基于改进极限学习机的通风扇故障诊断

“cos”等函数。
HE T,
ªg w1 x1 b1
« H«
« ¬
g
w1

xn

bl
g
wl

x1

bl
º »
»,
g
wl

xn

bl
»
¼ nul
E
ª « «
E1T
E
T 2
º » »
«»
,T
ª««tt12TT
º » »
«»
«»
«»
¬«ElT ¼»lum
«¬tnT ¼»num
3.1 通风扇故障类型编码
该文对滚动轴承进行故障诊断来实现对通风扇的故障诊
断，滚动轴承的常见故障主要有外圈故障、内圈故障、保持架
故障和滚动体故障，加上正常状态，滚动轴承共有 5 种状态，
为了方便建模，对这 5 种状态进行故障编码，具体见表 1。
表 1 故障编码
故障类型 外圈故障 内圈故障 保持架故障 滚动体故障
PSO 算法能够有效避免寻优结果陷入局部最优解，提高 算法的收敛精度 [7]。
2 极限学习机
2.1 单隐含层前馈神经网络
单隐含层前馈神经网络（Single-hidden Layer Feed-forward
Neural Network，SLFN）是一种结构简单的神经网络预测方 法，具有良好的函数逼近能力和自学习能力 [8]，其网络结构
初始化，即给每个个体赋予速度和位置，则粒子个体的速 度向量为 Vi=（vi1，vi2，…，vid）T，位置向量为 Xi=（xi1， xi2，…，xid）T。种群中所有粒子均根据目标函数更新速
群在迭代前期能够遍历搜索空间，确定最优解所在区域。 而在迭代后期，粒子群局部搜索能力变强，可在最优解 所在区域内进行局部搜索，快速确定最优解所在位置 [6]。
位置 ；ω 为惯性权重 ；c1、c2 均为学习因子，取值均大于 kmax 为最大迭代次数 ；K 为调整系数，K ∈（0，1），调整
- 63 -
中国新技术新产品 2023 NO.10（上）
工业技术
系数的作用是控制粒子速度和搜索区域，其值变小时，粒子 ti ∈ Rn，i=1，2，…，N}，激励函数为 g（x），将 SLFN 写 飞行速度下降，搜索范围随之缩小，算法收敛速度加快。 成矩阵形式，如公式（7）所示。
该文采用改进极限学习机对通风扇进行故障诊断，建 立基于改进极限学习机的通风扇故障诊断模型，采用实际 通风扇故障样本数据验证模型的正确性和实用性。
1 改进粒子群算法
1.1 粒子群算法
图 1 PSO 算法的寻优示意图
1995 年，Kennedy 等 人 提 出 了 粒 子 群 优 化 算 法 [4] （Particle Swarm Optimization，PSO），该算法的基本思想是自 然界中飞鸟寻找食物的行为，认为优化问题求解与飞鸟捕 食类似 [5]，单个飞鸟个体等同于优化问题求解所用的“粒 子”。鸟群在捕食过程中遵循下列原则 ：1）不与其他飞鸟 个体发生碰撞。2）个体速度与周围其他飞鸟相差不大。3）
正常
故障编码 1 2 3 4 5
数学编码 00001 00010 00100 01000 10000
3.2 基于 IPSO-ELM 通风扇故障诊断模型
性能好，目前在医疗、能源和金融等领域具有应用广泛。
为了提高通风扇故障诊断精度，采用 IPSO 算法对 ELM
ELM 的基本原理如下 ：令样本数据为 {xi，ti|xi ∈ Rn， 的权值进行优化，建立基于 IPSO-ELM 的通风扇故障诊断模
2.2 极限学习机基本原理
为了解决 SLFN 方法的上述 3 点不足，Huang 等人认为可 以将 SLFN 的权值和偏置量的设置看作线性系统，通过输出矩 阵求逆得到输出权值，并根据这一思想，提出了极限学习机 [8]（Extreme Learning Machine，ELM）。ELM 学习速度快、泛化
中图分类号 ：TP 277
文献标志码 ：A
作为飞机电子设备的主要通风设备，电子舱通风系 统的正常运行是保证电子舱正常工作的必要条件 [1]。电子 舱通风扇发生故障时，会造成电子舱无法正常工作，从而 影响飞机运行。在通风扇出现轴承磨损或叶片断裂等情况 下，高速旋转的风扇会产生巨大异响。通风扇出现卡阻， 容易引起发热，使驾驶舱出现异味，严重时甚至出现火花 或者烟雾，导致飞机出现紧急备降、航班延误等非正常停 飞事件 [2]。因此对通风扇故障诊断进行研究，提高通风扇 故障诊断的准确性对提高飞机安全性具有重要意义 [3]。
