基于OS-ELM的風(fēng)機(jī)關(guān)鍵機(jī)械部件故障診斷方法*

□ 占 健 □ 吳 斌 □ 王加祥 □ 余建波

1.上海電機(jī)學(xué)院 電氣學(xué)院 上海 201306

2.上海電機(jī)學(xué)院 商學(xué)院 上海 201306

3.同濟(jì)大學(xué) 機(jī)械與能源工程學(xué)院 上海 201804

基于OS-ELM的風(fēng)機(jī)關(guān)鍵機(jī)械部件故障診斷方法*

□ 占 健1□ 吳 斌2□ 王加祥1□ 余建波3

1.上海電機(jī)學(xué)院 電氣學(xué)院 上海 201306

2.上海電機(jī)學(xué)院 商學(xué)院 上海 201306

3.同濟(jì)大學(xué) 機(jī)械與能源工程學(xué)院 上海 201804

針對(duì)傳統(tǒng)故障診斷中前饋神經(jīng)網(wǎng)絡(luò)算法診斷效果不佳、泛化能力不強(qiáng)問(wèn)題，提出了基于在線貫序極限學(xué)習(xí)機(jī)（OS-ELM）的風(fēng)機(jī)關(guān)鍵機(jī)械部件故障診斷方法。該方法將測(cè)試得到的預(yù)測(cè)樣本加入訓(xùn)練樣本，作為下一次的更新信息，建立在線貫序極限學(xué)習(xí)機(jī)診斷模型，從而最大限度提高故障診斷精度，分析了激活函數(shù)、隱層節(jié)點(diǎn)數(shù)目對(duì)診斷性能的影響，并同BP神經(jīng)網(wǎng)絡(luò)、SVM以及ELM神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比。實(shí)驗(yàn)表明，該方法在風(fēng)機(jī)關(guān)鍵機(jī)械部件出現(xiàn)故障情況下，OS-ELM網(wǎng)絡(luò)能夠作出準(zhǔn)確診斷且性能明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，與SVM、ELM故障分類(lèi)準(zhǔn)確率相當(dāng)，但極大地提高了運(yùn)算速度，便于工程應(yīng)用。

風(fēng)力發(fā)電機(jī) 在線貫序極限學(xué)習(xí)機(jī) 故障診斷

風(fēng)機(jī)傳動(dòng)系統(tǒng)是一個(gè)復(fù)雜的機(jī)械系統(tǒng)，作為風(fēng)機(jī)的關(guān)鍵機(jī)械部分，主要由輪轂、主軸、主軸承、齒輪箱、制動(dòng)器、聯(lián)軸器、發(fā)電機(jī)等部分組成，完成風(fēng)能向機(jī)械能轉(zhuǎn)換的重任。風(fēng)機(jī)往往所處工作環(huán)境惡劣，面對(duì)不斷變化的風(fēng)速，風(fēng)機(jī)需承受較大的沖擊和交變載荷，同時(shí)受氣溫變化、潮氣腐蝕等影響，傳動(dòng)系統(tǒng)故障頻發(fā)，尤其在齒輪箱部分，保障整個(gè)系統(tǒng)長(zhǎng)時(shí)間安全、可靠、穩(wěn)定地運(yùn)行是一個(gè)值得研究的課題。根據(jù)系統(tǒng)中各機(jī)械部件自身特點(diǎn)，在運(yùn)行過(guò)程中對(duì)關(guān)鍵機(jī)械部件的正常退化狀態(tài)進(jìn)行有效監(jiān)測(cè)，通過(guò)獲取故障特征信息，掌握其運(yùn)行規(guī)律，對(duì)出現(xiàn)的異常進(jìn)行精確診斷，從而制定有效的控制策略，減少非計(jì)劃停機(jī)次數(shù)，降低機(jī)組維護(hù)成本，提高經(jīng)濟(jì)效益。

