，i = l，. . .，M}检验极限学习机的故障诊断性能，主要借助于故障诊断率判别分 析。此处，故障诊断率定义为:正确分类的样本数目/测试样本集总数目X100%。
[0035]本发明有益效果如下：
[0036]极限学习机采用随机初始化输入权值以及隐含层节点偏置的方法，建立的极限学 习机模型会存在隐含层节点数过多、过拟合等现象，导致故障诊断性能较差，本发明使用杂 草算法优化极限学习机，可以提高极限学习机的故障诊断正确率。
【附图说明】
[0037]图1极限学习机模型结构图 [0038]图2故障诊断流程图
【具体实施方式】
[0039] 首先采集航空功率变换器在正常模式以及故障模式下的可测节点输出信号，并利 用主成分分析法提取采集信号的关键特征，构建特征样本集，然后将特征样本集分为训练 样本集和测试样本集，分别用于极限学习机的训练和评估。
[0040] 具体的操作步骤如下所示：
[0041] 1)获取航空功率变换器在正常模式以及故障模式下的可测节点输出信号，利用主 成分分析法提取采集信号的关键特征，构建特征样本集，并将特征样本集分为两部分:训练 样本集A={(xi，yi) |xieRn，yiERm，i = l，· · ·，N}和测试样本集B={(xi，yi) |xieRn，yiERm， i = l，. . .，M}，其中，R代表实数空间，xi为η维样本特征向量，yi为m维样本标签，即xi = {xu，i2,...，xin}，yi= {yuyi2,. ..，yim}，训练样本集和测试样本集的样本个数分别为N个和
[0042] 然后，将训练样本集分为训练数据和测试数据两部分：训练数据Al = {(Xl，yi) | Xl eRn，yiERm，i = l，· · ·，Νι}和测试样本集A2={(xi，yi) |xieRn，yiERm，i = l，· · ·，fe}，训练 数据和测试数据的样本个数分别为Ni个和他个，且NiNi+Ns;
[0043] 2)随机给定隐含层节点数L，隐含层节点偏置1^( j = l，. . .，L)，输入权重w，激活函 数g(x)，其中所选择的激活函数必须满足无穷阶次可微的条件。
[0044] 其中，W =[W: W;…W]L，Wj= [Wjl Wj2 · · · Wjn]lXn，Wj表示第j个隐含层的 输入权重矩阵表示输入层第i个神经元与隐含层第j个神经元的连接权值，因而构建的 极限学习机模型如图1所示；
[0045] 3)根据单隐含层神经网络学习机制，即存在^仏=1，. . .，m)，Wj，M吏得如下公式 成立：
[0047]其中，仏2…表示第j个隐含层的输出权重矩阵，hk表示隐含 层第j个神经元与输出层第k个神经元间的连接权值；
[0048] 4)令
[0052]即可将式（1)简化为：
[0053] Η·β = Υ (5)
[0054] 其中!1是见X L维的隐含层输出矩阵，β是L Xm维隐含层输出权重矩阵，￥是见X m维 期望输出矩阵；
[0055] 5)根据Moore-Penrose广义逆矩阵定义，可根据如下公式求解隐含层输出权重矩 阵β:
[0056] β=(Ητ · Η)-1 · Ητ · Υ (6)
[0057] 6)利用杂草算法优化极限学习机模型中隐含层节点数，输入权重以及隐含层节点 偏置的具体步骤如下：
[0058] 6.1)设置杂草算法所需的最大迭代次数itermax、最小种群数Smin与最大种群数 Smax、最小适应度fmin与最大适应度fmax、标准偏差的初始值〇 initial和终值〇final、非线性模型 指数P，并将极限学习机随机产生的隐含层节点数，输入权重以及隐含层节点偏置作为杂草 算法的初始种群，均匀分布在搜索空间中；
[0059] 6.2)杂草种群的个体繁殖取决于自身的适应度值以及最小适应度值和最大适应 度值，本发明选取图2中极限学习机对测试数据进行测试所得的正确率作为适应度值，此 处，正确率定义为:正确分类的样本数目/测试数据总数目X 100 %，因而繁殖的种子个数Sk 可依据如下公式计算：
[0061]其中，k为当前迭代次数(k=l，. . .，itermax)，Sk为第k次迭代的繁殖种子数，fk为第 k次迭代的适应度值；
[0062] 6.3)将步骤6.2)中产生的种子根据变方差以及正态分布规律随机地分布在搜 索区域中，并靠近上一代个体，其中变方差计算公式如下：
[0064]重复进行步骤6.2)和步骤6.3)，直到达到最大种群数；
[0065] 6.4)将所有个体按照适应度值的大小进行降序排序，剔除适应度值低的个体，并 重复进行步骤6.2)、步骤6.3)以及步骤6.4)，直到达到最大迭代次数；
[0066] 7)杂草算法迭代运行结束后，利用步骤6.4)中最大适应度值对应的隐含层节点 数、输入权重以及隐含层节点偏置构建极限学习机模型，并用测试样本集B={( Xl，yi)|Xle Rn，yieR m，i = l，. . .，M}检验极限学习机的故障诊断性能，主要借助于故障诊断率判别分 析。此处，故障诊断率定义为:正确分类的样本数目/测试样本集总数目X100%。
【主权项】
1. 一种基于IWO-ELM的航空功率变换器故障诊断方法，其特征在于，包含以下基本步 骤： 1) 采集航空功率变换器在正常模式以及故障模式下的可测节点输出信号； 2) 利用主成分分析法提取采集信号的关键特征，构建特征样本集； 3) 将特征样本集分为训练样本集和测试样本集，分别用于极限学习机的训练和评估； 4) 将训练样本集分为训练数据和测试数据，利用训练数据训练极限学习机，同时借助 于优化算法实现对极限学习机的参数的优化分析； 5) 测试样本集用于评估优化后的极限学习机故障诊断性能。2. 根据权利要求1所述的基于IW0-ELM的航空功率变换器故障诊断方法，其特征在于所 述步骤4)中极限学习机模型的参数是利用杂草算法进行优化的。杂草算法对隐含层节点 数、输入权重以及隐含层节点偏置进行寻优，使得优化后的极限学习机模型具有较优的故 障诊断性能。
【专利摘要】一种基于杂草算法(Invasive？Weed？Optimization，简称IWO)和极限学习机(Extreme？Learning？Machine，简称ELM)的航空功率变换器故障诊断方法，属于电路故障诊断领域。该方法包括如下步骤：1)采集航空功率变换器在正常模式以及故障模式下的可测节点输出信号；2)利用主成分分析(Principal？Component？Analysis，简称PCA)法提取采集信号的关键特征，构建特征样本集；3)将特征样本集分为训练样本集和测试样本集，分别用于极限学习机的训练和评估；4)将训练样本集分为训练数据和测试数据，利用训练数据训练极限学习机，并使用杂草算法对隐含层节点数、输入权重以及隐含层节点偏置进行寻优，使得极限学习机具有经过优化的分类器结构；5)测试样本集用于评估优化后的极限学习机故障诊断性能。
【IPC分类】G01R31/00
【公开号】CN105606914
【申请号】CN201510559194
【发明人】崔江, 叶纪青, 龚春英
【申请人】南京航空航天大学
【公开日】2016年5月25日
【申请日】2015年9月6日