一种改进的lp-RWMKE-ELM故障诊断模型

针对装备各类故障样本分布不平衡、现有算法故障诊断精度较低的问题,通过引入p范数约束多核极限学习机和基于AdaBoost的集成学习策略,定义了一种p范数约束下正则化加权多核集成极限学习机的故障诊断模型.首先,在p范数约束下,基于各类故障样本自身规模,分别进行了两种自适应的样本权重分配;其次,在每层分类器的优化中,将多核学习的多源数据融合能力和极限学习机运算高效的特点相结合,同时,将样本的权重W更新融入到多核极限学习机的优化进程;最后,通过Adaboost集成策略,自适应提升富含信息的样本在模型中的权重,从而显著提升故障诊断的精度.以6个UCI公共数据集以及1个实装案例为例,进行了故障诊断实验.结果 表明,与核极限学习机、加权核极限学习机(使用W(1)和W(2)加权方式)以及多核极限学习机(在1范数和p范数约束下)相比,诊断精度有显著提升;范数约束形式对模型的诊断性能影响有限.