隨著風(fēng)電的持續(xù)發(fā)展，風(fēng)機(jī)故障診斷也取得了諸多成果，文獻(xiàn)［1］根據(jù)韓國(guó)風(fēng)電發(fā)展現(xiàn)實(shí)存在的限制，運(yùn)用神經(jīng)網(wǎng)絡(luò)和小波變換來(lái)保證故障診斷系統(tǒng)的可靠性。文獻(xiàn)［2］將小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于風(fēng)機(jī)齒輪箱故障診斷，精確地實(shí)現(xiàn)齒輪箱故障診斷。文獻(xiàn)［3］提出運(yùn)用基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)（SVM）故障診斷方法，利用其在小樣本數(shù)據(jù)上精確的擬合和分類(lèi)能力，在僅有少量時(shí)域樣本的情況下訓(xùn)練故障分類(lèi)器，通過(guò)測(cè)試，證明該方法具有較好的分類(lèi)能力。但是隨著機(jī)器學(xué)習(xí)方法的快速發(fā)展以及實(shí)際應(yīng)用中對(duì)監(jiān)控及診斷要求的提高，逐漸發(fā)現(xiàn)采用梯度下降算法調(diào)整權(quán)值的方法訓(xùn)練出的前饋神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)速度慢、泛化性能差的問(wèn)題；而SVM容易陷入局部最優(yōu)解，往往需要借助遺傳算法、蟻群算法等進(jìn)行參數(shù)優(yōu)化，而不得不以犧牲計(jì)算速度為代價(jià)來(lái)獲得較高分類(lèi)精度。文獻(xiàn)［4、5］中提出極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）作為一種單隱層前饋神經(jīng)網(wǎng)絡(luò)（Single Hidden Layer Feedforward Neural Networks，SLFNs），其輸入權(quán)值以及偏差項(xiàng)只需隨機(jī)賦值，整個(gè)訓(xùn)練過(guò)程中無(wú)需再調(diào)整，再通過(guò)一步計(jì)算確定輸出層權(quán)值。整個(gè)過(guò)程參數(shù)設(shè)置簡(jiǎn)單，學(xué)習(xí)速度迅速，具備良好的全局尋優(yōu)能力。

現(xiàn)結(jié)合風(fēng)機(jī)傳動(dòng)系統(tǒng)的關(guān)鍵機(jī)械部件齒輪及軸承故障特點(diǎn)，提出基于OS-ELM的風(fēng)機(jī)關(guān)鍵部件的故障診斷模型并對(duì)其性能進(jìn)行研究分析。首先選取合適的特征向量作為網(wǎng)絡(luò)輸入，通過(guò)OS-ELM建立故障診斷模型，驗(yàn)證分析不同激活函數(shù)以及隱層節(jié)點(diǎn)數(shù)目對(duì)OS-ELM神經(jīng)網(wǎng)絡(luò)診斷精度的影響。最后通過(guò)對(duì)比分析BP、SVM、ELM、OS-ELM網(wǎng)絡(luò)性能，驗(yàn)證OS-ELM網(wǎng)絡(luò)的有效性。

▲圖1 典型單隱層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

1 極限學(xué)習(xí)機(jī)

作為典型的單隱層前饋神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，網(wǎng)絡(luò)結(jié)構(gòu)中包含位于最下層的輸入層、中間層的隱含層和最上層的輸出層，層與層各神經(jīng)元之間全連接［6］。

隱含層與輸出層節(jié)點(diǎn)之間的連接權(quán)值β如下：

式中：βjk表示隱含層第j個(gè)神經(jīng)元與輸出層第k個(gè)神經(jīng)元之間的連接權(quán)值。

每個(gè)隱含層節(jié)點(diǎn)的閾值b為：

當(dāng)具有N個(gè)訓(xùn)練樣本的輸入矩陣X和對(duì)應(yīng)輸出矩陣Y為：

隱含層神經(jīng)節(jié)點(diǎn)的激活函數(shù)G（w，x，b），則由圖1可知，神經(jīng)網(wǎng)絡(luò)輸出T為：

式中：wi=［wi1，wi2，...，win］；xj=［x1j，x2j，...，xnj］T。

上式經(jīng)簡(jiǎn)化可表示為：

式中：T′為矩陣T的轉(zhuǎn)置；H為神經(jīng)網(wǎng)絡(luò)的隱含層輸出矩陣，如下所示：

Huang［4］證明了對(duì)于一個(gè)具有N個(gè)訓(xùn)練樣本的輸入集合（xi，ti），其中 xi=［xi1，xi2，...，xin］T∈Rn，ti=［ti1，ti2，...，tim］T∈Rm，其隱含層節(jié)點(diǎn)數(shù)L與訓(xùn)練樣本數(shù)N相等的前饋神經(jīng)網(wǎng)絡(luò)，當(dāng)其激活函數(shù)G：R→R滿足無(wú)限可微，那么對(duì)任意輸入權(quán)值wi∈Rn和節(jié)點(diǎn)閾值bi∈R，SLFN可以零誤差逼近訓(xùn)練樣本，即：

