10.13465/j.cnki.jvs.2023.01.016
基于改进极限学习机的水轮机运转状态识别
针对水轮机远程运行状态监测困难的现状,提出了基于模拟退火算法的粒子群算法(simulated annealing algorithm-particle swarm optimization,SA-PSO)优化极限学习机(extreme learning machine,ELM)的方式,建立水轮机运转状态识别模型SA-PSO-ELM.对水轮机信号进行互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)获得IMF分量,引入皮尔逊相关系数计算各个IMF分量与水轮机信号的相似度,判断信号主导模态和噪声主导模态的分界点,用小波去噪对噪声主导模态降噪,并与其余的IMF分量重构得到去噪信号,同时对去噪后的信号进行分解,计算每个IMF分量的排列熵,构建特征向量.由于SA-PSO精度高不易陷入局部最优的特点和ELM的性能受权值、阈值共同影响的特点,用SA-PSO优化ELM的权值和阈值,构建水轮机运转状态识别模型SA-PSO-ELM.对不同工况下采集的水轮机压力脉动数据,分析了基于PSO-ELM、ELM及SA-PSO-ELM模型的水轮机运转状态识别正确率、均方误差、决定系数3个指标.结果表明:SA-PSO-ELM更适合于水轮机运转状态识别.
水轮机、互补集合经验模态分解(CEEMD)、粒子群(PSO)算法、极限学习机(ELM)、状态识别
42
O415.5(理论物理学)
国家自然科学基金;黑龙江省自然科学基金项目
2023-02-10(万方平台首次上网日期,不代表论文的发表时间)
共8页
132-138,168