-
题名改进OPELM在超声电机退化状态识别中的应用
被引量：1
- 1
-
-
作者
陈柏言
李洪儒
安国庆
-
机构
中国白城兵器试验中心
陆军工程大学
河北科技大学
-
出处
《电子测量与仪器学报》
CSCD
北大核心
2018年第3期111-118,共8页
-
基金
国家自然科学基金(51541506)
河北省自然科学基金青年科学基金(E2017208086)
+2 种基金
中国博士后科学基金(2017M623404)
河北省高等学校科学技术研究青年基金(QN2017329)
河北科技大学通用航空平台青年基金(201525)资助项目
-
文摘
压电陶瓷部件开裂是超声电机的主要故障模式之一,通过监测孤极信号能够有效地识别超声电机的退化状态。最优剪枝极限学习机(optimally-pruned extreme learning machine,OPELM)解决了极限学习机隐层节点无法准确确定的问题被较好地应用于模式识别中,然而OPELM采取多响应稀疏回归算法(multiresponse sparse regression,MRSR)对神经元进行排序时依靠两个神经元彼此间的相关性,使得计算耗费时间较长。借鉴矩阵奇异值分解的方法提出一种改进OPELM方法,奇异值作为一种能够反映矩阵属性的固有特征,利用其数值的大小对神经元进行排序能够大幅度缩减计算量。应用时首先对超声电机孤极信号采取经验小波变换(empirical wavelet transform,EWT)的方法提取其退化特征,然后将其输入至改进OPELM模型识别超声电机的退化状态,最后通过与ELM和OPELM的对比分析,验证了该方法的有效性。
-
关键词
超声电机
改进最优剪枝极限学习机
退化状态识别
孤极信号
经验小波变换
-
Keywords
ultrasonic motor
improved optimally pruned extreme learning machine
degradation state recognition
voltage signal of piezoelectric sensor
empirical wavelet transform
-
分类号
TM359.9
[电气工程—电机]
-