式中：yj=［y1j，y2j，...，ymj］T，j=1，2，...，N為測(cè)試樣本的理論輸出。

然而，在實(shí)際訓(xùn)練中，隱含層節(jié)點(diǎn)數(shù)L通常比訓(xùn)練樣本數(shù)N小，故對(duì)于一個(gè)具有N個(gè)訓(xùn)練樣本的輸入集合（xi，ti），其中xi=［xi1，xi2，...，xin］T∈Rn，ti=［ti1，ti2，...，tim］T∈Rm，當(dāng)其激活函數(shù)G：R→R滿足無(wú)限可微，那么對(duì)任意輸入權(quán)值wi∈Rn和節(jié)點(diǎn)閾值bi∈R，總存在隱含層節(jié)點(diǎn)數(shù)L（L≤N）的前饋神經(jīng)網(wǎng)絡(luò)以任意給定小誤差（ε＞0）來(lái)逼近訓(xùn)練樣本，即：

因此當(dāng)激活函數(shù)無(wú)限可微時(shí)，SLFN相關(guān)參數(shù)并不需要重復(fù)調(diào)整，輸入權(quán)值以及閾值只需要在訓(xùn)練之初隨機(jī)設(shè)置，后續(xù)訓(xùn)練過(guò)程中保持不變。隱含層輸出權(quán)值β通過(guò)最小二乘解來(lái)求解方程組。

得到最小二乘解：

其中H+為隱含層輸出矩陣H的Moore-Penrose廣義逆。

2 在線貫序極限學(xué)習(xí)機(jī)

傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)通常都是批量離線學(xué)習(xí)模式，整個(gè)學(xué)習(xí)過(guò)程是靜止的。在旋轉(zhuǎn)機(jī)械故障診斷中采集到的故障數(shù)據(jù)是及時(shí)變化的信息流，當(dāng)原始數(shù)據(jù)集更新數(shù)據(jù)后，如果再次連同歷史數(shù)據(jù)重新訓(xùn)練網(wǎng)絡(luò)，無(wú)疑會(huì)在加大計(jì)算量的同時(shí)耗費(fèi)大量學(xué)習(xí)時(shí)間。工業(yè)應(yīng)用中往往只需要更新數(shù)據(jù)后的網(wǎng)絡(luò)而無(wú)需對(duì)歷史數(shù)據(jù)重新訓(xùn)練，于是在SLFNs的基礎(chǔ)上，為實(shí)現(xiàn)在線神經(jīng)網(wǎng)絡(luò)的快速診斷，本文采用在線貫序極限學(xué)習(xí)（Online Sequential Extreme Learning Machine，OS-ELM）方法訓(xùn)練網(wǎng)絡(luò)［7，8］，其算法流程如下。

（2）在線學(xué)習(xí)階段。更新第（K+1）個(gè)數(shù)據(jù)集后，輸出權(quán)值更新為：

學(xué)習(xí)過(guò)程中，令K=K+1，返回至學(xué)習(xí)階段，不斷更新參數(shù)H和β，直至數(shù)據(jù)末端。初始階段，根據(jù)歷史數(shù)據(jù)集完成輸入權(quán)值和閾值初始隨機(jī)賦值；學(xué)習(xí)階段分批次或逐個(gè)更新數(shù)據(jù)，同時(shí)丟棄歷史數(shù)據(jù)，由更新數(shù)據(jù)計(jì)算新的輸出權(quán)值。

