基于ELM和连续过程神经网络的抽油机工况诊断

• 作者: 刘志刚 李盼池 许少华
• 来源期刊: 计算机工程与科学
• 学科: 工学
• 关键词: 工况诊断 过程神经元网络 极限学习 Moore-Penrose广义逆 网络训练
• 年，卷（期）: 2017,（10）
• 所属期刊栏目: 人工智能与数据挖掘
• 页码范围: 1934-1940
• 页数: 7页
• 分类号: TP183
• 字数: 5318字
• 语种: 中文
• DOI: 10.3969/j.issn.1007-130X.2017.10.024

摘要

普通神经网络进行抽油机工况诊断时存在诊断精度偏低的问题,提出选用连续过程神经元网络作为诊断模型,特征输入选取能直接反映示功图几何形态特征的位移和载荷两种连续信号.为提高模型学习速度,提出过程神经网络的极限学习算法,将训练转换为最小二乘问题,根据样本输入计算隐层输出矩阵,使用SVD法求解Moore-Penrose广义逆,最后计算隐层输出权值.通过诊断实验,模型学习速度提升5倍左右,与普通神经网络进行对比,诊断精度提高8个百分点左右,验证了方法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘志刚	东北石油大学计算机与信息技术学院	33	104	6.0	8.0
2	李盼池	东北石油大学计算机与信息技术学院	93	344	9.0	11.0
3	许少华	山东科技大学信息科学与工程学院	30	56	4.0	5.0