基于ELM和连续过程神经网络的抽油机工况诊断

计算机工程与科学

基于ELM和连续过程神经网络的抽油机工况诊断

刘志刚1，许少华2，李盼池1

（1.东北石油大学计算机与信息技术学院，黑龙江大庆 163318；2．山东科技大学信息科学与工程学院，山东青岛 266590）

收稿日期:2015-12-28 修回日期:2016-03-17 出版日期:2017-10-25 发布日期:2017-10-25
基金资助:
国家自然科学基金（61170132）;黑龙江省教育厅基金（11551015）

Working condition diagnosis of oil pump machine based on

continuous process neural network and extreme learning machine

LIU Zhi-gang1,XU Shao-hua2，LI Pan-chi1

（1.School of Computer and Information Technology，Northeast Petroleum University，Daqing 163318;

2.College of Information Science and Engineering,Shandong University of Science and Technology,Qingdao

266590,China）

Received:2015-12-28 Revised:2016-03-17 Online:2017-10-25 Published:2017-10-25

摘要/Abstract

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。

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

Abstract:

To tackle the shortcoming of common neural networks of low diagnostic accuracy in the working condition

diagnosis of the oil pump machine, we propose a method that selects continuous process neural networks as the

diagnostic model. Because the geometric shape characteristics of the indicator diagram are directly reflected

by the continuous signals of move and load, we select them as the feature input of the diagnostic model. In

order to increase the learning speed, we introduce an extreme learning algorithm to process neural networks.

The model training process is converted to a least square problem. The output matrix of the hidden layer is

calculated according to the samples, the Moore-Penrose generalized inverse is solved by the SVD algorithm and

then the output weights of the hidden layer are calculated. Diagnostic experiments show that the learning

speed is increased by about 5 times, the diagnostic accuracy is improved by about 8 percentage in comparison

with common neural networks, and the validity of the method is verified.

Key words: working condition diagnosis, process neural network, extreme learning, moore-Penrose generalized inverse, network

training

刘志刚1，许少华2，李盼池1. 基于ELM和连续过程神经网络的抽油机工况诊断[J]. 计算机工程与科学.

LIU Zhi-gang1,XU Shao-hua2，LI Pan-chi1.

Working condition diagnosis of oil pump machine based on

continuous process neural network and extreme learning machine

[J]. Computer Engineering & Science.

[1]	周伯荣, 程伟国, 许镇义, 温秀兰. 基于改进在线极限学习机的短时交通流预测模型研究[J]. 计算机工程与科学, 2022, 44(05): 944-950.
[2]	赵林锁, 陈泽, 丁琳琳, 宋宝燕. 基于RELM的时间序列数据加权集成分类方法[J]. 计算机工程与科学, 2022, 44(03): 545-553.
[3]	董宏成, 文志云, 万玉辉, 晏飞扬, . 基于DPC聚类重采样结合ELM的不平衡数据分类算法[J]. 计算机工程与科学, 2021, 43(10): 1856-1863.
[4]	陈文兵, 李育霖, 陈允杰. 一种基于CNN-SE-ELM的年龄和性别识别模型[J]. 计算机工程与科学, 2021, 43(05): 872-882.
[5]	火元莲, 李俞利. 基于多特征融合与极限学习机的植物叶片分类方法[J]. 计算机工程与科学, 2021, 43(03): 486-493.
[6]	蔡衡1,2,3，楚恒1,2,4，单德明1,2,3. 基于ELM的遥感影像城市道路提取[J]. 计算机工程与科学, 2020, 42(01): 125-130.
[7]	颜学龙,马润平. 基于深度极限学习机的模拟电路故障诊断[J]. 计算机工程与科学, 2019, 41(11): 1911-1918.
[8]	楚恒1,2,3,4，蔡衡1,2,3，单德明1,2,3. 高分辨率遥感影像的多特征多核ELM分类方法[J]. 计算机工程与科学, 2019, 41(10): 1816-1822.
[9]	颜学龙,汪斌斌. 自适应狼群算法优化ELM的模拟电路故障诊断[J]. 计算机工程与科学, 2019, 41(02): 246-252.
[10]	王琳琳1，刘敬浩1，付晓梅2. 基于极限学习机与改进K-means算法的入侵检测方法[J]. 计算机工程与科学, 2018, 40(08): 1398-1404.
[11]	周华平，袁月. 改进鱼群算法优化的ELM在乳腺肿瘤辅助诊断中的应用研究[J]. 计算机工程与科学, 2017, 39(11): 2145-2152.
[12]	周书仁1,2，曹思思1,2，蔡碧野1,2. 基于改进极限学习机算法的行为识别[J]. 计算机工程与科学, 2017, 39(09): 1749-1757.
[13]	周杭霞，叶佳骏，任欢. 基于快速自编码的RELM的文本分类[J]. J4, 2016, 38(05): 871-876.
[14]	林加润1，殷建平1，蔡志平1，朱明1，程勇2. 云计算环境下安全的极限学习机外包机制[J]. J4, 2015, 37(10): 1806-1810.
[15]	王法胜,郭权. 基于扩展卡尔曼粒子滤波算法的神经网络训练[J]. J4, 2010, 32(5): 48-50.