這種貫序?qū)W習(xí)的方法相比于其它神經(jīng)網(wǎng)絡(luò)，無(wú)疑會(huì)提高運(yùn)行速度。整個(gè)過(guò)程只需確定隱層節(jié)點(diǎn)的數(shù)目，而無(wú)需反復(fù)修正權(quán)值等參數(shù)。同時(shí)，OS-ELM不僅可用于增加隱層節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)，還可用于RBF神經(jīng)網(wǎng)絡(luò)，具有較好的泛化能力。

3 基于OS-ELM分類(lèi)的風(fēng)機(jī)關(guān)鍵機(jī)械部件故障診斷

（2）確定隱含層節(jié)點(diǎn)數(shù)目L以及激活函數(shù)G（w，x，b），并為輸入層連接權(quán)值w和閾值b隨機(jī)賦值，計(jì)算初始數(shù)據(jù)集輸出矩陣H0；

（3）通過(guò)上面的條件，訓(xùn)練樣本集并保存訓(xùn)練后的網(wǎng)絡(luò)模型；

（4）當(dāng)獲得新的故障數(shù)據(jù)后，按批次將故障數(shù)據(jù)作為測(cè)試數(shù)據(jù)，進(jìn)行故障模式識(shí)別，輸出故障類(lèi)別；

（5）保存更新后的網(wǎng)絡(luò)參數(shù)，將測(cè)試的故障數(shù)據(jù)信息更新為訓(xùn)練樣本信息，作為后續(xù)診斷的基礎(chǔ)。

4 實(shí)驗(yàn)與分析

為驗(yàn)證診斷模型的有效性，本文設(shè)計(jì)并搭建了風(fēng)機(jī)傳動(dòng)系統(tǒng)故障模擬實(shí)驗(yàn)臺(tái)，模擬風(fēng)速不斷變化的工況下，齒輪箱齒輪及端軸承故障，實(shí)驗(yàn)臺(tái)如圖2所示。對(duì)齒輪正常、齒輪磨損、點(diǎn)蝕、斷齒、軸承內(nèi)外圈、保持架、滾動(dòng)體故障8種狀態(tài)下的振動(dòng)信號(hào)進(jìn)行模式識(shí)別。

表1 特征參量表

▲圖2 風(fēng)力發(fā)電機(jī)旋轉(zhuǎn)機(jī)械故障模擬試驗(yàn)臺(tái)

實(shí)驗(yàn)過(guò)程中，每種狀態(tài)采樣頻率均設(shè)為20 000 Hz，采樣時(shí)間為2 min，分析過(guò)程中將數(shù)據(jù)樣本分為240序列，每個(gè)序列包含8 192個(gè)數(shù)據(jù)點(diǎn)，以保證信息的完整性。對(duì)每個(gè)序列提取6個(gè)特征參量［9］，見(jiàn)表1。其中，fr與fm分別為部件旋轉(zhuǎn)頻率和嚙合頻率，β為信號(hào)峭度，X（f）為信號(hào)頻譜幅值。

通過(guò)故障特征提取，計(jì)算出正常、齒輪磨損、點(diǎn)蝕、斷齒、軸承內(nèi)外圈、保持架、滾動(dòng)體故障，分別對(duì)應(yīng)輸出為0、1、2、3、4、5、6、7八種狀態(tài)的特征參數(shù)進(jìn)行模式分類(lèi)，每種狀態(tài)取120個(gè)訓(xùn)練樣本，共計(jì)960個(gè)訓(xùn)練樣本。同時(shí)按照3∶1的比例，每種狀態(tài)取40個(gè)測(cè)試樣本，共計(jì)320個(gè)測(cè)試樣本。訓(xùn)練和測(cè)試均在2.2 GHz的CPU和1 GHz RAM配置環(huán)境下進(jìn)行。

