基于多尺度特征能量-核极限学习机的双循环流化床气流堵塞故障智能诊断

• 作者: 杨新 申赫男 陈鸿伟 麻哲瑞
• 来源期刊: 化工学报
• 关键词: 故障诊断 循环流化床 多尺度 遗传算法 核极限学习机
• 年，卷（期）: 2019,（7）
• 所属期刊栏目: 过程系统工程
• 页码范围: 2616-2625
• 页数: 10页
• 分类号: TK 229
• 语种: 中文
• DOI: 10.11949/0438-1157.20181334

摘要

为减轻双循环流化床结块与堵塞故障对生物质气化反应的负面影响,提出基于多尺度特征能量-核极限学习机(kernel extreme learning machine, KELM)的故障诊断模型.首先对故障状态下压力信号采用小波分解获得多尺度信号,然后提取各尺度特征能量作为特征向量,最后将其输入经遗传算法优化的核极限学习智能诊断模型,实现双循环流化床气流堵塞故障的智能诊断.通过对公开的轴承故障数据集和双循环流化床冷态实验系统数据的分类识别分析,并与基于变分模态分解和样本熵特征提取的KELM诊断模型进行比较,结果表明:本模型具有较高的故障诊断精度(82.5%),能够有效提取故障特征,用于双循环流化床气流堵塞的高效分类识别.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈鸿伟	华北电力大学电站设备状态监测与控制教育部重点实验室	253	1807	18.0	29.0
2	杨新	河北工程大学水利水电学院	31	96	5.0	7.0
6	麻哲瑞	华北电力大学电站设备状态监测与控制教育部重点实验室	7	7	2.0	2.0
7	申赫男	河北工程大学水利水电学院	2	1	1.0	1.0