0 ；r1、r2 均为随机数，取值为 [0，1]。
粒子个体速度在迭代过程中可能出现“越界”的情况，
为了防止该情况出现，通常会设置一个最大速度 vmax，如
果粒子个体速度
v
k+1 id
>vmax，则有
v
k+1 id
=vmax
；如果粒子个体
速度
v
k+1 id
<-vmax，则有
v
k+1 id
<-vmax。PSO
参考文献 [1] 林润之 . 空客 A320系列飞机电子舱通风系统的分析 [J]. 设备 管理与维修，2019（8）：51-53. [2] 张洪春 .A320系列飞机电子舱通风故障的保留建议 [J]. 成都 航空职业技术学院学报，2019，35（2）：42-44. [3] 李春 .A330飞机货舱通风系统抽气扇故障分析 [J]. 航空维修 与工程，2021（7）：117-119. [4] 张伟，蒋岳峰 . 陷阱标记联合懒蚂蚁的自适应粒子群优化算 法 [J]. 系统仿真学报，2023（7）：1-11. [5] 张栋林，左泽平，冯祖旭 . 基于频谱分析的通风扇故障诊断 方法研究 [J]. 科技创新与应用，2023，13（14）：135-139. [6] 张帅 . 基于模型参数辨识的航空发动机风扇叶片裂纹故障诊 断 [J]. 航空发动机，2023，49（1）：115-121. [7] 李娜，刘冰，王伟 . 基于单隐层前馈神经网络的优化算法 [J]. 科学技术与工程，2019，19（1）：136-141. [8] 王瑞，尤敬尧，章小彬，等 . 基于蚁狮算法优化极限学习机 的变压器故障诊断 [J]. 黑龙江电力，2023，45（1）：17-22
如图 2 所示。
由图 2 可知，SLFN 的网络结构由输入层、隐含层和输
出层构成，其隐含层只有 1 层，令输入层节点数为 n，隐含
层节点数为 l，输出层节点数为 m，对任意样本（xi，ti），有 xi=[xi1，xi2， …，xin]T ∈ Rn，ti=[ti1，ti2， …，tim]T ∈ Rm， 则
于 IPSO-ELM 的故障诊断模型。采用美国西储大学轴承中心的风扇端加速度数据进行仿真分析，并与 PSO-
SVM 模型进行对比，结果表明，IPSO-ELM 模型的诊断精度为98%，比 PSO-SVM 模型高6.52%，验证了该文
所提通风扇故障诊断方法的实用性。
关键词 ：通风扇 ；故障诊断 ；极限学习机 ；改进粒子群算法
算法影响向鸟群中心靠拢。PSO 算法的寻优示意图如 1.2 约束条件
图 1 所示。
针对 PSO 算法的不足，该文在粒子群速度更新公式
PSO 算法的原理如下：令 d 维空间中存在一个粒子个 （公式（1）、公式（2））中引入收缩系数，并使收缩系数
体容量为 N 的种群，将种群中所有个体的位置和速度进行 随迭代次数的变化而变化，用以控制粒子速度，使粒子
工业技术
2023 NO.10（上） 中国新技术新产品
基于改进极限学习机的通风扇故障诊断
徐文静 （佛山市顺德区宏翼工业设计有限公司，广东 佛山 528000）
摘 要 ：为了提高飞机电子舱通风扇故障诊断精度，该文提出了一种基于改进极限学习机的通风扇故障诊
断方法。采用收缩系数改进粒子群算法，得到 IPSO 算法，并采用 IPSO 算法对 ELM 进行优化，建立了基
度和位置，将 d 维空间中个体最优位置记为 Pbestid=（pi1， 改进 PSO 算法的粒子群速度更新公式如公式（3）~ 公式 vi2，…，vid）T，种群最优位置为 Gbestd，粒子群速度和位 （5）所示。
置更新公式如公式（1）、公式（2）所示。
vk + id
1 =ωv
k id
+c1r1（P
将全局最优解作为ELM参 数，对测试集进行诊断
结束
该文提出了一种基于改进极限学习机的通风扇故障诊断 方法，利用收缩系数对粒子群算法进行改进，采用改进粒子群 算法对极限学习机进行参数优化，建立基于 IPSO-ELM 的通 风扇故障诊断模型。采用实际通风扇故障样本数据进行算例 仿真，分析结果表明，该文所提 IPSO-ELM 模型在通风扇故 障诊断方面的准确率更高。
