第31卷第5期
文章编号：10069348(2014)05035104
计算机仿真
2014年5月
基于核极限学习机的液压泵特征参数在线预测
越，张英堂，李志宁，尹
（军械工程学院七系，河北石家庄050003）
摘要：研究减压系特征参数的在线预测问题。对表征液压泵工作状态的特征参数进行准确，快速的在线预测，对实时掌提液压系健康状况的发展趋势具有重要意义。针对液压泵特征参数在线预测问题，提出一种在线核极限学习机方法（OL-KELM）。OL-KELM采用Cholesky分解将核极限学习机(KELM)从离线模式扩展到在线模式，网络权值可在历史训练数据的基础上，随新样本的输入而遥推求解更新，并以简单的四则运算替代复杂的矩阵求逆，从而提高网络的在线学习效率。仿真结果表明，在获得同样预测精度的条件下，OL-KELM比直接在线核极限学习机的计算速度更快，且预测误差小于贯序正则极限学习机,并具有更强的鲁棒性，故OL-KELM能够对液压泵特征参数进行快速准确的在线预测。
关键词：核极限学习机；液压系；特征参数；在线预测；鲁棒性中图分类号：TP301.6;TP183
文献标识码：B
HydraulicPumpCharacteristicParametersOnlinePrediction
BasedonKernelExtremeLearningMachine MA Chao, ZHANG Ying-tang, LI Zhining, YIN Gang
( Seventh Department, Ordnance Engineering College, Shijiazhuang Hebei 050003, China)
ABSTRACT; Study hydraulic pump characteristic parameters online prediction. Conducting that fast and aceurate on line prediction of hydraulic pump characteristic parameters is very significant for controlling the state of health trends of hydraulic pump in realtime, to execute online prediction of hydraulic pump characteristic paramelers, an online kemel extreme leaming machine algorithm ( OL KELM) was proposed. The kernel extreme leaming machine( KELM) was extended from ofline mode to online mode by Cholesky factorization in the OLKELM. Compared with KELM, the OLKELM can complete the training recursively on the basis of sequential input new samples. The com-putational efliciency was improved by replacing the matrix inverse operation with arithmetic in the OLKELM. Simu-lation results show that the OLKELM can achieve the same accuracy with KELM by saving lots of training time, and it has lower prediction error and stronger robustness than SRELM. So the OLKELM can be used in the hydraulic pump characteristic parameters online prediction quickly and accurately.
KEYWORDS : Kemel extreme leaming machine( KELM) ; Hydraulic pump; Characteristice parameters; Online Pre-diction; Robustness
1
引言
作为一种典型的集机、电、液于一体的复杂系统，综合传
动装置是装甲车辆实现换挡、转向和制动等操作的执行系统，其内部液压泵工作状况的正常与否直接影响装甲车辆的动力性和操控性。预测液压泵状态的发展趋势，有利于掌握其健康状况，从而对可能出现的故障做出早期预测，及时进行相应的保障和维修，防止重大事故的出现，可通过对液压泵运行特征参数的预测来判断其工作状态的变化趋势(1.2] 以往方法大多利用固定数据建立预测模型，属于典型的离线
收稿日期：201308-17
修回日期：20130907
预测模式。而实际中，液压泵的工作状态是实时变化的，相应的特征参数是通过传感器在线采集的。由于系统的不可测性和强时变性，使得已有数据并不一定能够较好地反映后续的过程特性，若直接利用离线模型进行预测，势必导致预测精度不佳，难以对液压泵的运行状态进行实时跟踪。
极限学习机[]（Extreme Leaming Machine，ELM）是—种新额的单隐层前馈神经网络，根据Moore-Penrose广义逆矩阵理论，仅通过一步计算即可解析求出网络的输出权值，同传统的神经网络预测方法相比[3,+}，大大地提高了网络的泛化能力和学习速度[6-9]。Huang等[]通过对比ELM与支持向量机的建模和求解过程，提出了核极限学习机（Kemel Ex-
351-