▲圖3 不同激活函數(shù)對(duì)分類(lèi)準(zhǔn)確率的影響分析

▲圖4 網(wǎng)絡(luò)學(xué)習(xí)時(shí)間隨隱層節(jié)點(diǎn)數(shù)目的變化

▲圖5 網(wǎng)絡(luò)分類(lèi)準(zhǔn)確率隨隱層節(jié)點(diǎn)數(shù)目的變化

4.1 建立極限學(xué)習(xí)機(jī)故障診斷模型

（1）激活函數(shù)對(duì)網(wǎng)絡(luò)性能的影響分析。為建立在線貫序極限學(xué)習(xí)機(jī)故障診斷模型，首先必須確定最優(yōu)激活函數(shù)，驗(yàn)證不同激活函數(shù)對(duì)網(wǎng)絡(luò)性能的影響。ELM網(wǎng)絡(luò)參數(shù)的選取相對(duì)簡(jiǎn)單，只需要選擇隱層節(jié)點(diǎn)和激活函數(shù)，本文選擇sigmoid、sine、rbf、hardlim4種函數(shù)在隱層節(jié)點(diǎn)逐步增加的情況下進(jìn)行比較。選擇初始隱層節(jié)點(diǎn)數(shù)為3，以1為周期增加隱層節(jié)點(diǎn)個(gè)數(shù)，直到與訓(xùn)練樣本相同。網(wǎng)絡(luò)性能隨隱層節(jié)點(diǎn)的變化如圖3所示。從圖中看出激活函數(shù)采用sigmoid函數(shù)時(shí)，網(wǎng)絡(luò)分類(lèi)準(zhǔn)確率最高且相對(duì)平穩(wěn)；sin函數(shù)同樣具有較好的穩(wěn)定性，但是分類(lèi)準(zhǔn)確率相比sigmoid函數(shù)稍低；rbf函數(shù)在準(zhǔn)確率和穩(wěn)定性?xún)煞矫婢患皊igmoid函數(shù)和sin函數(shù)；hardlim函數(shù)同其它三種函數(shù)相比在穩(wěn)定性和準(zhǔn)確率兩方面表現(xiàn)誤差較大，故在OS-ELM網(wǎng)絡(luò)中采用性能最優(yōu)的sigmoid函數(shù)作為激活函數(shù)。

（2）隱層節(jié)點(diǎn)對(duì)網(wǎng)絡(luò)學(xué)習(xí)時(shí)間和分類(lèi)準(zhǔn)確率的影響分析。同樣選擇初始節(jié)點(diǎn)數(shù)為10，以1為周期增加隱層節(jié)點(diǎn)個(gè)數(shù)，直到與訓(xùn)練樣本相同，網(wǎng)絡(luò)學(xué)習(xí)時(shí)間和分類(lèi)準(zhǔn)確率隨隱層節(jié)點(diǎn)數(shù)目變化曲線如圖4、圖5所示。

由圖4可知，網(wǎng)絡(luò)時(shí)間主要消耗在訓(xùn)練樣本階段，一旦模型確立，測(cè)試階段所需時(shí)間較短。圖5中，總體趨勢(shì)上準(zhǔn)確率隨著節(jié)點(diǎn)數(shù)的增加而增加，且到一定程度時(shí)趨于穩(wěn)定。其原因是對(duì)含有噪聲的故障數(shù)據(jù)未能有效徹底降噪，且ELM算法僅考慮最小經(jīng)驗(yàn)風(fēng)險(xiǎn)，測(cè)試分類(lèi)準(zhǔn)確率受到部分遠(yuǎn)離集群點(diǎn)的影響而不能進(jìn)一步提高。

4.2 在線貫序極限學(xué)習(xí)機(jī)故障診斷模型建立

OS-ELM是在ELM基礎(chǔ)上的改進(jìn)，引進(jìn)時(shí)間概念，通過(guò)不斷更新網(wǎng)絡(luò)輸出權(quán)值及閾值，對(duì)連續(xù)出現(xiàn)的故障數(shù)據(jù)進(jìn)行分類(lèi)。除引進(jìn)時(shí)間概念外，其在參數(shù)選擇等方面與ELM相同。網(wǎng)絡(luò)中選擇sigmoid函數(shù)作為激活函數(shù)，設(shè)定初始訓(xùn)練樣本數(shù)為60，通過(guò)隨機(jī)賦值給輸入連接權(quán)值及閾值，并確定輸出權(quán)值及閾值，以初始化網(wǎng)絡(luò)診斷模型。設(shè)定實(shí)時(shí)更新數(shù)據(jù)段數(shù)目為50，以此模擬連續(xù)變化的故障信息流達(dá)到訓(xùn)練OS-ELM的目的。960組訓(xùn)練樣本即可模擬18次故障數(shù)據(jù)更新，相應(yīng)的初始模型相關(guān)參數(shù)更新了18次。

