基于极限学习机的柱塞泵空化状态智能诊断研究

简介

针对传统依靠单一指标判断空化状态方法中存在的效果差和滞后性缺点,在多类特征融合的基础上,对不同工况下产生的空化外特性信号进行探讨,开发出一种以极限学习机(ELM)方法评价液压柱塞泵空化程度的新技术,能够非常准确地测定液压柱塞泵运行阶段出现的空化情况。研究结果表明:通过EMD完成空化状态的分解,再对IMF分量样本熵实施归一化,完成空化处理后形成了不同的样本熵。提高样本熵值后,形成了更复杂变化特征的样本序列。通过与BP神经网络、随机森林方法进行对比,表明采用ELM分类器处理时只需设置简单的结构和系统参数就可以消除人为因素造成的误差波动。用户也可以自主设置隐层节点的个数,极大地增加了系统的适应性。