刘星等：一种改进的l。RWMKE-ELM故障诊断模型 91… 性核、多个多项式核、多个高斯核的基分类器进行集 响，以Vowel数据集为例，随机抽取80%的样本作 成，令样本权重逐层更新和传递，使高层分类器进一 为训练集，其余为测试集，加权方式选择W2),在同 步聚焦于下层易分错的样本上，可以达到提高最终分 样的训练集与测试集下，分别选用不同的范数约 类器的辨识性的目的. 束，模型的诊断性能如表4所示，相应的图形化表 为检验范数约束的选择对模型诊断性能的影 示如图4和图5所示 表4范数约束形式对模型诊断性能的影响 Table 4 Influence of norm-constrained forms on model diagnostic performance Evaluation index,p Training time/s Testing time/s G-mean F-measure-micro F-measure-macro 32/31 18.7024 0.0052 0.8247 0.8671 0.8427 16/15 9.0874 0.0022 0.8247 0.8671 0.8427 87 10.6509 0.0012 0.8247 0.8671 0.8427 4/3 8.5322 0.002 0.8247 0.8671 0.8427 3 4.4538 0.0012 0.841 0.8728 0.8527 J 3.4717 6.82×10 0.8501 0.8786 0.8597 > 3.0447 6.04×104 0.8501 0.8786 0.8597 9 2.6461 5.61×104 0.8501 0.8786 0.8597 2.6282 5.59×104 0.8501 0.8786 0.8597 3 2.7207 5.64×104 0.8652 0.8844 0.872 了 2.3017 5.62×104 0.8652 0.8844 0.872 0.89 103 -e-Train time 0.88 10 -Test time 0.87 10° 0.86 0.85 102 0.84 -e-G-mean 0.83 ◆F-measure-micro 10 ◆-F-measure-macro 0.82 10 23116/15874/33579111315 32/3116W15874/33579111315 Norm value Norm value 图4范数约束形式对模型诊断精度的影响 图5范数约束形式对模型时间开销的影响 Fig.4 Influence of norm-constrained forms on the diagnostic accuracy Fig.5 Influence of norm-constrained forms on model time cost of the model 4.2某型装备前端接收机故障诊断实验 由表4可知，在区间[32/31,15]中选择不同的 本文的研究应用背景主要是为了适应现役装 范数值，虽然范数的取值间隔很大，但是各评价指 备的三级维修体制中的基层级维修，完成模块级 标变化并不明显.由图4可知，随着范数值的增 的故障诊断，实现内场可更换单元的故障诊断，为 大，模型的各评价指标表现出递增趋势.由图5可 维修保障提供技术支撑.为验证I。RWMKE-ELM 知，训练时间和测试时间随着范数值的增大存在 诊断模型在装备故障诊断领域的实用性，将所提 递减的趋势.由此可知，范数值的增大有利于提高 方法应用在某型装备的前端接收机的故障诊断 诊断模型的精度，同时可以减小时间上的开销.值 中.图6为前端接收机的工作原理图 得注意是，范数值的增大并未显著提高模型的诊 本文进行模块级的故障诊断，根据前端接收 断性能，即在范数的取值变化不大的情况下，模型 机的使用功能，选择4种模式来验证I。RWMKE- 的综合诊断性能趋于一致. ELM的有效性，正常模式用F0来表示，放大单元、性核、多个多项式核、多个高斯核的基分类器进行集 成，令样本权重逐层更新和传递，使高层分类器进一 步聚焦于下层易分错的样本上，可以达到提高最终分 类器的辨识性的目的. 为检验范数约束的选择对模型诊断性能的影 W(2) 响，以 Vowel 数据集为例，随机抽取 80% 的样本作 为训练集，其余为测试集，加权方式选择 ，在同 样的训练集与测试集下，分别选用不同的范数约 束，模型的诊断性能如表 4 所示，相应的图形化表 示如图 4 和图 5 所示. 表 4 范数约束形式对模型诊断性能的影响 Table 4   Influence of norm-constrained forms on model diagnostic performance Evaluation index, p Training time/s Testing time/s G-mean F-measure-micro F-measure-macro 32/31 18.7024 0.0052 0.8247 0.8671 0.8427 16/15 9.0874 0.0022 0.8247 0.8671 0.8427 8/7 10.6509 0.0012 0.8247 0.8671 0.8427 4/3 8.5322 0.002 0.8247 0.8671 0.8427 3 4.4538 0.0012 0.841 0.8728 0.8527 5 3.4717 6.82×10−4 0.8501 0.8786 0.8597 7 3.0447 6.04×10−4 0.8501 0.8786 0.8597 9 2.6461 5.61×10−4 0.8501 0.8786 0.8597 11 2.6282 5.59×10−4 0.8501 0.8786 0.8597 13 2.7207 5.64×10−4 0.8652 0.8844 0.872 15 2.3017 5.62×10−4 0.8652 0.8844 0.872 由表 4 可知，在区间 [32/31,15] 中选择不同的 范数值，虽然范数的取值间隔很大，但是各评价指 标变化并不明显. 由图 4 可知，随着范数值的增 大，模型的各评价指标表现出递增趋势. 由图 5 可 知，训练时间和测试时间随着范数值的增大存在 递减的趋势. 由此可知，范数值的增大有利于提高 诊断模型的精度，同时可以减小时间上的开销. 值 得注意是，范数值的增大并未显著提高模型的诊 断性能，即在范数的取值变化不大的情况下，模型 的综合诊断性能趋于一致. 4.2    某型装备前端接收机故障诊断实验 本文的研究应用背景主要是为了适应现役装 备的三级维修体制中的基层级维修，完成模块级 的故障诊断，实现内场可更换单元的故障诊断，为 维修保障提供技术支撑. 为验证 lp -RWMKE-ELM 诊断模型在装备故障诊断领域的实用性，将所提 方法应用在某型装备的前端接收机的故障诊断 中. 图 6 为前端接收机的工作原理图. 本文进行模块级的故障诊断，根据前端接收 机的使用功能，选择 4 种模式来验证 lp -RWMKE￾ELM 的有效性，正常模式用 F0 来表示，放大单元、 0.82 0.83 0.84 0.85 0.86 0.87 0.88 0.89 Evaluation index G-mean F-measure-micro F-measure-macro 32/31 16/15 8/7 4/3 3 5 7 9 11 13 15 Norm value 图 4    范数约束形式对模型诊断精度的影响 Fig.4    Influence of norm-constrained forms on the diagnostic accuracy of the model 32/31 16/15 8/7 4/3 3 5 7 9 11 13 15 Norm value 10−4 10−3 10−2 10−1 100 101 102 Time/s Train time Test time 图 5    范数约束形式对模型时间开销的影响 Fig.5    Influence of norm-constrained forms on model time cost 刘    星等： 一种改进的 lp -RWMKE-ELM 故障诊断模型 · 91 ·