4.3 風(fēng)機(jī)關(guān)鍵部件故障分類(lèi)診斷

為進(jìn)一步驗(yàn)證診斷模型的有效性，利用現(xiàn)有故障類(lèi)別的320組樣本進(jìn)行測(cè)試。同時(shí)為體現(xiàn)OS-ELM網(wǎng)絡(luò)性能，結(jié)合BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）以及ELM進(jìn)行對(duì)比分析。其中BP神經(jīng)網(wǎng)絡(luò)采用6-8-8結(jié)構(gòu)，慣性系數(shù)η=0.2，學(xué)習(xí)速率α=0.01。SVM中核函數(shù)采用徑向基函數(shù)，通過(guò)交叉驗(yàn)證得到最優(yōu)參數(shù)，懲罰因子c=26，核函數(shù)參數(shù)g=0.3。4種分類(lèi)器性能對(duì)比見(jiàn)表2和表3。

表2 4種分類(lèi)器準(zhǔn)確率對(duì)比

表3 4種分類(lèi)器時(shí)間消耗對(duì)比

由表2可知，OS-ELM分類(lèi)準(zhǔn)確率與ELM、SVM基本相當(dāng)，遠(yuǎn)遠(yuǎn)高于BP神經(jīng)網(wǎng)絡(luò)，說(shuō)明該算法在旋轉(zhuǎn)機(jī)械故障診斷中的可用性。另一方面，通過(guò)表3對(duì)比可知，OS-ELM時(shí)間消耗遠(yuǎn)小于其它3種分類(lèi)器，分類(lèi)效率高于其余三者。ELM總體消耗時(shí)間是OS-ELM的2倍左右，相比SVM總體運(yùn)行速度提高了約67%。綜合評(píng)價(jià)采用OS-ELM算法訓(xùn)練連續(xù)的故障信息流，由輸出權(quán)值β和輸出矩陣H儲(chǔ)存學(xué)習(xí)后得到的網(wǎng)絡(luò)參數(shù)。當(dāng)采集得到新的故障信息或故障信息存儲(chǔ)在其它終端，只需將最近更新得到的β和H移植過(guò)去即可，而無(wú)需對(duì)歷史數(shù)據(jù)再次進(jìn)行訓(xùn)練學(xué)習(xí)。整個(gè)學(xué)習(xí)過(guò)程中無(wú)需儲(chǔ)存歷史數(shù)據(jù)，相反可以及時(shí)更新最新的故障信息，提高了網(wǎng)絡(luò)對(duì)故障的辨識(shí)能力。

5 實(shí)驗(yàn)結(jié)論

針對(duì)故障樣本少、種類(lèi)多、故障數(shù)據(jù)不斷變化的信息流問(wèn)題，提出建立在線貫序極限學(xué)習(xí)機(jī)故障分類(lèi)模型。在激活函數(shù)確定的情況下，只需確定隱層節(jié)點(diǎn)數(shù)，過(guò)程中無(wú)需調(diào)整連接權(quán)值、閾值等參數(shù)。網(wǎng)絡(luò)訓(xùn)練完畢后，可通過(guò)更新參數(shù)H、β，對(duì)新故障數(shù)據(jù)進(jìn)行辨識(shí)，有效提高分類(lèi)準(zhǔn)確率及泛化能力。驗(yàn)證了sigmoid、sine作為激活函數(shù)的適用性，網(wǎng)絡(luò)訓(xùn)練時(shí)間與隱層節(jié)點(diǎn)數(shù)之間的正比例關(guān)系，通過(guò)對(duì)比分析驗(yàn)證了OS-ELM診斷模型性能明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，與SVM的診斷精度相當(dāng)，但是運(yùn)行速度得到了提高，具有實(shí)際應(yīng)用意義。

［1］Ming-Shou，Sang-June，Hye-Youn.Implementation of AutomaticFailure DiagnosisforWind Turbine Monitoring System Based on Neural Network［C］.7th FTRA International Conference on Multimedia and Ubiquitous Engineering，Daegu，Korea，2013：1181-1188.

