诊断中，并取得了一定成果H“1。但人工神经网络在应用过程中需要人为设置大量参数，存在训练速度慢及容易陷入局部极值等问题。在实际应用中支持向量机同样面临多参数选取困难的问题，而且采用改进算法进行参数优化也需要大量的时间来完成。同时汽轮机复杂的结构和多样的故障机理，致使这些故障诊断分析方法的识别准确率也需进一步提高。极限学

4、习机(ExtremeLearningMachine，ELM)po是一种针对单隐含层前馈神经网络(Single—hiddenLayerFeedforwardNeuralNetworks。SLFNs)的新算法，该算法随机产生输入层与隐含层间的连接权值和隐含层神经元的阈值，并且在训练过程中无需调整，只需设置隐含层神经元的个数，便可以获得唯一的最优解。与传统的训练方法相比，该方法具有学习速度快及泛化性能好等优点旧3。笔者将ELM算法应用于汽轮机故障诊断中，并与SVM的故障识别结果进行对比，结果表明：基于EL

5、M的汽轮机故障诊断速度及准确率均明显优于SVM的诊断结果。因此，将该算法应用于汽轮机故障诊断中是有效可行的。1极限学习机理论1．1基本思想给定任意Ⅳ个不同样本(戈i，Yi)，其中戈i=[菇fl，茗‘2，⋯，茗抽]1。∈R“，Yj=[Y“，Y跎，⋯，Y拥]1∈尺“，一个任意区间无限可微的激活函数g(戈)，则对于具有肘个隐含层神经元的SLFNs，有网络的肼输出模型为圣卢；gi(勺)=圣展gj(to；‘勺+b；)=oj，其中√=1，2，⋯，N，to‘=[ton'to也，⋯，to诅]T，是连接第i个隐层节点

6、和输入节点的权重；鼠=[卢n，凡，⋯，p；。]1。是连接第i个隐层节点和输出节点的权重；bi是第i个隐层节点的阈值；oi是第歹个输入样本的输出值。若隐含层神经元个数与训练集样本个数相等，则对于任意的to和b，SLFNs都可以零误差逼肼近训练样本，即∑IIoj一，，川=0，因此有J21射∑展gi(to。·石，+bi)=乃，．『=1，2，⋯，Ⅳ，可表示为郎=Y，其中Y=TyITy2：●TYN，口=硝庆●：网络的隐含层输出矩阵，具体形式为：，日为神经收稿日期：2013-O!-17(修改稿)基金项目：东北电

7、力大学博士基金资助项目(BSJXM-201005)436化工自动化及仪表第40卷H(OJI，t02，⋯，∞肼，bl，b2，⋯，bⅣ，戈l，z2，⋯，石Ⅳ)=g(∞l·zI+b1)g(∞2·茹l+b2)⋯g(∞Ⅳ‘戈I+bⅣ)g(∞l·戈2+b1)g(∞2·茹2+b2)⋯g(1．O村·茗2+bW)ig(ml·茹Ⅳ+b1)g(甜2·髫一+b2)⋯g(∞N’茗～+bⅣ)然而，当训练样本个数较多时，为了减少计算量，隐含层神经元个数M通常是比Ⅳ小的数，此时SLFNs的训练误差可以逼近一个任意s>0，即M∑II

8、oi一)，川