10.13700/j.bh.1001-5965.2017.0632
基于近邻传播聚类的航空电子部件 LMK诊断模型
针对小样本条件下,航空电子部件功能模块故障诊断精度不高的问题,将局部多核学习(LMKL)算法的多分辨率解释与局部特征自适应表示能力和超限学习机(ELM)运算高效的特点相结合,提出一种新的局部聚类MK-ELM(LCMKELM)诊断模型.通过引入近邻传播(AP)聚类,在挖掘训练样本局部特征信息的同时,有效约减了局部算法的计算复杂性,避免了过学习问题的出现;通过分别分析输入空间与特征空间的聚类特征,构造了相应的2种选通函数M1、M2,以优化选通函数的模型参数取代优化局部权重,有效解决了核超限学习机(KELM)的对偶优化形式关于局部权重二次非凸的问题.将本文模型应用于某型机旋转变压器激励发生电路功能模块故障诊断,结果表明:相比于4种常用的多核诊断算法,模型在实现低漏警、低虚警的同时,采用M1选通函数的诊断算法将诊断精度平均提升了3.80%,采用M2选通函数的诊断算法将诊断精度平均提升了5.98%.同时,模型在实现与流行的LMKL算法相近的训练时间的同时,测试时间更短.
故障诊断、多核学习、交替优化、近邻传播(AP)、选通模型、局部算法
44
V243;TP181(航空仪表、航空设备、飞行控制与导航)
国家自然科学基金;山东省自然科学基金
2018-09-13(万方平台首次上网日期,不代表论文的发表时间)
共12页
1693-1704