［2］Huang Qin，Liangyou Ding.Application of Wavelet Neural Networks on Vibration Fault Diagnosis for Wind Turbine Gearbox ［C］.Lecture Notes in Computer Science，5th International Symposium on Neural Networks，Beijing，China，2008.

［3］張周鎖，李凌均，何正嘉.基于支持向量機(jī)的機(jī)械故障診斷方法研究［J］.西安交通大學(xué)學(xué)報(bào)，2002，36（12）：1303-1306.

［4］Huang G B，Zhu Q Y.Extreme Learning Machine：Theory and Applications［J］.Neuroputing，2006，70（1）：489-451.

［5］Guang-Bin Huang，Hongming Zhou，Xiaojian Ding，et al. ExtremelearningMachine for Regression and Multiclass Classification ［J］.IEEE Transactions on Systems，Man，and Cybernetics Part B：2012，42（2）：513-528.

［6］苑津莎，張利偉，王瑜，等.基于極限學(xué)習(xí)機(jī)的變壓器故障診斷方法研究［J］.電測(cè)與儀表，2013，50（12）：21-26.

［7］Rong H J，Huang G B，Sundararajan N.Online Sequential Fuzzy Extreme Learning Machine for Functionapproximation and Classification Problems［J］.IEEE Transactions on Systems，Man and Cybernetics PartB，2009，39（4）：1067-1072.

［8］楊易旻.基于極限學(xué)習(xí)的系統(tǒng)辨識(shí)方法及應(yīng)用研究［D］.長(zhǎng)沙：湖南大學(xué)，2013：19-22.

［9］張青.風(fēng)力發(fā)電機(jī)齒輪箱振動(dòng)監(jiān)測(cè)與故障診斷系統(tǒng)研究［D］.上海：華東理工大學(xué)，2013.

（編輯 功 成）

濰柴自主研發(fā)成功燃?xì)釫CU

2014年，濰柴燃?xì)獍l(fā)動(dòng)機(jī)產(chǎn)銷(xiāo)兩旺，占據(jù)很大的市場(chǎng)份額。但是，發(fā)動(dòng)機(jī)中利潤(rùn)豐厚的子系統(tǒng)電控ECU，則完全依賴(lài)于國(guó)外進(jìn)口。為此，濰柴發(fā)動(dòng)機(jī)技術(shù)研究院電控技術(shù)部耗時(shí)一年時(shí)間，成功研發(fā)出一款自主燃?xì)釫CU。

目前，這款智慧產(chǎn)品正處于客戶配套驗(yàn)證階段，待批量投產(chǎn)后，將打破濰柴燃?xì)釫CU長(zhǎng)期處于國(guó)外壟斷的局面，為燃?xì)廛?chē)輛安裝一顆奔騰澎湃的“中國(guó)芯”。

2015年1月26日，一輛配裝濰柴燃?xì)獍l(fā)動(dòng)機(jī)的陜西重卡在-26℃的極限環(huán)境下冷啟動(dòng)一次成功。據(jù)試驗(yàn)人員反饋，參與此次試驗(yàn)的重卡車(chē)輛其發(fā)動(dòng)機(jī)上安裝了濰柴自主研發(fā)的燃?xì)釫CU，通過(guò)近半月的高寒挑戰(zhàn)，發(fā)動(dòng)機(jī)各項(xiàng)性能指標(biāo)均達(dá)到設(shè)計(jì)要求，某些數(shù)據(jù)甚至優(yōu)于配裝國(guó)外燃?xì)釫CU的發(fā)動(dòng)機(jī)。

2015年，濰柴將加大研發(fā)力度，按流程做好自主ECU的開(kāi)發(fā)和驗(yàn)證工作，同時(shí)做好自主系統(tǒng)集成的技術(shù)準(zhǔn)備，逐漸實(shí)現(xiàn)自主ECU的替換配套。

（張瀟卓）

TH165.3

A

1000-4998（2015）04-0066-05

*國(guó)家自然科學(xué)基金資助項(xiàng)目（編號(hào)：51375290）

教育部人文社會(huì)科學(xué)研究青年基金項(xiàng)目（編號(hào)：10YJC630274）

2014年9月