基于多极限学习机在线集成的柴油机故障诊断方法研究

作者：张英堂; 马超; 尹刚; 李志宁; 任国全

来源：车用发动机, 2012, (06): 85-89.

• 柴油机
• 极限学习机
• 贝叶斯方法
• 集成学习
• 多尺度主元分析
• 故障诊断 diesel engine
• extreme learning machine
• Bayesian method
• ensemble learning
• multi-scale principal component analysis
• fault diagnosis

针对在线贯序极限学习机(OS-ELM)输出不稳定和过学习问题,提出了基于贝叶斯框架的多OS-ELM融合算法。首先通过在目标函数中引入输出矩阵的二范数,将线性回归问题转化为岭回归问题,改善OS-ELM的过学习问题。其次,构建多个OS-ELM分类器对训练样本进行学习,在贝叶斯框架下实现多分类器的在线集成,以提高分类器的输出稳定性。UCI数据集的试验表明,与改进前相比,本算法的分类准确率提高了1.07%～3.35%,100次试验的标准差降低了0.001 5～0.021 4。柴油机11种工况的故障识别准确率可达到96.86%。

• 单位
  中国人民解放军陆军工程大学