SLFN 输出如公式（6）所示。
l
¦ E j g wj xi bj
ti , j
1,
2, ,
N
j1
（6）
式中 ：wj=[w1j，w2j，…，wnj]T，表示输入层节点 j 和隐含层 节点之间的权值 ；bj 为隐含层中节点 j 的偏置量 ；βj=[βj1， βj2，…，βjm]T，表示隐含层节点 j 与输出层节点之间的权值； g（x）表示激励函数，激励函数通常为“sigmoid”“sin”和
（4）
式中 ：N 为种群规模，取值通常为 20~50 ；i 为粒子个体， i=1，2，…，N ；k 为当前迭代次数 ；vkid为第 k 次迭代时第 i 个粒子个体的速度 ；xkid为第 k 次迭代时第 i 个粒子个体的
K= 1− k kmax
（5）
式中 ：η 为收缩因子 ；ϕ 为总学习因子，ϕ ∈（4，+∞）；
k bestid
-x
kid）+c2r2（G
k bestd
-x
） k
id
vk + id
1=η（ωv
k id
+c1r1（P
k bestid
-x
kid）+c2r2（G
k bestid
-x
kid））
（3）
x =x +v k+1
k
k+1
id
id
id
（1） （2）
η=
2K
,φ=
2 − φ − φ 2 − 4φ
c1 + c2
公式（10）所示。4）根据公式（3）更新粒子的速度和公式
（2）更新粒子的位置，执行算法的迭代过程，每完成一次迭
代，根据步骤 3 计算一次适应度值。5）将步骤 4 中计算得
β
到的新适应度值与最优适应度值进行比较，如果新适应度值
比最优适应度值更大，则更新为最优适应度值，反之，则不
注：xi、ti为第i个输入、输出样本；n、l、m为输入、隐含、输出层节 点；wnl为n到l的连接权值；βlm为l到m的连接权值。
式中 ：χ 为诊断正确率 ；p 为样本总量，q 为诊断错误的样本
个数。
表3 模型 正确率/%
5 结论
2 种诊断模型正确率对比 IPSO-ELM 98
PSO-ELM 92
开始
初始化IPS0参数
计算初始适应度
根据公式（3）和公式（2）更 新粒子速度和位置
适应度计算，并与最优适 应度值进行比较
满足适应度要求或 达到最大迭代次数
β=H+T
（9）
式中 ：H+ 为 H 的广义逆。
ELM 的拟合效果只受权值参数的影响且结构简单，克服
了传统神经网络结构相对复杂的缺陷。因此，该文采用 ELM
对通风扇进行故障诊断。
3 通风扇故障诊断模型
当前馈神经网络进行迭代计算时，每迭代一次，所有网 络参数都需要调整，从而导致输入层、隐含层和输出层之间 的权值和偏置量相互影响。由于 SLFN 采用的是梯度下降法， 因此 SLFN 方法在实际应用中存在以下不足 ：1）模型的训 练速度慢，训练时间长。2）训练过程中容易陷入局部最优 值，难以找到全局最优解。3）神经网络的学习性能受学习 率 η 影响较大。
型，建模流程如图 3 所示，主要步骤如下 ：1）输入样本数
lβ
l
l
据，并将其划分为训练集和测试集。2）确定 ELM 网络结构， 并初始化 ELM 的相关参数。3）利用改进 PSO 算法进行搜索， 然后把初始解分别带入各 ELM 模型中，计算初始解的诊断正
确率，即初始适应度值。诊断正确率（适应度值）的计算如
图 2 单隐含层前馈神经网络结构
变。6）判断迭代后的结果能否满足寻优及迭代次数的要求， 如果能则结束计算，输出最优参数。7）将步骤 6 中的最优 参数赋值给 ELM，即可对测试集样本进行故障诊断。
- 64 -
工业技术
2023 NO.10（上） 中国新技术新产品
=χ p − q ×100% p
（10）
式中 ：H 为隐含层矩阵。
（7）
在隐含层矩阵中，激励函数能够被无限次微分，因此
ELM 的权值和偏置量可以根据需要进行设置，不用反复调
整。因此可将公式（7）转化为对最小二乘范数解β进行求
解，如公式（8）所示。
||Hβ-T
||=
min β
||Hβ-T
||
（8）
由此可以得到最小二乘范数解，如公式（9）所示。